摘要：强直性脊柱炎是一种慢性炎症性疾病，其早期诊断依赖于骶髂关节病变特征的准确识别。然而，由于骶髂关节解剖结构复杂、病灶呈现多尺度异质性，且易受CT部分容积效应及噪声干扰，传统分割方法的精度难以满足临床需求。为此，提出了一种基于多尺度注意力融合的网络模型（MAG-UNet）。该模型通过多尺度特征融合模块（MFF）强化局部-全局特征协同表征，结合双路径注意力机制（DA）的空间-通道自适应加权，并引入大核分组注意力门控（LGAG）以解决跨尺度特征耦合问题。在山西白求恩医院提供的数据集上进行的实验表明，MAG-UNet在骶髂关节CT分割中取得了显著的性能提升，Dice系数达到92.4%，IoU达到86.0%，较U-Net基线模型提升3.4个百分点（IoU）。本文为强直性脊柱炎的早期诊断提供了可靠的技术支持，具有重要的临床应用价值与推广潜力。
文章目录
0 引 言
1 网络构建
1.1 MAG-UNet介绍
1.2 高效多尺度特征融合模块
1.3 DA-Block模块
1.4 LGAG模块
2 实验内容及结果分析
2.1 实验设置
2.2 对比实验
2.3注意力对比试验
2.4 多尺度卷积核对比试验
2.5 消融实验
2.6 可视化结果分析
3 结论
