基于动态蛇形卷积与多特征注意力的Yolov8n用于MRI脑颅肿瘤分割

对患者和医生的重要性

脑肿瘤的威胁不仅来自其生长速度，还因为它们位于人体最脆弱的器官。术前或放疗前，医生必须在MRI影像上准确知道肿瘤的起止位置。目前，这种勾画常由人工完成，既耗时又易疲劳且不尽完美。本文提出了一种新的人工智能方法，旨在自动、快速并以更清晰的边缘细节勾画脑肿瘤，可能为神经外科医生提供更明确的手术或治疗导航图。

在噪声图像中更清晰地识别肿瘤

磁共振成像（MRI）是发现脑肿瘤和规划手术的主要工具。然而脑肿瘤形态各异——有些呈圆形且界限清晰，另一些则呈丝状、斑片状或与正常组织交织。其边界常常模糊，尤其在早期阶段，即便是专家也难以在每个切片上勾画出精确轮廓。传统的计算方法要么依赖人工设计的数学规则，要么依赖在反复压缩与重构过程中会模糊细节的标准深度学习模型。这两类方法在最需要精确的位置——肿瘤边缘——都显得力不从心。

为医学调优的更快探测器

作者在一类被称为YOLO的人工智能模型基础上改进，该模型最初用于照片和视频中的实时目标检测。YOLO速度快、效率高——这些特性在需要快速决策的繁忙医院中非常重要。但基础YOLO模型是为日常场景设计的，并不适应细微的医学差异。为将YOLOv8n（模型的紧凑版本）用于脑MRI扫描，研究者重构了其内部模块，使其对细微结构和不规则形状给予特殊关注，而不仅仅识别大范围的对象。

沿肿瘤边缘延展的蛇形“镜头”

第一个主要创新称为动态蛇形卷积。标准的AI“镜头”在刚性的方形网格上查看图像补丁，这对汽车和路牌有效，但对在脑组织中呈弯曲管状延伸的肿瘤则不适用。动态蛇形卷积允许“镜头”沿灵活的蛇形路径滑动，以适应局部结构。模型扫描MRI切片时，其采样点被柔性引导去追随连续曲线而非固定方框，从而在跟踪复杂轮廓时更自然、不会迷失位置。

融合多视角并聚焦关键区域

为了进一步提高准确性，模型并不依赖单次蛇形扫描。它对同一区域进行多次此类扫描，然后将得到的特征图融合为更丰富的结合表征——作者称之为多特征融合。在此基础上，他们加入了双注意力机制。一部分在通道维度上工作，决定哪些特征类型（例如纹理或亮度模式）应被赋予更高权重；另一部分在空间维度上工作，突出图像中最具信息量的位置。组合起来，这些注意力层像一位放射科医生：既知道哪些线索通常预示肿瘤，又能放大可疑区域，而非对每个像素一视同仁。

新方法的效果如何？

团队在一个包含1300幅脑部MRI影像的公开数据集上训练并测试了他们改进的模型，称为DMA‑YOLOv8n，并检验了其向另一个知名脑肿瘤数据集（BraTS2021）的迁移性能。他们使用标准指标评估自动轮廓与专家绘制轮廓的重合程度。与原始YOLOv8n及若干其他领先系统（包括医院和研究中常用的U‑Net变体）相比，DMA‑YOLOv8n在准确性与效率之间取得了最佳平衡。它获得了更高的精确率和召回率，表明其漏检的肿瘤像素更少、误把健康像素标为肿瘤的情况也更少，同时保持了适合实际使用的较低计算成本。

对未来临床护理的意义

对外行来说，关键结论是该AI方法能够比许多现有工具更清晰、更可靠地在脑部扫描上勾画肿瘤边界，同时不延缓护理流程。通过追随肿瘤生长的自然弯曲路径并学习聚焦最有意义的细节，DMA‑YOLOv8n生成的轮廓与专家意见高度一致。如果将此类系统整合到临床工作流中，可能帮助医生更有信心地规划手术和放疗，缩短从诊断到治疗的时间，并有望改善脑肿瘤患者的治疗结局。

引用: Hang, Y., Zhang, Q., Li, L. et al. Yolov8n based on dynamic serpentine convolution and multi-feature attention for MRI brain cranial tumor segmentation. Sci Rep 16, 12008 (2026). https://doi.org/10.1038/s41598-026-42502-2

关键词: 脑肿瘤MRI, 医学图像分割, 深度学习, YOLOv8, 临床决策支持