BUFNet：一种基于边界感知和不确定性驱动的多模态融合网络，用于磁共振（MR）脑肿瘤分割

《Medical Image Analysis》：BUFNet: Boundary-aware and Uncertainty-driven Multi-modal Fusion Network for MR Brain Tumor Segmentation

针对脑肿瘤分割中边界模糊及预测不确定性不足的问题，提出 BufNet 模型，通过边界感知机制优化肿瘤亚区划分，结合多模态MRI数据融合和不确定性损失函数提升分割精度与可靠性，实验表明其在BraTS数据集上表现优于现有方法。

　　脑肿瘤分割在脑肿瘤的诊断和治疗规划中起着至关重要的作用。然而，由于不同肿瘤子区域之间复杂的边界，实现精确的分割是一项具有挑战性的任务。此外，许多现有的方法在进行分割时仅产生确定性的结果，而没有考虑预测中的不确定性，这限制了其在临床应用中的可靠性和可解释性。为了应对这些挑战，本文提出了一种新的多模态融合网络，称为边界感知与不确定性驱动的多模态融合网络（BUFNet）。该网络结合了边界感知机制和不确定性量化方法，以提高分割精度并增强临床决策的支持。

脑肿瘤是威胁公众健康的重要疾病之一，其发病率和死亡率均较高。根据世界卫生组织（WHO）的统计数据，脑肿瘤约占所有癌症的2%，但在40岁以下人群中却导致了约20%的癌症相关死亡（Butowski, 2015；Siegel et al., 2025）。美国脑肿瘤协会估计，目前美国有近一百万人患有脑肿瘤，每年新增的原发性脑肿瘤病例大约有9万例。其中，胶质瘤，尤其是胶质母细胞瘤，是进展最迅速的脑肿瘤类型。胶质母细胞瘤的五年相对生存率仅为6.9%，中位生存时间仅有8个月（Porter et al., 2010；Adalberto Filho et al., 2025）。因此，早期和准确的诊断对于制定有效的治疗方案和改善患者预后至关重要。

磁共振成像（MRI）已经成为诊断和监测脑肿瘤的重要工具。不同的MRI序列能够提供独特且互补的信息，以帮助更好地描述肿瘤的特征。例如，T1加权（T1）和对比增强T1加权（T1c）序列在描绘肿瘤核心方面特别有效，而T2加权（T2）和液体衰减反转恢复（FLAIR）序列则擅长突出水肿区域，如图1所示。将这些多样的模态信息整合起来对于实现对肿瘤的全面评估至关重要（Wang and Chung, 2022；Li et al., 2023；Zhou et al., 2022b）。然而，这种整合也带来了分割任务中的显著挑战，因为模态不一致性、图像质量变化以及数据缺失的可能性等因素的存在（Zhou, 2023；Zhou et al., 2022a）。

尽管MRI技术和分割算法取得了显著进步，现有的方法仍然面临一些挑战，尤其是在处理多类别脑肿瘤时。脑肿瘤通常表现出多样的特征，在BraTS数据集中（Menze et al., 2014；Bakas et al., 2018），这些肿瘤被划分为四个区域：水肿、增强肿瘤、坏死组织和非增强区域。这些类别之间的强度和纹理相似性可能导致分割错误，进而对临床产生严重后果，如肿瘤范围界定不完整或治疗方案制定不准确。因此，准确区分这些相邻区域对于提高分割精度和最终改善患者预后至关重要。

除了这些挑战，分割结果中的不确定性也对现有算法在临床中的应用构成了重要障碍。现有的神经网络方法通常只产生单一的确定性预测，而没有考虑到成像数据中固有的变化性（Isensee et al., 2021；Wenxuan et al., 2021；Jiang et al., 2022）。缺乏对这种不确定性的量化，使得临床医生无法准确评估分割结果的可信度，这可能会导致患者护理中的决策失误。

为了解决这些局限性，本文提出了一种新的多模态MRI脑肿瘤分割网络，该网络将边界感知机制与不确定性量化方法相结合。我们的方法利用多种MRI序列提供的互补信息，以提高肿瘤边界的界定能力，同时为分割结果提供可靠性指标。本文的主要贡献包括以下几点：

首先，我们提出了一种包含不确定性量化机制的新型不确定性驱动的损失函数，以提供每个分割结果的可信度指标。在损失函数中引入不确定性，有助于减少其影响，从而提升分割效果。

其次，我们提出了一种边界感知机制，以增强网络各层中肿瘤边界的特征提取能力，有效应对多类别肿瘤和边界模糊带来的挑战。

第三，我们提出了一种有效的多模态融合方法，以充分利用多种MRI序列之间的互补信息，显著提高分割的准确性。

第四，我们在公开可用的数据集上进行了实验，结果表明所提出的方法在性能上优于当前最先进的方法。

本文的其余部分组织如下：第二部分详细回顾了相关的工作，包括当前的脑肿瘤分割技术和不确定性量化方法。第三部分介绍了所提出的多模态MRI分割网络，解释了边界感知机制、多模态融合方法和不确定性驱动的损失函数的整合方式。第四部分描述了实验设置，包括数据集、实现细节和评估指标。第五部分展示了并分析了所提出方法的实验结果。第六部分讨论了所提出组件的设计、局限性和未来研究方向。第七部分总结了本文的工作。

脑肿瘤分割在医学图像分析中占据着核心地位。准确的肿瘤分割可以显著辅助诊断、治疗规划和预后评估。通常，放射科医生手动进行肿瘤分割，但这种方法不仅耗时，而且主观性强，容易受到不同观察者之间的差异影响，这凸显了开发可靠自动化解决方案的必要性。早期的脑肿瘤分割方法主要依赖于传统的图像处理技术，如阈值分割和边缘检测等。这些方法在面对复杂边界和多种肿瘤子区域时，往往难以取得理想的分割效果。

随着深度学习技术的发展，许多先进的方法被引入到脑肿瘤分割领域。这些方法通常利用卷积神经网络（CNN）进行特征提取和分割任务。然而，尽管这些方法在分割精度上有所提升，仍然存在一些问题，如对多模态MRI数据的处理能力不足，以及对分割结果的不确定性量化不够。这些问题限制了这些方法在临床中的应用价值。因此，如何有效整合多模态MRI数据，并在分割过程中引入不确定性量化机制，成为当前研究的重要方向。

本文提出的BUFNet网络旨在解决这些关键问题。该网络通过引入边界感知机制和不确定性量化方法，提高了对复杂肿瘤子区域的分割能力，并为分割结果提供了有价值的不确定性图。边界感知机制能够更精确地提取肿瘤边界信息，从而提高分割的准确性。同时，不确定性量化方法可以为分割结果提供可信度指标，帮助医生更好地理解分割结果的可靠性。

多模态MRI数据的整合是提高分割精度的关键。不同MRI序列提供了不同的信息，例如T1和T1c序列在描绘肿瘤核心方面表现突出，而T2和FLAIR序列则在突出水肿区域方面具有优势。这些信息的互补性使得多模态融合成为一种有效的方法。然而，如何在保持各模态信息优势的同时，有效整合这些信息，仍然是一个挑战。

在本文中，我们提出了一种新型的多模态融合方法，该方法能够有效整合多种MRI序列之间的互补信息，从而显著提高分割的准确性。该方法在结构上进行了优化，使得不同模态的信息能够在网络中得到更好的融合。通过这种方式，我们能够更全面地描述肿瘤的特征，提高分割的可靠性。

此外，我们还引入了一种不确定性驱动的损失函数，该函数能够为分割结果提供更准确的可信度评估。通过在损失函数中考虑不确定性，我们能够更有效地减少分割中的误差，提高分割的准确性。这一方法在实验中得到了验证，表明其在性能上优于现有的方法。

在实验部分，我们使用了BraTS 2018、2019和2020数据集（Menze et al., 2014；Bakas et al., 2017；Bakas et al., 2018），这些数据集是脑肿瘤分割领域的标准基准。这些数据集包含了来自胶质瘤患者的285、335和369个训练MRI扫描，分别对应不同的年份。每个数据集都提供了多模态MRI扫描，包括T1、T1c、T2和FLAIR模态，并提供了三种肿瘤区域的地面真实分割：整个肿瘤、肿瘤核心和增强肿瘤区域。

为了验证所提出方法的有效性，我们进行了消融实验，以评估每个组件对整体分割性能的贡献。具体来说，我们评估了边界感知机制（BAM）、多模态融合（MMF）和不确定性量化（UQ）对分割效果的影响。实验结果如表1、表2和表3所示。从基线模型开始，该模型实现了平均DSC（Dice相似系数）为83.2%和平均HD（Hausdorff距离）为5.1毫米的分割效果。然后，我们逐步添加每个提出的组件，观察其对整体性能的影响。

通过这些实验，我们发现边界感知机制能够显著提高肿瘤边界的界定能力，而多模态融合方法则能够有效整合不同模态的信息，提高分割的准确性。不确定性量化方法则为分割结果提供了可靠性指标，使得医生能够更好地理解分割结果的可信度。这些结果表明，所提出的方法在性能上优于现有的方法，并且在处理多模态MRI数据和不确定性量化方面具有显著优势。

在讨论部分，我们分析了所提出组件的不同配置，包括不确定性驱动的损失函数、多模态融合方法以及不同模态组合的影响。这些配置在提高整体分割性能方面起到了关键作用，并为各个组件的独立和联合贡献提供了深入的见解。

通过本文的研究，我们希望为脑肿瘤分割领域提供一种新的方法，以提高分割的准确性并增强其在临床中的应用价值。边界感知机制和不确定性量化方法的结合，使得该方法在处理复杂肿瘤子区域和不确定性方面具有显著优势。同时，该方法在多模态MRI数据的整合方面也表现出良好的性能，为医生提供了更可靠和可解释的分割结果。

在实际应用中，准确的肿瘤分割对于制定合理的治疗方案至关重要。通过提高分割的准确性，医生能够更精确地确定肿瘤的范围，从而为患者提供更有效的治疗。此外，不确定性量化方法能够为医生提供分割结果的可靠性指标，帮助他们在临床决策中更好地权衡风险和收益。

本文的研究不仅对脑肿瘤分割领域具有重要的理论价值，也为临床实践提供了实用的解决方案。通过引入边界感知机制和不确定性量化方法，我们能够更全面地描述肿瘤的特征，提高分割的准确性，并增强其在临床中的应用价值。这些方法的结合，使得脑肿瘤分割不仅在技术上更加先进，而且在临床应用中更加可靠和可解释。

在未来的研发中，我们希望进一步优化所提出的方法，以提高其在不同数据集和不同临床场景下的适应能力。此外，我们还希望探索更多的不确定性量化方法，以提高分割结果的可靠性。通过这些努力，我们希望能够为脑肿瘤分割领域提供更加全面和先进的解决方案，为患者的治疗和预后提供更好的支持。

本文的研究结果表明，所提出的方法在性能上优于现有的方法，并且在处理多模态MRI数据和不确定性量化方面具有显著优势。这些结果为未来的研究提供了方向，并为临床实践提供了新的工具。通过这些方法，我们希望能够为脑肿瘤分割领域的发展做出贡献，提高分割的准确性，并增强其在临床中的应用价值。