基于解剖引导的模态无关神经影像异常分割框架：Region ModalMix增强多模态MRI肿瘤分割的泛化能力

本综述提出了一种创新的解剖引导、模态无关的神经影像异常分割框架，通过引入Region ModalMix（RMM）数据增强策略，有效解决了多模态MRI（磁共振成像）中序列缺失导致的模型泛化问题。该研究在BraTS 2020和MU-Glioma-Post数据集上验证了方法的优越性，在缺失模态情况下显著改善了Hausdorff距离（HD95）和Dice相似系数（DSC）指标，为临床不完全多模态数据的分析提供了重要技术突破。

　　

引言

多模态磁共振成像（MRI）通过T1加权、T2加权、T1对比增强（T1ce）和FLAIR等序列提供互补的脑解剖和病理信息。然而，临床和科研环境中常因时间、成本或患者耐受性等因素导致序列缺失，限制了诊断价值和机器学习模型的鲁棒性。传统方法通常在完整数据集上训练，仅在评估时模拟缺失情况，或通过生成模型合成缺失序列，但这些方法存在对完整数据的依赖和临床变异性捕捉不足的问题。

研究方法

研究提出Region ModalMix（RMM）增强策略，利用SynthSeg+生成的脑分区图谱（99个解剖区域）作为先验知识，在训练过程中进行跨模态的区域级混合。具体而言，对同一受试者的不同模态MRI，在预定义解剖区域内随机替换模态信息，生成解剖结构一致的增强样本（图1）。该方法通过单一样本内的模态混合，避免了跨样本拼接导致的解剖不连贯问题（图2）。

算法实现如Algorithm 1所示，核心步骤包括：基于分区掩码识别特定区域体素；从随机模态中提取对应区域信息；替换原始模态中的区域数据。增强后的数据与原始数据拼接后输入编码器-解码器架构，采用包含Dice损失和加权交叉熵损失的多任务学习目标。

实验设计

采用BraTS 2020数据集（n=369）和术后胶质瘤数据集MU-Glioma-Post（n=593）进行验证。预处理包括颅骨剥离、空间标准化和强度归一化。评估指标采用95% Hausdorff距离（HD95）和Dice相似系数（DSC），重点关注全肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）区域，同时首次系统评估了坏死/非增强肿瘤（NCR/NET）和水肿（ED）区域。

与RFNet、mmFormer、M²FTrans和IMS²Trans等先进方法对比显示，RMM在所有模态缺失情况下均能提升性能。特别是在最严重的三模态缺失场景下，M²FTrans结合RMM使HD95平均降低9.68mm，DSC提高1.36个百分点。

结果分析

在BraTS 2020上，RMM显著改善所有肿瘤亚区的分割精度（表2-3）。例如M²FTrans结合RMM在完整模态下使ET区域的HD95降低20.23mm，DSC提高8.88%。值得注意的是，该方法对最难分割的NCR/NET区域也实现了9.71mm的HD95改善（表2）。可视化结果（图3）显示RMM预测的肿瘤边界更接近真实标注，特别是在增强肿瘤区域。

跨数据集测试中，MU-Glioma-Post数据集的性能提升更为显著（表4-5）。尽管该数据集包含术后解剖结构改变和肿瘤亚区缺失（仅53.1%样本存在ET区域），RMM仍使M²FTrans在完整模态下的WT-DSC提升44.75%，TC-HD95降低78.45mm。这表明RMM对分布偏移和术后解剖变异具有强鲁棒性。

讨论与结论

RMM的创新性在于将解剖先验与数据增强相结合，通过区域级的模态混合促进模型学习模态不变特征。相比基于立方体裁剪的3D MM-CutMix方法，RMM产生的增强样本保持解剖合理性，特别有利于小结构（如ET和NCR/NET）的分割精度提升。

该方法存在以下局限：依赖于预计算的分区图谱精度；未探索扩散加权成像等更多模态；增强策略未根据病理特征自适应调整。未来工作可探索动态分区策略和更多模态的扩展应用。

该研究提出的解剖引导、模态无关框架为多模态神经影像分析提供了新思路，通过有效利用解剖约束下的数据增强，显著提升了模型在缺失数据场景下的泛化能力，对推动临床不完全多模态数据的智能化分析具有重要意义。