基于层次自适应剪枝的非肿瘤区域剔除在MRI图像中实现3D脑肿瘤分割

本研究针对深度学习脑肿瘤分割方法存在的高复杂度、计算成本高和依赖大量标注数据等问题，提出了一种受医生诊断行为启发的感知算法方法。研究人员开发了一种新颖的自适应层次剪枝算法，用于3D MRI脑图像的肿瘤分割，该方法基于强度统计分布迭代移除低强度非肿瘤体素。在BraTS2019和BraTS2023数据集上的评估结果显示，分割准确率分别达到99.1%和99.13%，表明这种轻量级、可解释的替代方案在临床诊断系统中具有重要应用价值。

　　

脑肿瘤是最具侵袭性和威胁生命的癌症之一，在磁共振成像（MRI）中准确分割肿瘤对于诊断、治疗规划和预后评估至关重要。传统的手动分割方法耗时且高度依赖放射科医生的专业知识，这促使了自动化方法的发展。近年来，深度学习特别是卷积神经网络（CNN）在肿瘤分割领域取得了显著进展，各种先进模型如CNN-BiLSTM与进化优化相结合、小波增强CNN以及基于生成对抗网络（GAN）的生存预测模型等不断涌现。然而，这些方法普遍存在高复杂性、高计算成本以及对大量标注训练数据的依赖等问题，使其在实时和以患者为中心的诊断系统中的实用性受到限制。

在这一背景下，阿里·梅赫拉比和纳赛尔·梅尔沙德开展了一项创新性研究，旨在解决当前脑肿瘤分割技术面临的挑战。他们提出了一种受感知启发的算法方法，模拟医生的诊断行为，为脑肿瘤分割提供了一种轻量级且可解释的替代方案。这项研究发表在《Intelligence-Based Medicine》期刊上，为医学图像分析领域带来了新的思路。

研究人员采用的关键技术方法主要包括：使用BraTS2019（335例）和BraTS2023（1250例）公共数据集的3D FLAIR MRI扫描作为研究样本；应用3D高斯平滑进行预处理以抑制高频噪声；开发了一种基于顺序统计的自适应剪枝算法，该算法通过迭代移除低强度非肿瘤体素，基于剩余像素强度值统计量的比较来识别肿瘤区域；算法停止条件基于剩余体素均值和中位数的收敛情况。

3. 提出的方法

本研究提出的方法主要包含三个核心步骤：3D预处理、层次剪枝和肿瘤区域提取。预处理阶段采用3D高斯滤波器（7×7×5标准偏差）仅抑制高频噪声，以保留原始MRI扫描的诊断特征并保持与放射科医生诊断实践的一致性。层次剪枝算法基于三个关键假设：肿瘤区域强度值高度均匀（均值和中位数几乎相同）；图像较暗区域的强度值对定位肿瘤区域不必要；这些较暗区域的强度值不均匀，其均值和中位数不一定相等。

剪枝过程从移除所有零强度像素开始，随后基于未剪枝强度值的平均值进行迭代剪枝。从第三步开始，检查中位数与平均值的接近程度作为停止条件。当剩余体素的均值和中位数差异最小化时（|Md_i - M_i| < ε），剪枝过程自动停止，留下候选肿瘤区域。选择最佳剪枝图像的标准是回到中位数小于平均值的先前剪枝步骤，此时剪枝图像被视为肿瘤区域。

4. 结果

该方法在BraTS2019和BraTS2023数据集上进行了全面评估，分别达到了99.1%和99.13%的分割准确率。通过真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）等参数评估算法性能，结果显示该方法具有高灵敏度（SN）和特异性（SP）。对1585例患者的精度（ACC）直方图分析表明，该方法在所有患者中均实现了超过97%的最小准确率，其中96.2%的图像准确率高于或等于近期深度网络报告的平均准确率。

与现有方法相比，该方法的性能表现具有明显竞争力。虽然支持向量机和模糊推理的组合方法在相同数据集上报告了稍高的准确率（99.2%），但所有深度学习方法在同一数据集上的效率均低于提出的方法。值得注意的是，该方法无需训练阶段，直接在整个数据集上进行评估，确保了结果的天然泛化性和有效性。

5. 讨论

这项研究提出了一种受专家视觉感知启发的自适应脑肿瘤分割算法。尽管算法简单且无需训练要求，但该方法在BraTS2019和BraTS2023数据集上均提供了持续的高性能表现。在不到5%的数据集案例中（约60例），分割准确率略低于98%，这些异常情况可能归因于假阳性或具有非均匀强度分布的肿瘤区域。

与深度学习方法相比，该分析方法不依赖任何概率模型，避免了深度学习中的不确定性问题。深度网络通常将数据集分为训练（70%）、测试（20%）和验证（10%）子集，报告结果仅限于部分数据集，而本分析方法无需训练阶段，评估直接在整个数据集上进行，确保了结果的可靠性和稳健性。

6. 研究局限性

该方法虽然在可解释性、计算简单性和独立于大型训练数据集方面具有多个优势，但仍存在重要局限性。算法依赖基于强度的启发式方法，在肿瘤和非肿瘤组织表现出相似强度值的情况下可能表现不佳，特别是在噪声或低对比度扫描中。此外，评估仅限于公开可用数据集（BraTS2019和BraTS2023），临床环境中采集协议、扫描仪类型和患者群体的变异性可能会影响分割性能。

7. 计算复杂度和运行时比较

该方法的主要优势在于其适用于实时应用和资源受限平台。与需要高端硬件进行训练和推理的深度学习模型不同，该技术完全在一维直方图域中运行，避免任何学习阶段、GPU加速，并且消耗的内存显著更少。

从计算角度来看，该方法表现出每个体积O(N log N)的时间复杂度（其中N是体素数量），主要由于直方图排序和剪枝。相比之下，基于CNN的模型涉及多个卷积层上的O(N × k2)操作（其中k表示卷积层中使用的核大小），增加了处理负担，特别是对于3D数据。这些比较支持了该算法是轻量级、快速且适用于边缘计算环境和嵌入式诊断工具的说法。

8. 与深度学习模型的比较评估

许多高性能深度学习方法通过在大规模标记数据集上进行广泛训练来实现令人印象深刻的准确率。然而，它们容易过拟合，并且可能缺乏跨未见领域的泛化能力。相比之下，该方法在完整基准数据集上提供了稳定、无需训练的性能表现。

虽然最先进的方法在其报告的子集上实现了更高的性能，但应注意这些结果通常仅基于约20%的数据集（保留测试集）。如图5所示，该方法始终提供稳定的结果，没有任何异常值，展示了从有限子集评估中并不总是明显的稳健性和泛化能力。

此外，当应用于具有不同模态的数据集时，深度模型通常需要重新训练或适应，而该方法在BraTS2019和BraTS2023数据集上均保持稳健，无需任何算法修改，进一步强化了其可扩展部署的潜力。

9. 实际意义

研究结果表明，受感知启发的确定性分割技术在某些诊断工作流程中可以成为复杂深度学习模型的可信替代方案。它们的简单性、透明性和速度使其特别适合集成到实时系统、低功耗设备和资源受限的医疗环境中。此类方法还促进了可解释性，这对于临床接受和信任至关重要。

10. 结论

本研究提出了一种新颖的、基于自适应剪枝的方法，用于3D MRI图像中的脑肿瘤分割。该方法不依赖训练或大型数据集，与深度学习模型相比提供了具有竞争力的分割性能，同时提供了卓越的计算效率和可解释性。

该算法证明，智能的、感知引导的分割可以支持可扩展、以患者为中心和可访问的医疗技术的开发，特别是在速度、透明性和资源限制至关重要的环境中。这种方法为未来医学图像分析研究提供了新的方向，特别是在资源受限的临床设置中实现高效、可靠的诊断工具开发方面具有重要价值。