基于输入与误差串联扩散模型（DMCIE）的脑肿瘤精准分割新方法

《International Journal of Computer Assisted Radiology and Surgery》：Dmcie: Diffusion model with concatenation of inputs and errors for enhanced brain tumor segmentation in MRI images

本研究针对多模态MRI中脑肿瘤精确分割的挑战，提出了DMCIE方法。该方法通过3D U-Net生成初始分割结果及误差图，并利用扩散模型对误差区域进行迭代修正。在BraTS2020数据集上的实验表明，DMCIE较初始分割在Dice系数上提升5.18%，HD95距离降低2.07 mm，显著改善了边界精度和空间连贯性，为临床诊疗提供了更可靠的肿瘤定位工具。

　　

准确实现磁共振成像（Magnetic Resonance Imaging, MRI）中脑肿瘤的体素级定位一直是个难题，这主要是由于肿瘤尺寸、形态以及成像条件存在巨大差异，而该问题直接影响临床诊断和治疗方案制定。

为此，研究人员开发了一种名为DMCIE（Diffusion Model with Concatenation of Inputs and Errors）的新技术，旨在提升多模态MRI扫描中的二元脑肿瘤分割效果。该方法采用了一个两阶段流程：首先，一个三维U-Net（3D U-Net）会根据多模态MRI输入——包括T1加权像（T1）、对比增强T1加权像（T1ce）、T2加权像（T2）以及液体衰减反转恢复序列（FLAIR）——预测出初始的肿瘤掩膜（tumor mask）。随后，系统会生成一个误差图（error map），用以凸显初始分割结果与真实标注（ground truth）之间的差异。

接下来，这个误差图会与原始的MRI输入数据串联在一起，共同送入一个扩散模型（diffusion model）中进行精细化处理。该扩散模型通过迭代去噪的过程，逐步修正那些被错误分类的区域以及模糊的肿瘤边界。

在BraTS2020数据集上进行评估后，结果显示，与初始的U-Net分割结果相比，DMCIE方法将分割性能的戴斯系数（Dice）提升了5.18%，并将豪斯多夫距离95%（HD₉₅）降低了2.07毫米。该方法在不同形状的肿瘤分割上均表现出改善，特别是在边界精度方面有显著提升，并且即使在肿瘤形态不连续、呈碎片化的案例中，也能保持良好的空间连贯性（spatial coherence）。

总而言之，DMCIE引入了一种有效的、由误差引导的校正机制。它通过在扩散过程中对分割误差进行建模和修正，最终能够获得解剖学上更精确、定位更准确的脑肿瘤分割结果。