bioRxiv 2026年9月18日该研究提出 RSAUNet，一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构，用于 MRI 前列腺癌分割，并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数（IoU）0.965 的训练与验证结果，同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。该研究提出 RSAUNet，一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构，用于 MRI 前列腺癌分割，并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数（IoU）0.965 的训练与验证结果，同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。混合残差–Swin Transformer 与注意力机制的前列腺癌分割模型 RSAUNet该研究提出 RSAUNet，一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构，用于 MRI 前列腺癌分割，并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数（IoU）0.965 的训练与验证结果，同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。该研究提出 RSAUNet，一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构，用于 MRI 前列腺癌分割，并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数（IoU）0.965 的训练与验证结果，同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。