XAG-Net: 跨切片注意力与跳过门控网络用于 2.5D 股骨 MRI 分割.pdfVIP

XAG-Net:跨切片注意力与跳过门控网络用于2.5D股骨MRI

分割

ByunghyunKo,AnningTian,JeongkyuLee

KhouryCollegeofComputerSciences,NortheasternUniversity,USA

{ko.by,tian.ann,jeo.lee}@

©2025IEEE.允许个人使用此材料。对于所有其他用途，包括重新印刷、再出版或以商业目的重复使用该材

本料，必须获得IEEE的许可。

译摘要

中股骨结构从磁共振成像（MRI）中的精确分割对于骨科诊断和手术规划至关重要，但由于现

1有的2D和3D深度学习分割方法的局限性，这一任务仍然具有挑战性。在这项研究中，我们提

v

8出了XAG-Net，这是一种新型的基于2.5DU-Net架构的方法，该架构结合了逐像素交叉切片注

5意力（CSA）和跳过注意力门控（AG）机制以增强跨切片上下文建模和切片内特征细化。与之

2

6前的基于CSA的模型不同，XAG-Net在每个空间位置上对相邻切片应用逐像素softmax注意

0力进行精细的跨切片建模。广泛的评估显示，XAG-Net在股骨分割准确性方面超越了基准2D、

.

82.5D和3DU-Net模型，同时保持计算效率。消融研究进一步验证了CSA和AG模块的关键作

0

5用，确立了XAG-Net作为高效准确的股骨MRI分割框架的地位。

2

:

v

i关键词

x

r

a

医学图像分割，跨切片注意力，股骨MRI分割，2.5D卷积神经网络，各向异性体积数据，注

意力门控，深度学习等

1介绍

从磁共振成像（MRI）扫描中精确分割股骨结构对于骨科诊断和手术规划至关重要[1]。然而，

手动分割MRI扫描需要熟练的专业人员，产生较高的劳动成本，并且存在不准确性的风险[2]。基

于深度学习的分割方法如U-Net也经常面临相当大的挑战[2,3]。通常，2D分割方法，即2DU-

Net[3]，逐层处理图像，这提供了很好的计算效率。然而，2D方法往往无法捕捉到层间轴上的上

下文信息[4]。另一方面，三维分割任务，即3DU-Net[5]，使用三维卷积直接处理体积数据中的图

像，这允许更全面的空间特征提取，但通常需要更高的计算资源和内存[4]。

2.5D分割方法侧重于通过利用2.5D输入[4]提供的部分体积上下文来分割对象。与2D图像或

3D体积不同，2.5D图像是通过将一系列2D图像堆叠在一起创建的[4]。这种2.5D方法的输入形

1

状允许它们在其架构中使用2D卷积，同时保留部分3D上下文。2.5D分割方法通常受限于片间连

续性的表示不足和空间上下文利用不完全[6]。许多方法要么忽视了跨切片注意力的像素级归一化，

要么强加计算密集型架构，这为高效建模细粒度片间关系留下了创新的空间[6]。

在这项研究中，我们提出了一种名为XAG-Net的新颖2.5DU-Net架构和一个跨切片注意力

（CSA）模块。我们的独特CSA模块在三个切片上采用逐像素softmax注意力操作，这些操作应用

于输入特征图并辅以残差连接。CSA模块与XAG-Net中的注意力门控（AG）块一起提供关键的

跨切片和内部切片上下文建模，用于股骨分割。在一个股骨MRI数据集上，XAG-Net展现了最先

进的性能，其准确性超过基线模型——骰子分数最高提升了12.3个百分点，并且边界精度更高，同

时保持计算效率。广泛