在nnU-Net中高效集成变压器以实现肝脏肿瘤分割：一项外部验证研究

时间：2026年5月24日

来源：BMC Medical Imaging

编辑推荐：

摘要背景由于类别不平衡严重以及传统卷积神经网络（CNN）编码器在长距离上下文建模方面的能力有限，小尺寸和低对比度的肝脏肿瘤仍然是增强CT分割中的挑战性目标。方法我们开发了OF-TransUNet，这是一种简约的混合模型。它与参数密集型的TransUNet变体不同，在编码器的第3阶

摘要

背景

由于类别不平衡严重以及传统卷积神经网络（CNN）编码器在长距离上下文建模方面的能力有限，小尺寸和低对比度的肝脏肿瘤仍然是增强CT分割中的挑战性目标。

方法

我们开发了OF-TransUNet，这是一种简约的混合模型。它与参数密集型的TransUNet变体不同，在编码器的第3阶段（×8下采样）插入了一个轻量级的中间层Conv-Transformer模块，而2D nnU-Net的结构其他部分保持不变。此外，我们还采用了以输出为中心的逐步解冻策略来提高模型的适应稳定性。这种设计的灵感来自于在内部消融实验中观察到的优化过程不稳定且可重复性较差的问题。我们使用了一个公开的数据集（n = 104）来描述性地选择架构和训练计划。预先指定的主要评估指标是外部患者群体的肿瘤Dice值与标准化2D nnU-Net基线之间的差异（n = 42）。预定义的次要分析集中在中等大小的肿瘤（10–50毫米）上。

结果

在外部患者群体中，OF-TransUNet的每患者肿瘤Dice值显著高于nnU-Net（0.2788 ± 0.2575 vs 0.2400 ± 0.2426），平均配对差异为+0.0388（95%置信区间0.0029至0.0748）。由于配对差异不符合正态分布，因此采用了预先指定的Wilcoxon符号秩检验作为主要推断分析方法，其结果处于临界水平（p = 0.0553）；补充的配对t检验也显示出统计学上的显著性（p = 0.0347）。在预定义的中等大小肿瘤分析中（10–50毫米；n = 84），检测率从0.190提高到了0.286（在预先指定的10%重叠阈值下，McNemar精确p = 0.021；GEE OR 1.97，95%置信区间1.15–3.35）。使用5%和15%的重叠阈值进行的事后敏感性分析也证实了这种优势。与基线相比，OF-TransUNet的参数增加了8.4%，计算量增加了18.3%，但并未带来可测量的延迟惩罚，内存消耗也仅略有增加。

结论

在这个单中心外部验证队列中，通过在编码器第3阶段插入一个轻量级的Conv-Transformer模块并采用以输出为中心的逐步解冻策略，OF-TransUNet在每患者肿瘤Dice值上实现了数值上的提升，并在预定义的中等大小肿瘤检测分析中获得了统计学上的支持。尽管预先指定的非参数患者级分析结果处于临界水平且未达到传统意义上的显著性，但这一发现仍需谨慎解读。OF-TransUNet的肿瘤HD95值较高，这可能表明存在召回率与精确度之间的权衡，需要进一步针对这一边界进行评估。总体而言，这种最小化的改进支持进一步的多中心验证，而非绝对的优越性声明。在公开的LiTS数据集上进行的补充控制性基准测试（由于只有131个病例的注释可供局部评估，因此仅限于一个固定的验证折叠）提供了在相同处理流程下的一致性结果。