基于多编码器注意力机制与集成学习的儿童脑肿瘤多参数MRI语义分割新策略

本研究针对儿童脑肿瘤(PBTs)在MRI影像中增强肿瘤(ET)区域分割精度不足的临床难题，开发了两种深度学习方案：通过迁移学习优化预训练SegResNet模型，创新性设计3/4编码器注意力网络架构，并采用加权集成策略。在BraTS-PEDs 2024数据集上，集成模型实现肿瘤核心(TC)、全肿瘤(WT)和ET区域的Dice分数分别达0.852、0.876和0.764，显著提升ET区域识别能力，为儿科神经肿瘤精准诊疗提供新工具。

　　

在儿童癌症谱系中，中枢神经系统肿瘤长期占据致死率榜首，其中高级别胶质瘤(HGGs)的3年无进展生存率不足10%。传统诊断依赖放射科医师手动勾画多参数MRI中的肿瘤亚区——包括增强肿瘤(ET)、肿瘤核心(TC)和全肿瘤(WT)，但面临耗时费力、主观差异大等挑战。更棘手的是，儿童脑肿瘤具有与成人截然不同的生物学特性：非增强成分占比高、边界模糊、囊肿与水肿混杂，这使得现有成人肿瘤分割模型直接迁移时性能骤降。意大利巴里理工大学团队在《Scientific Reports》发表的研究，正是为破解这一临床痛点而生。

研究团队采用双管齐下的技术路线：一方面利用MONAI框架中的SegResNet模型进行迁移学习，另一方面原创性开发3编码器和4编码器U-Net变体，引入通道注意力(Squeeze-and-Excitation)和空间注意力机制。关键技术包括：基于Otsu阈值和形态学运算的颅骨剥离预处理、多模态图像配准、广义Dice焦点损失函数(GDFL)优化，以及创新的ET/WT体积比阈值后处理（阈值0.02）。实验基于BraTS-PEDs 2024数据集260例患儿的多中心MRI数据，严格按7:1:2划分训练集/验证集/测试集。

模型架构比较
3编码器模型将T1、T2、T1CE+FLAIR分别输入独立编码路径，在瓶颈层通过SE模块动态加权特征通道。该设计在TC和WT分割中表现最优，Dice分数达0.851和0.870，显著优于4编码器架构(p<0.001)。而预训练SegResNet虽参数量最小(~4.7M)，却展现出最佳的ET区域特异性，精确度达0.711。

损失函数影响
当3编码器模型采用GDFL替代Dice损失后，ET区域的召回率从0.604提升至0.622，证实该损失函数能有效缓解类别不平衡问题。但代价是TC分割性能下降5%，凸显不同肿瘤亚区对损失函数选择的敏感性差异。

集成策略突破
通过随机搜索确定的权重组合（ET预测以4编码器结果为主占70%），集成模型在测试集实现全面性能提升。特别是ET区域的Dice分数较单一模型提高3.9%，且统计检验显示其优于SegResNet的差异具有显著性(p=0.015)。

临床价值验证
研究揭示儿童HGGs中约18%病例存在ET体积占比<2%的现象，这类微小病灶在传统分割中易被噪声淹没。通过ET/WT阈值后处理，模型在保持数据完整性的前提下，将ET分割Dice分数绝对值提升0.1以上。这一发现为BraTS-PEDs挑战赛中的共性难题提供了可复现解决方案。

讨论部分指出，当前局限主要源于数据集固有的亚区不平衡——仅21%病例包含显著ED区域，导致模型对水肿边界判定不准。未来需整合DWI序列和分子标记物数据，以区分NET与ED的影像学重叠特征。该工作的重要意义在于：首次系统比较了迁移学习与多编码器架构在儿科肿瘤分割中的优劣，提出的注意力-集成混合范式，为罕见病医学影像分析提供了可扩展框架。正如作者强调，这项技术将直接赋能肿瘤体积动态监测，辅助制定个性化放疗靶区，其代码已开源在MONAI模型库供临床转化应用。