基于U-Net与预训练骨干网络的胶质瘤语义分割增强研究及其在MRI多模态成像中的应用

本研究针对胶质瘤异质区域（水肿、坏死、活性瘤）的精准分割难题，通过整合U-Net架构与预训练骨干网络（ResNet/Inception/VGG），系统评估了T1、T1Gd、T2-FLAIR等MRI权重图像的优化组合。结果表明，ResNet-U-Net在T1Gd图像上对坏死/活性瘤区域的分割IoU达0.83，T2-FLAIR图像对水肿分割效果最佳，为临床自动化诊断提供了高效工具。

　　

胶质瘤作为中枢神经系统最具侵袭性的肿瘤之一，其内部异质性给临床诊疗带来巨大挑战。肿瘤内部包含水肿区、坏死区和活性瘤区等不同生物学特性的区域，这些区域的精确划分对手术规划、疗效评估和预后判断至关重要。然而，传统依赖放射科医师手动分割的方法不仅耗时费力，还面临观察者间差异大的问题。尽管深度学习技术如U-Net已在医学图像分割领域取得进展，但胶质瘤区域边界的模糊性、肿瘤内部的高度异质性，以及多模态MRI图像信息利用不充分等问题，仍制约着分割精度的提升。

为解决这些难题，Amir Khorasani团队在《Scientific Reports》发表的研究中，创新性地将预训练骨干网络与U-Net架构相结合，系统探索了不同MRI权重图像对分割性能的影响。研究采用BraTS 2021挑战赛的多模态MRI数据集，包含经病理证实的胶质母细胞瘤（GBM/HGG）和低级别胶质瘤（LGG）病例，所有图像均由专家手动标注了背景、活性区、坏死/非增强核心区和瘤周水肿四个标签。

关键技术方法包括：1）构建标准U-Net（含19层卷积核和跳跃连接）与三种骨干U-Net（ResNet-50/Inception-V3/VGG-16作为编码器）；2）采用五折交叉验证评估模型在T₁、T₁Gd、T₂、T₂-FLAIR四种MRI权重图像上的表现；3）通过准确率（ACC）和交并比（IoU）量化分割性能，重点关注坏死区（N-IoU）、活性瘤（AT-IoU）和水肿（E-IoU）三个关键指标。

研究结果

骨干网络性能对比

所有骨干U-Net的均IoU显著高于标准U-Net（0.802-0.830 vs 0.724-0.782），其中ResNet-U-Net表现最优。值得注意的是，ResNet的残差连接有效缓解了梯度消失问题，其24.4M可训练参数虽增加计算成本，但带来更精确的边界识别能力。

MRI权重图像选择

T₁Gd图像在坏死和活性瘤分割中展现独特优势：其对比剂增强特性使ResNet-U-Net的AT-IoU达0.830，N-IoU达0.812（图7）。而T₂-FLAIR对水肿区域的高敏感性使E-IoU提升至0.795（图8），因该序列能清晰显示液体异常积聚。

区域特异性分析

坏死区域分割中，ResNet-U-Net+T₁Gd组合的N-IoU显著高于其他组合（P<0.05），得益于残差网络对坏死区"蛇形伪栅栏"特征的捕捉能力。水肿分割则显示Inception-U-Net的多尺度特征提取优势，其与ResNet-U-Net在T₂-FLAIR上的E-IoU差异不足1%（图9）。

结论与展望

该研究证实：1）预训练骨干网络能显著提升U-Net在胶质瘤分割中的性能，其中ResNet架构凭借残差学习和深度特征提取优势表现最佳；2）MRI权重选择存在区域依赖性，T₁Gd适合坏死/活性瘤分割，T₂-FLAIR则对水肿更敏感；3）提出的框架为临床提供自动化工具，可辅助医生快速定位肿瘤亚区。

未来工作可探索：1）融合DWI/SWI等新型MRI序列；2）优化骨干网络层结构；3）结合Transformer等新兴架构。这些发现不仅推动胶质瘤精准诊疗发展，也为其他器官肿瘤的多模态图像分割提供方法论参考。