Lung cancer segmentation Using the Att-U-Net Model on PET-CT Images.
Att-U-Net 在 PET-CT 肺癌分割達 DSC 0.81、IoU 0.69，注意力門控讓模型自動聚焦腫瘤邊界。
- Att-U-Net 注意力門控讓模型在 PET-CT 上聚焦腫瘤區域，腫瘤分割 DSC 達 0.81、IoU 達 0.69。
- 訓練採 BCE 與 Dice loss 雙損失函數，兼顧像素分類精度與整體輪廓形狀一致性，緩解類別不平衡問題。
- 原文指出模型可輔助放射師進行腫瘤輪廓審核，降低人工標注負擔並支持個人化腫瘤治療計畫制定。
同樣是 U-Net 架構，加入注意力機制後，Att-U-Net 在 PET-CT 肺癌腫瘤分割上達到 Dice 係數 0.81、交並比（IoU）0.69。這份數字來自公開資料集 Lung-PET-CT-Dx，任務涵蓋肺組織與腫瘤的雙層分割，刊於 Society of Radiographers 旗艦期刊《Radiography》。研究表明，選擇性聚焦的注意力門控設計在複雜 PET-CT 腫瘤邊界辨識上具有顯著效果，為臨床自動勾畫工具的研發提供了量化基準。
PET-CT 影像的雙模態優勢與分割需求
肺癌是全球癌症相關死亡的首要原因，早期且精確的病灶定位對治療策略具有決定性影響。在影像工具的選擇上，PET-CT（正子電腦斷層） 整合了 CT 的高解析解剖構造與 PET 的代謝活性功能資訊，使腫瘤活性組織在背景肺實質中更易於辨識。CT 成分提供精準的三維解剖定位，PET 顯示的代謝熱點（metabolic hotspot）則協助區分惡性腫瘤與良性病變，兩者結合讓 PET-CT 成為肺癌分期、療效評估與放射治療前計畫的重要影像工具。
精確的腫瘤區域分割（tumor segmentation）是有效診斷與治療計畫的基礎。傳統人工勾畫方式費時，並受操作者主觀判斷影響——腫瘤邊界模糊、鄰近縱膈或肋膜時，重複勾畫的一致性往往有所差異。自動深度學習分割模型的目標，正是以數據驅動方式提升輪廓標注一致性，降低觀察者間差異對後續治療參數設定的影響。
相較於純 CT 的解剖定位優勢，PET 的代謝信號能更早期偵測到腫瘤活性變化，在腫瘤殘存與治療後纖維化的鑑別上也具有獨特優勢。正因如此，PET-CT 多模態融合的分割架構具備更完整的邊界判斷基礎，而忽略代謝信號的純 CT 分割方法往往無法精確區分活性腫瘤邊界與周邊反應性組織。
Attention U-Net 的選擇性聚焦設計原理
標準 U-Net（U 型神經網路） 以對稱的編碼器—解碼器架構為核心：編碼器逐層壓縮影像特徵、提升感受野深度；解碼器逐層恢復空間解析度；跳接連結（skip connections）則把不同解析度層次的特徵圖直接送至解碼端，確保邊緣細節不因下採樣而流失。這一架構廣泛應用於 CT、MRI 等多種醫學影像模態的自動分割任務，是相關領域的奠基設計。
Att-U-Net（注意力 U 型網路） 在跳接連結前嵌入注意力門控（attention gate） 機制：在傳遞特徵圖之前，模型先計算每個空間位置對目標類別的相關性加權分數，高相關位置的特徵被放大、低相關背景被壓制。對於 PET-CT 肺癌分割而言，腫瘤在全圖中通常佔比小且形態不規則，注意力門控讓模型學習自適應聚焦腫瘤邊界，有效降低 PET 代謝信號偽影（artifacts）和複雜肺背景對分割邊界的干擾，在不大幅增加模型參數的前提下提升分割精確度。
Lung-PET-CT-Dx 資料集與雙損失函數訓練設計
研究使用 Cancer Imaging Archive（CIA，癌症影像資料庫） 公開的 Lung-PET-CT-Dx 資料集，此為學術界廣泛採用的肺癌 PET-CT 標準資料集，含完整影像配對與多類別標注，具備學術可重現性與跨研究可比性。任務分為肺組織分割與腫瘤分割兩層，要求模型同時辨識正常肺實質輪廓與腫瘤病灶邊界。
訓練搭配兩種損失函數：Binary Cross-Entropy（BCE，二元交叉熵損失） 計算每個像素被分類為腫瘤或非腫瘤的機率差異，是像素級二元分割的常規損失函數；Dice loss（Dice 損失） 直接最大化預測遮罩與標注遮罩的重疊比例，計算邏輯與評估指標 DSC 一致。兩者搭配使用有其互補必要性：BCE 確保像素逐一分類的準確性，Dice loss 緩解腫瘤像素佔比遠低於背景的類別不平衡問題，引導模型同時學習精準邊界定位與完整輪廓形狀一致性。
DSC 0.81 與 IoU 0.69：腫瘤分割效能解析
在腫瘤分割任務上，Att-U-Net 取得以下量化效能：
- DSC（Dice Similarity Coefficient，Dice 相似係數）= 0.81：預測分割遮罩與人工標注遮罩之間達 81% 的空間重疊，屬醫學影像自動分割研究中「良好至優異」的評估區間
- IoU（Intersection over Union，交並比）= 0.69：在更嚴格的重疊標準下，預測輪廓與真實腫瘤區域的一致性達 69%
研究者指出，這一結果顯示 Att-U-Net 達到了「預測與實際腫瘤區域的強吻合性（strong alignment between predicted and actual tumor regions）」。從兩項指標的計算邏輯來看，IoU 的分母包含兩者的並集，對邊界不精確的懲罰更嚴格，因此通常低於同場景的 DSC 值。IoU 0.69 與 DSC 0.81 的組合符合正常的指標關係分布，反映模型的整體分割形狀具備良好一致性，而非僅依賴局部像素匹配。
注意力機制的效益同時體現在對 PET-CT 特有雜訊的抵抗能力：門控設計讓模型針對腫瘤邊界的代謝梯度特徵做出選擇性響應，降低正常高代謝組織（如心肌）干擾腫瘤判斷的機率，這一特性對 PET-CT 影像的多模態分割尤為關鍵。
原文指出的三項臨床應用潛力
原文明確列出 Att-U-Net 導入臨床工作流程的三個主要效益方向：
輔助臨床決策、提升分割一致性——自動生成的腫瘤輪廓可作為放射師與腫瘤科醫師審核的初始底圖，在多學科討論（MDT）中提供標準化的腫瘤體積量化基準，減少觀察者間差異對治療計畫的影響。
降低人工作業負擔——腫瘤勾畫是放射治療計畫最耗時的環節之一。穩定產出高準確度初始輪廓的自動分割工具，讓臨床人員重心轉向邊界微調與最終判斷，縮短從影像取得到計畫完成的整體流程時間。
支持個人化治療策略——準確的腫瘤三維體積與形狀資訊，是制定立體定向放射治療（SBRT）劑量方案、評估手術切除範圍以及動態追蹤療效的前提。自動分割輸出一致性的量化結果，有助於個人化治療參數的計算與動態調整。
Att-U-Net 在 PET-CT 肺癌腫瘤分割達 DSC 0.81、IoU 0.69，注意力門控機制讓模型自適應聚焦腫瘤邊界，在輔助勾畫與治療計畫支援上具備臨床整合潛力。