ProSeg：用于高精度MRI前列腺分割的多尺度上下文融合

这对前列腺癌护理的重要性

磁共振成像（MRI）已成为发现和治疗前列腺癌的关键工具，但医生仍要花大量时间手工勾画前列腺及其内部区域。这些轮廓有助于决定取活检的位置、如何瞄准放疗以及手术中应切除多少组织。本文提出了ProSeg，一种人工智能系统，旨在自动且更精确地绘制这些边界，即便MRI来自不同医院和不同设备。

把前列腺视为两个截然不同的区域

前列腺并非均质器官。其外层称为外周区，薄且形状不规则，通常是癌变首发部位。其内部的中心腺在MRI上看起来更为均匀，边界更模糊。这种对比带来了双重挑战：外层需要极为锐利的边界检测，而内部区域则需要稳定地识别微妙的纹理模式。除此之外，MRI影像会因扫描仪强度、线圈和成像参数的不同而在质量和外观上差异很大，可能以不可预测的方式使边界变得模糊或清晰。传统的计算机视觉系统难以同时满足这些需求。

ProSeg如何从层片与整体体积中学习

ProSeg通过一个在两种尺度上同时工作的专用模块来应对这一问题。一路径侧重局部细节，使用方向敏感滤波器沿每个MRI切片内弯曲、纸状的外周区轮廓进行跟踪。另一路径跨越多切片，利用注意力机制识别定义三维中心腺的长程模式与关系。随后一个门控融合步骤在每个位置决定应多大程度信任局部边界信号与更广泛的上下文，生成同时兼顾精细边缘与器官整体形状的融合特征图。

从原始图像到干净的三维轮廓

ProSeg嵌入在经典的编码器–解码器结构中，将三维MRI数据压缩为多尺度特征，然后重建出全分辨率的分割掩码。其间，特征金字塔网络将早期的细节信息与更深层、更抽象的线索混合。特殊的归一化层帮助模型应对不同的MRI协议，而定制的损失函数将区域重叠项（Dice损失）与对难分类边界像素更敏感的focal损失结合起来。该设计鼓励系统捕捉小结构，同时不被噪声或不均匀对比度误导。最终结果是逐体素的三维地图，将背景、外周区和中心腺分离开来。

在真实临床数据集上的表现如何

作者在三个广泛使用的前列腺MRI数据集——Promise12、Prostate158和ProstateX——上测试了ProSeg，这些数据集包含来自不同厂商、不同磁场强度和不同分辨率的扫描。在这些基准上，ProSeg始终优于强基线方法，如UNet、Swin UNETR和SegMamba。它在薄外周区和较大体积的中心腺上都取得了更高的Dice分数，并且召回率更好，意味着它漏掉的真实前列腺像素和可疑区域更少。值得注意的是，ProSeg在一些挑战性区域（如腺体顶端）和小的可疑病灶上显示出明显优势，而这些部位的毫米级精度会影响手术切缘或放疗靶向。

这在临床上可能意味着什么

对非专业读者来说，关键结论是ProSeg为计算机在MRI上“勾画”前列腺及其关键子区域提供了更可靠的方式，即便影像来自多种来源。通过将锐利的局部边缘检测与跨层片的广泛解剖理解相结合，该系统比以往方法生成更清晰、更一致的轮廓。在实际应用中，这可能缩短放射科医师修正自动轮廓的时间、减少观察者间差异，并支持更精确的活检、手术和放疗计划。尽管仍需进一步工作——尤其是处理最模糊的中心腺区域并整合更多影像类型——这项研究表明，像ProSeg这样经过精心设计的AI工具可以推动基于MRI的前列腺癌护理朝着更快、更标准化和更准确的决策方向发展。

引用: Qin, J., Yang, Y. ProSeg: multi-scale context fusion for high-precision prostate segmentation in MRI. Sci Rep 16, 13620 (2026). https://doi.org/10.1038/s41598-026-43589-3

关键词: 前列腺MRI, 医学图像分割, 深度学习, 癌症诊断, 放疗计划