基于低秩模态特异性提示与协同提示的多模态胶质瘤高效分割方法研究

针对多模态MRI成像中数据缺失导致的胶质瘤分割难题，研究人员创新性地提出融合低秩模态特异性提示（intra-modal）与协同提示（inter-modal）的学习框架。该研究通过BraTS 2018/2020数据集验证，显著提升T1/T2/T1ce/FLAIR缺失场景下的分割性能，为临床不完整影像分析提供轻量化解决方案。

　　

胶质瘤作为最具侵袭性的脑肿瘤之一，其精确分割对临床诊疗至关重要。尽管多模态MRI（如T1、T2、T1ce和FLAIR序列）能提供互补信息，但患者移动或设备故障常导致关键模态缺失，传统分割算法性能骤降。现有方法如mmFormer和M2FTrans虽尝试解决该问题，但存在模型臃肿、适配性差等缺陷。

研究人员提出革命性的提示学习框架，包含两大核心技术：低秩模态特异性提示（Low-Rank Modality-Specific Prompt）通过矩阵分解捕捉单模态关键特征，在数据缺失时提供补充信息；协同提示（Synergy Prompt）则建立跨模态通信桥梁，增强T1/T2/T1ce/FLAIR间的特征交互。在BraTS 2018/2020数据集测试中，该方法在Whole Tumor（WT）、Tumor Core（TC）等关键指标上显著超越现有技术，且仅需微调0.1%的参数量。

主要技术方法

1. 基于BraTS数据集的四模态MRI样本构建缺失模拟实验
2. 低秩提示模块采用奇异值分解（SVD）提取模态核心特征
3. 协同提示通过交叉注意力机制实现跨模态特征融合
4. 采用Dice系数和Hausdorff距离量化分割性能

研究结果
Multimodal Brain Tumor Segmentation
实验表明，在随机缺失1-3个模态时，该方法Dice系数平均提升12.7%，证明提示学习对模态缺失的强鲁棒性。

Preliminaries
数学建模显示低秩提示可将T1ce模态特征维度压缩至原1/8，仍保留90%以上分割相关特征。

Datasets and Evaluation Metrics
在BraTS 2020的369例测试中，WT区域分割达到89.2% Dice，较MAVP方法提升4.3个百分点。

结论与意义
该研究首次将提示学习引入医学图像分析，其轻量化特性特别适合急诊等资源受限场景。未来可扩展至PET/CT等多模态融合领域，为智能诊疗提供新范式。论文发表于《Expert Systems with Applications》，为临床不完整影像分析树立了新标杆。