编辑推荐：
目前主流脑瘤分割方法需颅骨剥离，存在耗时且易误删肿瘤病变的问题。研究人员提出 MPGNet 模型，直接用多模态影像原始数据进行分割。实验表明其能有效保留肿瘤完整性，Dice 相似系数提升 4.27% ，在处理颅骨干扰方面性能优越。
在医学影像技术飞速发展的当下，脑瘤的精准诊断与治疗成为关键议题。脑瘤分割，即基于 T1 加权成像（T1）、T1 加权增强成像（T1CE）、T2 加权成像（T2）和液体衰减反转恢复（FLAIR）等多种模态影像，精准划分肿瘤的坏死、增强和水肿区域，在临床决策、疾病监测、手术规划和预后预测等方面起着不可或缺的作用。
然而，目前主流的自动脑瘤分割方法存在明显弊端。这些方法通常需要对 MRI 影像进行颅骨剥离等预处理步骤，就像在经典的 BRATS 数据集中一样。颅骨剥离不仅耗时，在紧急情况下可能延误诊断和治疗；而且还容易出错，可能会误删靠近颅骨的肿瘤病变，影响分割精度。打个比方，这就像是在修剪枝叶时，不小心把花朵也剪掉了。研究对比颅骨剥离后的 BRATS 数据和原始的 TCGA 数据发现，这种误删现象确实存在，严重降低了脑瘤分割的准确性。
为了解决这些问题，来自未知研究机构的研究人员开展了一项极具意义的研究。他们提出了一种名为医学先验引导特征学习网络（MPGNet）的全新模型，直接利用多模态影像原始数据进行脑瘤分割，巧妙避开了颅骨剥离带来的种种问题。这项研究成果发表在《Biomedical Signal Processing and Control》上，为脑瘤的诊断和治疗开辟了新的道路。
研究人员在开展研究时，主要运用了以下关键技术方法：首先，选用 KMaX - DeepLab 作为基础框架，它融合了 Transformer 和 k - 均值概念，能够在复杂场景中有效分割物体。在此基础上，引入两个关键创新：一是相关图聚合（RGA）模块，用于减轻颅骨等正常脑组织的干扰并减少误判；二是先验密度损失（PDL）函数，基于多模态影像中脑瘤的密度特征，增强分割结果的一致性和可靠性。此外，研究人员收集了包含 262 例医院原始数据样本和 138 例 TCGA 样本的数据集，以全面评估模型性能。
实验过程与结果
- 数据集与预处理：研究使用的数据集包含了带有颅骨信息的脑瘤数据，这些数据来源广泛，包括医院原始数据和 TCGA 数据。在预处理阶段，研究人员对数据进行了必要的整理和准备，确保数据质量和一致性，为后续实验奠定基础。
- 评估指标与实验参数：在脑瘤分割任务中，研究人员设定了一系列评估指标和实验参数，以准确衡量模型性能。这些指标和参数涵盖了多个方面，从不同角度评估 MPGNet 在脑瘤分割中的表现。
- 对比评估：通过与其他需要颅骨剥离的先进脑瘤分割方法对比，MPGNet 展现出卓越的性能。在保留肿瘤完整性方面，MPGNet 优势明显，其 Dice 相似系数比其他方法提高了 4.27%。当所有模型都使用原始数据进行训练和测试时，MPGNet 的 Dice 系数比现有最佳模型还要高出 1.05%，充分证明了它在处理颅骨干扰方面的强大能力。
研究结论与讨论
MPGNet 成功解决了传统颅骨剥离算法导致的目标病变误删问题，直接对多模态影像原始数据进行整体病变分割，极大地提高了分割精度。通过设计 RGA 模块和 PDL 函数，分别增强了特征表示和约束了类内变化，使得模型在复杂的脑瘤影像中能够更精准地识别肿瘤区域。此外，研究人员收集的多样化数据集，也进一步验证了 MPGNet 在实际应用中的有效性和鲁棒性。
这项研究成果意义重大。在临床应用中，MPGNet 能够为医生提供更精确的脑瘤定位和分割结果，帮助优化手术路径、精确界定切除区域、合理调整放疗剂量分布，从而降低手术风险和放疗副作用，减少对正常组织的损伤，降低并发症风险，延长患者生存期。从医学发展的角度来看，MPGNet 为脑瘤的诊断和治疗提供了新的技术手段，推动了医学影像技术在脑瘤领域的发展，有望成为未来脑瘤分割的重要方法，为更多患者带来希望。
