基于深度学习多模态磁共振成像的弥漫性中线胶质瘤自动分割技术研究

为解决弥漫性中线胶质瘤（DMG）H3 K27M–altered这一罕见儿童脑干肿瘤的精准分割难题，研究人员开发了一种改进的3D U-Net卷积神经网络工具，通过整合T1W、T2W/FLAIR多模态磁共振图像（MR），实现了平均Dice相似系数（DSC）0.883的高精度分割，为提升该疾病的诊断和预测模型奠定技术基础。

　　

弥漫性中线胶质瘤（Diffuse Midline Glioma, DMG）H3 K27M–altered是一种预后极差的儿童脑干罕见肿瘤。为构建更精准的预测模型，研究者突破性地将改进版3D U-Net架构应用于多模态磁共振图像（MR）分割，该网络创新性引入残差块（residual blocks）结构。实验采用52例患者共70组包含T1加权（T1W）、T2加权（T2W）及液体衰减反转恢复（FLAIR）序列的影像数据，通过去噪、偏置场校正、空间重采样等预处理后，采用图像分块（patching）技术扩增数据集。结果显示，融合T1W与T2W/FLAIR的多模态数据集表现最优，测试集平均Dice相似系数（DSC）达0.883，媲美现有脑瘤分割模型且仅需更少序列。这项技术突破为儿童脑干肿瘤的精准诊疗提供了智能化解决方案。