《Biomedical Signal Processing and Control》：Automatic glioblastoma subregion segmentation in mpMRI using a residual 3D U-Net with clinically guided multi-sequence attention
编辑推荐：
摘要从多参数磁共振成像（mpMRI）中对多形性胶质母细胞瘤（GBM）进行分割仍然是一项极具挑战性的任务，其原因在于肿瘤的异质性、弥散边界以及MRI模态之间的互补特性。本文提出了一种增强的残差3D U-Net，用于基于BraTS2021数据集的GBM亚区域自动分割。所提出的框架
摘要
从多参数磁共振成像（mpMRI）中对多形性胶质母细胞瘤（GBM）进行分割仍然是一项极具挑战性的任务，其原因在于肿瘤的异质性、弥散边界以及MRI模态之间的互补特性。本文提出了一种增强的残差3D U-Net，用于基于BraTS2021数据集的GBM亚区域自动分割。所提出的框架整合了临床引导的多序列注意力机制，在特征融合之前独立处理FLAIR、T1、T1ce和T2模态，从而更好地保留模态特定信息并更有效地表征异质性肿瘤模式。实施了包括各向同性插值、Z分数归一化和重叠体积补丁提取在内的标准化预处理流程，以确保稳健的多模态学习。所选择的模型在完整的留出测试集上达到了0.9012的最终训练DSC，并在不使用几何数据增强的情况下实现了0.9219的整瘤DSC，同时在水肿和增强肿瘤的轮廓描绘方面保持了强劲的表现。定量和定性分析表明，在未见过患者的预测掩膜与参考掩膜之间具有一致的空间一致性，尽管坏死区域由于形态异质性和对比分离度降低而仍然是最具挑战性的亚区域。结果表明，将残差学习与临床引导的模态特定注意力相结合，为胶质母细胞瘤分割提供了一个可解释的框架，并具有用于下游放射基因组学和影像分析工作流程的潜力，但在确立更广泛的临床应用之前仍需要进行外部验证。
引言
从多参数磁共振成像（mpMRI）中自动分割脑肿瘤已成为多形性胶质母细胞瘤（GBM）研究中的核心任务，GBM是成人中最具侵袭性和致死性的原发脑肿瘤[1]。精确地勾画GBM的亚区域，包括瘤周水肿、坏死核心和增强肿瘤，在临床上具有重要意义，因为这些区域反映了不同的病理过程，并为诊断、治疗计划、纵向监测以及下游放射组学或放射基因组学分析提供了有价值的信息[2]、[3]。然而，手动分割仍然耗时费力，且高度依赖专家解读，这引入了观察者间和观察者内变异性，并限制了临床和研究环境中的可重复性[4]、[5]。
在过去十年中，基于深度学习的方法在胶质瘤分割方面始终优于传统的图像分析策略，实现了较高的重叠评分并提高了体积MRI分析中的鲁棒性[1]、[4]。在这些方法中，源自U-Net和V-Net的编码器-解码器架构已成为主流，因为它们能够在密集预测任务中有效地捕获上下文信息同时保留解剖细节[5]、[6]。近期研究通过对抗学习[7]、非局部和卷积注意力机制[8]、多模态融合策略[9]以及旨在增强跨异质数据源泛化能力的联邦或多编码器方案，进一步提升了分割性能。这些进展在很大程度上是由持续存在的挑战所驱动的，如类别不平衡、弥散肿瘤边界以及病灶大小、形状和外观方面患者间的大幅变异性[1]、[11]。
GBM分割的一个重要因素是mpMRI序列的互补特性。BraTS等公共基准计划已经确立了联合分析FLAIR、T1、T1ce和T2以标准化方式表征肿瘤异质性的重要性[12]、[13]。在临床上，FLAIR对于水肿尤为有信息量，T1提供结构背景，T1ce对于识别活跃的增强肿瘤至关重要，而T2提供额外的流体敏感性对比，有助于区分混合或模糊区域。尽管多模态MRI改善了肿瘤表征，但有效地整合模态特定信息仍然是一个主要挑战，尤其是在分割具有不同视觉特性和相对体积的亚区域时。较小且更异质的区域，如坏死核心，往往比较大或视觉更具特征性的区域（如整瘤或增强肿瘤）更难被一致地勾画。
在本工作中，我们提出了一种基于增强3D U-Net架构的GBM亚区域自动分割框架，适配于BraTS2021数据集[13]。该方法分为两个主要阶段：首先，实施包括体素强度归一化和三维补丁提取在内的标准化预处理流程；其次，改进的3D U-Net模型，该模型结合了残差块和多序列注意力机制，以增强从多模态MRI数据中的特征学习。与简单的早期融合方案不同，所提出的设计旨在在特征整合之前保留模态特定信息，从而改善对异质性肿瘤模式的表征。这种方法不仅旨在提高胶质母细胞瘤亚区域语义分割的精度，还旨在提供一个鲁棒的框架，以支持具有临床意义的下游分析[2]、[3]。
通过聚焦于来自mpMRI的可重复且具有解剖一致性的分割，本研究为可靠GBM评估的 computation 工具开发做出了贡献。本文其余部分组织如下：首先描述数据集和预处理程序；接下来介绍所提出的3D U-Net架构；然后报告定量和定性结果；最后讨论主要发现和未来研究方向。
章节摘要
数据集
磁共振成像（MRI）是一种非侵入性医学成像技术，利用磁场和射频信号生成内部解剖结构的详细表征，特别是大脑等软组织[14]、[15]。与其他成像模态（如计算机断层扫描）不同，MRI提供高软组织对比度，同时不使患者暴露于电离辐射，这使其成为神经系统诊断、表征和随访的必备工具
方法学
从多参数磁共振成像（mpMRI）中自动分割胶质母细胞瘤亚区域是准确肿瘤表征、治疗计划和后续放射基因组学分析的基本步骤。近年来，深度学习方法始终优于传统的分割方法，特别是源自U-Net和V-Net的方法，通过整合对抗学习[7]、非局部和卷积注意力机制[8]等创新
结果
所提出的分割框架的性能在BraTS2021数据集上通过定量和定性分析进行了评估。特别是，本节强调将戴斯相似性系数（DSC）作为评估预测分割掩膜与相应真实标注之间重叠程度的主要指标。以下结果描述了模型的训练行为、每个肿瘤亚区域获得的DSC，以及视觉一致性
讨论
本研究结果支持所提出的增强3D U-Net架构在多参数MRI中自动分割胶质母细胞瘤亚区域的有效性。通过将残差块与临床引导的多序列注意力机制相结合，在达到用于模型选择的最终训练DSC 0.9012后，该模型在完整的BraTS2021留出测试集上实现了0.9219的整瘤戴斯相似性系数（DSC），且未使用
结论与未来工作
总之，本研究结果表明，具有残差块和临床引导多序列注意力的增强3D U-Net架构在BraTS2021评估环境中为多参数MRI中的胶质母细胞瘤亚区域分割提供了一种具有竞争力且可解释的方法。所提出的模型在完整的5% BraTS2021留出测试集上实现了0.9219的整瘤戴斯分数，此前达到了用于模型选择的最终训练DSC 0.9012，
CRediT作者贡献声明
路易斯-丹尼尔·卡纳莱斯-科尔特斯：撰写——初稿，软件，调查，数据整理。何塞-德-赫苏斯·里科-希门尼斯：监督，概念化。何塞-乔埃尔·冈萨雷斯-巴尔博萨：撰写——初稿，监督，资源，项目管理，概念化。
伦理批准与参与同意
不适用，因为本研究使用了公开可用且完全匿名化的数据集。
利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
我们要感谢SIP-IPN以及科学、人文、技术与创新部（SECIHTI）通过国家研究人员体系（SNII）提供的支持。
路易斯-丹尼尔·卡纳莱斯-科尔特斯|何塞-德-赫苏斯·里科-希门尼斯|何塞-乔埃尔·冈萨雷斯-巴尔博萨
