基于Gabor增强与双注意力机制的3D MRI脑肿瘤分割深度学习方法及其在精准诊疗中的应用价值

本文提出一种融合Gabor纹理特征与双注意力机制（SE/AG）的改进U-Net模型，通过可训练Gabor卷积层强化肿瘤边界纹理感知，结合通道/空间双注意力动态优化特征响应，采用加权损失函数缓解类别不平衡，在BraTS2021数据集上达到91.62%的Whole Tumor Dice系数，为临床提供高精度可解释的脑胶质瘤分割方案。

　　

Highlight

本研究创新性地将纹理分析模块与双注意力机制深度融合，显著提升脑肿瘤亚区分割的精度与鲁棒性。

Related works

近年来基于深度学习（DL）的脑肿瘤分割方法快速发展，U-Net及其变体因其能融合局部与全局上下文信息成为主流架构。注意力机制的引入进一步提升了模型对关键区域的聚焦能力，而多模态数据融合与三维卷积处理则强化了对 volumetric 数据的表征能力。纹理特征分析（如Gabor滤波器）与深度特征的结合成为解决肿瘤异质性挑战的新方向。

Overview

我们提出一种面向3D脑肿瘤分割的纹理感知深度学习框架，通过将Gabor滤波、深度特征、SE模块和注意力门（AG）集成于2D U-Net架构。多模态MRI（FLAIR/T1ce/T2/T1）经预处理后沿轴向、矢状面和冠状面切片，分别输入网络进行独立预测，最终通过体素级平均融合生成3D肿瘤掩模。该方法通过并行融合纹理与空间特征，有效增强对肿瘤边界和异质区域的判别能力。

Datasets description

本研究采用BraTS2021数据集进行训练与评估，该公开数据集包含1251例多模态脑部MRI影像，每个样本包含4种序列（T1/T1ce/T2/FLAIR），体积尺寸为240×240×155体素。标注包含4类区域：增强肿瘤（ET）、瘤周水肿（ED）、坏死/非增强核心（NCR/NET）及健康组织。

Ablation study

通过消融实验验证各模块贡献：基础U-Net的Dice系数为87.25%，单独添加Gabor层提升至88.91%，加入SE注意力后达89.47%，完整模型（含AG）最终提升至91.62%。结果表明各模块均能显著提升分割性能，且组合使用具有协同增强效应。

Conclusion

本研究提出的纹理敏感深度学习框架通过Gabor卷积层与双注意力机制的有效整合，显著提升脑肿瘤MRI分割的精度与鲁棒性，为临床诊断提供可解释、高精度的自动化解决方案。