《Information Fusion》：Quality-Aware Expert Fusion with Uncertainty-Guided Review for Glioma Segmentation
编辑推荐：
•在合成MRI损坏条件下评估质量条件化的专家融合。•隔离池化消融实验量化了严重噪声性能的贡献。•案例级不确定性使用AUROC和平均精度对分割失败进行排序。引言多参数MRI的胶质瘤分割是神经肿瘤影像学中的核心任务，最近的综述强调了其在更广泛的脑肿瘤分析流程中的作用[1]。准确描绘强
- •
在合成MRI损坏条件下评估质量条件化的专家融合。
- •
隔离池化消融实验量化了严重噪声性能的贡献。
- •
案例级不确定性使用AUROC和平均精度对分割失败进行排序。
引言
多参数MRI的胶质瘤分割是神经肿瘤影像学中的核心任务，最近的综述强调了其在更广泛的脑肿瘤分析流程中的作用[1]。准确描绘强化肿瘤（ET）、肿瘤核心（TC）和全肿瘤（WT）支持手术规划、放射治疗靶区定义、疗效评估和纵向监测。手动描绘仍然耗时，且在不同读片者之间可能存在差异，尤其是在浸润边缘和小的强化成分周围，而相关的胶质瘤AI研究也利用影像来表征分子改变、分级和预后[2]。合成MRI生成和通用医学分割基础模型进一步扩展了用于肿瘤分割研究的数据和模型资源[3]，[4]。自动分割可以减轻这一工作量并提高一致性，但可靠的使用不仅仅依赖于整理数据上的平均Dice分数。在干净基准测试中表现良好的分割系统在应用于受运动、噪声、低空间分辨率、扫描仪变化、序列缺失或治疗相关变化影响的扫描时仍可能不安全，这一担忧得到了医学影像AI在现实世界泛化下可能失败以及近期生成性临床影像模型研究的支持[5]，[6]。基准性能与临床可靠性之间的差距在胶质瘤治疗中尤为重要，因为分割错误可能改变肿瘤负荷的估计，并影响关于切除范围、治疗靶点和随访影像的后续决策，尽管放射学基础模型和3D疾病检测系统继续拓宽医学影像AI的范围[7]，[8]。
临床MRI很少是在理想条件下获得的均匀四序列输入。运动、扫描仪和协议变化、强度不均匀性、有限的空间分辨率和序列缺失都可能改变胶质瘤及其边界的表现。因此，用于支持图像分析的模型应评估其在退化输入下的分割准确性、跨队列的稳定性，以及识别需要人工审查病例的能力（图1）。这些考虑促使了质量条件化特征处理和不确定性引导审查。在本研究中，不确定性是根据现有参考掩膜的分割错误进行评估的；它并不用作标注者之间分歧的度量。
在这里，我们提出了知识共享专家混合U-Net（KSMoE-UNet），它结合了用于分割和后续审查的互补融合操作。多模态MRI特征提供了共享表示；学习到的质量条件化权重选择专家变换，而TriPool-MSA结合了池化统计和空间上下文。训练时的知识共享正则化所选专家，单独的未确定性分数支持分割后的审查。其贡献在于这种任务特定的集成及其在损坏和缺失输入下的评估。稀疏路由、超网络、注意力和不确定性估计是已有的成分；我们并不声称每个成分都是独立新颖的。
我们评估了分割准确性、合成损坏鲁棒性、缺失模态性能和回顾性选择性审查。BraTS 2019提供了268个开发病例和67个独立测试病例，五倍模型选择限制在开发集内。BraTS 2020和BraTS-Africa提供了BraTS生态系统中额外的跨队列比较。它们共同的整理和预处理限制了向未整理的临床MRI的外推。
章节片段
相关工作
大多数当前分割模型针对固定输入假设进行了优化。编码器-解码器网络如U-Net及其3D变体提供强大的局部表示学习，而Transformer和SAM改编模型改善了全局上下文建模和3D分割灵活性[9]，[10]，[11]。然而，当输入质量在不同病例间大幅变化时，单一处理路径可能无法很好地适应。最近的脑肿瘤分割方法探索了因果干预、测地
KSMoE-UNet的总体架构
KSMoE-UNet是一个三维编码器-解码器框架，旨在在异质图像质量和不完整的多参数MRI下执行胶质瘤分割。该框架集成了三个互补的信息处理层级。首先，编码器从可用的MRI序列中提取分层表示。其次，一个质量条件化的稀疏专家混合模块在瓶颈层进行自适应特征融合。第三，三池化多尺度注意力
数据集和评估设计
我们使用来自脑肿瘤分割挑战赛生态系统的标注数据集评估了KSMoE-UNet，包括BraTS 2019和BraTS 2020[16]，[17]，[18]，以及BraTS-Africa[19]，[20]，[21]。BraTS 2019用于模型开发和内部评估。BraTS 2020和BraTS-Africa用于跨队列评估。所有三个队列都遵循相关的BraTS整理和预处理惯例。它们的比较是该生态系统内的跨队列评估，并不
结论
KSMoE-UNet结合了质量条件化的专家融合、跳跃连接TriPool-MSA和案例级不确定性评分，用于在不完美的MRI输入下进行胶质瘤分割。干净WT性能在点估计上与nnU-Net相当，而在评估的损坏和缺失模态条件下观察到更大的差异。AUROC和平均精度支持不确定性评分对分割失败进行排序的能力；补充的操作点描述了
代码和模型可用性
源代码、训练好的模型权重、实验配置文件、患者级训练、验证和测试分割清单，以及去标识化的病例级评估输出将在稿件接受后公开。评估输出将包括不确定性分数和预测掩膜，在源数据集的数据使用协议允许的范围内。原始MRI数据的访问仍由数据集提供者管理。
资助
本工作得到了国家自然科学基金（青年项目，批准号82503929）、山东省自然科学基金（青年项目，批准号ZR2025QC892）、泰山学者计划（批准号tsqn202408393）和青岛市自然科学基金（批准号25-1-1-140-zyyd-jch）的资助，授予J.C。
CRediT作者贡献声明
Mingchen Xie：写作 – 初稿，软件，方法论，概念化。 Xueyan Li：方法论，调查，数据管理。 Hao Han：验证，正式分析。 Xun Xie：可视化，调查。 Wenyue Zhang：资源，数据管理。 Jian Xu：写作 – 审阅与编辑，监督。 Jianhua Cheng：写作 – 审阅与编辑，监督，项目管理，资金获取，概念化。
利益冲突声明
作者声明，他们没有已知的竞争经济利益或个人关系，可能影响本论文中报告的工作。
Mingchen Xie|Xueyan Li|Hao Han|Xun Xie|Wenyue Zhang|Jian Xu|Jianhua Cheng
