无需训练的3D脑肿瘤分割方法：基于异常引导的体素评分与DBSCAN聚类技术

《Ain Shams Engineering Journal》：Training-free 3D brain tumor segmentation using anomaly-guided voxel scoring and DBSCAN clustering

　　哈米德雷扎·努什卡兰 | 拉赫曼·法尔努什 | 卡洛·阿布努西安
伊朗科学技术大学数学与计算机科学学院，纳尔马克，德黑兰 1684613114，伊朗

**摘要**
在3D MRI数据中准确分割脑肿瘤是医学图像分析中的一个持续挑战，尤其是在标记训练数据有限的情况下。我们提出了AVSD（异常引导的体素评分和DBSCAN聚类）方法，这是一种完全无监督、无需训练的3D脑肿瘤分割框架。该方法分为两个阶段：（1）通过强度标准化、高斯平滑和局部方差计算进行体素级异常评分，然后使用熵引导的自适应阈值识别肿瘤候选区域；（2）在结合了空间和强度特征的空间中进行DBSCAN聚类，以形成连贯的肿瘤簇，无需预先定义簇的数量。通过基于强度和大小的过滤进一步细化簇，最后进行最小程度的3D形态学后处理得到最终的分割结果。在BraTS2019和BraTS2020数据集上的评估显示了该方法的良好性能。AVSD在BraTS2019上的平均Dice得分为0.7921±0.0562，敏感性为0.8325±0.1248；在BraTS2020上的平均Dice得分为0.8181±0.0546，敏感性为0.8861±0.1012，超过了多个无监督基线方法。

**1. 引言**
脑肿瘤是最具挑战性和威胁生命的神经系统疾病之一，需要准确及时的检测以改善患者预后。大脑是一个高度复杂的器官，包含多种细胞类型，特别容易发生异常细胞增殖，从而导致肿瘤形成。这些肿瘤可能是良性的，生长缓慢且边界清晰；也可能是恶性的，表现出侵袭性行为并迅速进展[1]，[2]。如果未经治疗，恶性肿瘤（如胶质母细胞瘤）具有高度侵袭性，预后较差。脑肿瘤的临床表现取决于其大小、位置和级别，从头痛和癫痫发作到认知和运动障碍不等，因此早期诊断对于有效干预至关重要[3]，[4]。

医学成像在脑肿瘤的诊断和治疗计划中起着关键作用。在可用的成像技术中，磁共振成像（MRI）因其出色的软组织对比度和多序列成像能力而成为非侵入性观察脑结构和病理的金标准[5]。T1、T2和FLAIR等序列可以评估肿瘤的异质性和水肿，但同时也引入了噪声、强度不均匀性和运动伪影等挑战，这些因素可能使分割变得复杂[6]。传统上，肿瘤分割是由专家放射科医生手动完成的，这一过程劳动密集、耗时且容易受到观察者差异的影响[7]。这些限制加速了计算机辅助诊断（CAD）系统的发展，这些系统通过提供可复制、客观和快速的脑损伤分割来辅助临床医生。借助先进的图像处理和机器学习技术，CAD系统有潜力提高诊断准确性，减少人为错误，并支持神经肿瘤学中的精准医疗方法[8]。

在本文中，我们介绍了AVSD（异常引导的体素评分和DBSCAN聚类），这是一种新的、完全无监督且无需训练的3D MRI数据脑肿瘤分割框架。与传统聚类方法不同，AVSD利用了DBSCAN算法，该算法本质上不需要预先指定簇的数量，这是k-means和FCM等方法的常见限制。我们的方法分为两个协同阶段：（1）异常引导的体素评分，根据标准化强度、局部方差和熵自适应百分位数阈值为每个体素分配一个区分度分数；（2）空间-强度DBSCAN聚类，将异常体素分组为连贯的肿瘤区域。AVSD的一个关键创新在于它能够克服DBSCAN的主要缺点之一——高计算负担，通过熵引导的选择大大减少了候选集的数量，即使对于大型3D数据也是如此，从而实现了非常低的处理时间。该框架完全无需训练，消除了对昂贵数据注释、网络训练或深度学习方法（如CNN）中通常需要的超参数调整的需求。因此，AVSD具有高度的可解释性、轻量级特性，并且可以轻松适应其他医学成像模式或数据集，只需进行最小程度的调整。我们在具有挑战性的BraTS2019和BraTS2020基准测试中对其进行了广泛评估。我们的结果显示，在各种肿瘤级别上都具有稳定、竞争力强且可重复的性能，在关键分割指标（Dice、敏感性、特异性、ASSD、HD95）上取得了优异的成绩，同时保持了适合近实时临床应用的推理速度。这种结合了鲁棒性、效率和泛化能力的独特组合使AVSD成为基于训练的分割流程的有力替代方案，为数据有限的临床环境提供了实用的解决方案。

**本研究的目标**
本研究的主要目标是开发一个完全无监督且无需训练的脑肿瘤分割框架，该框架能够在无需注释数据、模型训练或专用硬件的情况下可靠地处理3D MRI数据。具体来说，本研究旨在：
1. 设计一种基于内在强度和局部统计变化的体素级异常评分策略，以突出肿瘤区域。
2. 引入一种自适应且数据驱动的阈值机制，能够自动适应每个MRI数据的统计特性，从而实现不同大小和形态的肿瘤的稳健分割。
3. 降低基于密度的聚类方法（如DBSCAN）的计算复杂性，使其能够在仅使用CPU的系统上快速且实际地部署。
4. 证明一种轻量级、可解释且无需训练的流程能够实现与更复杂的学习基方法相当的分割精度，特别是在资源有限的临床环境中。

**本研究的主要贡献和创新点**
1. 我们提出了一个完全无监督且无需训练的3D肿瘤分割框架，无需注释数据、模型训练或GPU资源。
2. 我们引入了一种基于熵自适应百分位数的机制，直接根据每个输入数据的统计特性选择异常体素，从而提高了跨不同肿瘤大小的泛化能力。
3. 我们设计了一种多因素体素评分方案，整合了标准化强度、局部方差和自适应阈值，以增强肿瘤与健康组织之间的区分度。
4. 我们通过大幅减少候选集来克服DBSCAN的传统计算瓶颈，即使在仅使用CPU的系统上也能实现快速处理。
5. 我们在BraTS2019/2020上展示了稳健且可重复的性能，同时保持了适合近实时临床应用的推理时间。
6. 我们提供了一个高度可解释的流程，其中中间步骤（评分、阈值处理、聚类）保持透明且易于临床调整。

**论文结构**
为了引导读者理解本文，其余部分组织如下：第2节回顾了该领域最相关的研究和最新进展。第3节详细描述了DBSCAN算法以及提出的AVSD框架。第4节报告了实验结果，包括定量评估和与最先进技术的比较。最后，第5节总结了主要发现并指出了未来工作的方向。

**2. 相关工作**
医学图像分割技术已经取得了显著进展，提供了多种策略来应对MRI扫描中脑肿瘤检测的复杂性。这些技术可以分为三类：传统方法、监督学习方法和无监督算法。每种类型都提供了独特的解决方案，以克服在不同医学成像场景中实现精确可靠分割结果的障碍。
传统分割方法通常依赖于基本的图像处理原理。例如，阈值处理是一种简单的技术，通过选择强度阈值将像素分为前景和背景。全局阈值处理在整个图像上应用统一值，Otsu算法[9]是一种广泛认可的优化此阈值的方法，适用于多级应用。将Otsu阈值处理与形态学滤波相结合已被证明对分离MRI数据中的肿瘤有效[10]。先前研究还探索了其他阈值处理策略[11]，[12]。最近的进展包括Nyo等人[13]对Otsu方法在MRI肿瘤分割中的分析，结合了灰度转换、大小调整和中值滤波来评估不同的类别阈值。Jardim等人[14]回顾了医学成像中的常见阈值处理技术，强调了它们的优势、局限性和潜在应用。另一种传统技术是区域生长，它根据像素相似性标准从种子点扩展区域[15]。这种方法确保区域是不相交的并具有明显的特征，但存在计算需求高、手动选择种子点和易受图像噪声影响的问题[16]。已经开发了改进版本来缓解这些问题[17]，[18]。Chen等人[19]提出了一个3D代理桥接区域生长框架，使用类似超像素的代理和轻量级深度模型来指导切片间的种子传播，提高了多器官分割的鲁棒性。Pascual González[20]引入了模糊信息种子区域生长（FISRG），将模糊逻辑嵌入生长和停止标准中，以适应性地勾画脑MRI中的中风病变。Biratu等人[21]提出了一种改进的区域生长方法，具有自动种子初始化和块级候选选择，专为脑肿瘤MRI分割设计，在基准数据集上取得了有竞争力的结果。传统分割方法的进步，包括阈值处理和区域生长，继续扩展了有效的图像分析工具。

**3. 相关技术**
监督分割算法通常包括训练和验证阶段。在训练期间，模型从注释数据集中学习；在验证阶段，它们对未见样本进行分类。常见的分类器包括K-最近邻（KNN）、支持向量机（SVM）和人工神经网络（ANN）[22]。KNN分为两个阶段：识别未标记样本的最近邻居并根据多数投票分配标签[23]，[24]。Steenwijk等人[25]使用带有组织类型先验的k-NN分类（kNN-TTP）进行白质病变分割，并通过添加空间先验和仔细的强度标准化提高了病变检测效果。Havaei等人[26]将交互式脑内分割视为k-NN（和其他分类器）问题，展示了一种快速的脑内kNN方法，所需内存少，并在交互式环境中实现了有竞争力的BRATS性能。Pattanaik等人[27]评估了多种ML范式用于脑MRI分类（包括微调的KNN），并在手工制作的特征上报告了KNN的有竞争力性能。Khan等人[28]使用最小二乘SVM（LS-SVM）结合多尺度形态学纹理特征进行脑肿瘤分类，在临床数据集上报告了高精度。Basthikodi等人[29]使用SVM结合HOG、LBP等特征提取方法进行多类脑肿瘤诊断，在公共MRI集合上展示了强大的多类性能。Zeng和Zhang[30]提出了SIBOW-SVM，这是一种结合了Bag-of-Features + SIFT + 加权SVM的流程，用于强大的脑MRI分类，在公共基准测试中提供了可复制的代码和有竞争力的结果。Khairandish等人[31]将CNN和SVM结合用于分类，并结合了基于阈值的肿瘤检测。随机森林（RF）构建了决策树集合，每棵树对类别进行投票，多数票决定结果[32]。RF具有高精度、抗噪声能力和低过拟合风险[33]。Anitha和Raja[34]使用RF分类器区分正常和异常的脑MRI模式。人工神经网络（ANN）通过互连节点模仿脑神经元[35]。Aggarwal等人[36]提出了一个深度神经网络，用于早期检测和分割MRI中的脑肿瘤，并在BraTS上展示了性能提升。卷积神经网络（CNN）在图像任务中表现出色，通过学习层次特征[37]，[38]。Hashmi等人[39]将基于MedNeXt的CNN集成到BraTS 2024（SSA和Pediatrics）中，通过仔细的预处理、集成和后处理报告了强大的Dice分数。Kundal等人[40]对多种基于CNN的肿瘤分割流程进行了全面基准测试，突出了基于ResNet的骨干和集成U-Net变体的相对优势。Díaz-Pernas等人[41]提出了一个多尺度CNN，并行处理三个空间尺度以联合分类和分割脑肿瘤，在多中心MRI切片数据集（脑膜瘤/胶质瘤/垂体瘤）上展示了高分类精度。Wozniak等人[42]引入了一种相关性学习机制（CLM）来优化CT脑扫描评估的CNN架构，提高了学习速度和效率。尽管CNN在肿瘤分类方面提供了出色的精度，但它们面临深度模型的高计算需求和小数据集的过拟合风险[22]。

**4. 无监督分割**
无监督分割在没有标记数据的情况下算法上对相似像素进行分组。这些方法有效地处理复杂问题，尽管在精度上可能不如监督方法[22]。聚类是一种领先的无监督技术，通过像素相似性对图像进行划分。K-Means初始化中心并基于距离迭代分配点[43]，[44]。Jaichandra等人[45]提出了一种结合K-Means聚类和形态学操作的框架，用于MRI扫描中的脑肿瘤诊断，使用中值滤波和颅骨去除预处理来改进肿瘤区域的分割。Dalal等人[46]提出了一种自适应移动的自组织映射结合模糊K-Means（AMSOM-FKM）用于脑肿瘤分割，在类似BraTS的图像上展示了稳健的定位。Islam等人[47]通过超像素和PCA增强了K-Means的肿瘤检测能力。尽管K-Means方法效率较高，但在多次迭代后仍可能无法始终获得最优结果[22]。Fuzzy C-Means（FCM）允许部分成员关系，通常在分割任务上优于K-Means，但对噪声较为敏感[44]、[48]。Chahal等人[49]提出了混合加权模糊K-Means（WFKM）算法，用于有意义的聚类提取，解决了空间上下文和迭代问题。Jafrasteh等人[50]引入了一种增强的空间模糊C-Means（esFCM）算法，用于T1加权MRI图像的全脑组织分割，与经典FCM相比，该算法在结构相似性（SSIM）和鲁棒性方面有所提升。Saladi等人[51]提出了高斯核化增强直觉模糊C-Means（GKEIFCM）算法，通过引入像素间的高斯核化距离来扩展IIFCM。他们的方法旨在减少噪声影响、减轻部分体积伪影并提高计算效率。该算法在脑部MRI的组织和肿瘤分类中取得了有希望的结果，显示出Dice值、Jaccard指数、准确率和执行时间的改进。Bhimavarapu等人[52]提出了一种增强的模糊C-Means（FCM）算法，用于基于MRI的脑肿瘤分割，并结合了基于形状、纹理和颜色描述符的特征选择。使用改进的极端学习机对分割特征进行分类，在Kaggle数据集上实现了高达99.42%的准确率。他们的方法与现有分类器相比显示出持续的性能提升（提高了5-6%），特别是在胶质瘤检测方面，突显了其鲁棒性和临床潜力。Zhao等人[53]创建了AUCseg工具箱，用于利用聚类和形态学进行胶质瘤分割。Faragallah等人[54]提出了一种无监督的脑肿瘤分割方法，结合了OTSU阈值分割和K-Means聚类，并在同态变换域内进行优化，通过自适应直方图均衡化来提高局部对比度和特征提取效果。高斯混合模型（GMM）是一种基于概率的聚类技术，假设数据来自多个高斯分布的混合，每个分布对应不同的体素类别（例如，健康组织、肿瘤、水肿）。在MRI脑肿瘤分割中，GMM常与期望最大化（EM）算法结合使用进行参数估计[55]、[56]。这些方法因其无监督或半监督特性、较低的计算成本以及能够处理重叠的强度分布而具有吸引力。然而，当强度不均匀性、偏置场或空间变化噪声显著，或者肿瘤对比度较低时，基于GMM的方法可能会遇到问题[57]。均值漂移（Mean Shift）是一种非参数方法，无需计算簇的数量即可将点移动到高密度区域[58]。基于密度的空间聚类算法（DBSCAN）是一种流行的无监督聚类算法，根据局部密度对体素或特征进行分组[59]、[60]。其优点包括无需预先定义簇的数量、能够处理任意形状的簇以及能够剔除噪声（低密度区域中的体素）。然而，DBSCAN的性能对ε和minPts的选择敏感，在簇密度差异较大或数据非常稀疏或噪声较大的情况下可能会遇到困难[60]。共聚类（Co-Clustering）是一系列同时分割数据矩阵行和列的技术。最近，这些方法已被探索用于脑肿瘤分割[61]、[62]。Farnoosh等人[62]提出了一种迭代光谱共聚类和模糊C-Means（ISCCF）方法，用于3D MR图像中的无监督脑肿瘤分割，采用伪深度分层结构在无标记数据的情况下逐步细化肿瘤区域。最近在医学图像分析领域的进展强调了数据复杂性、混合特征学习、体积表示和隐私保护训练范式的重要性。例如，Kujur等人[63]研究了基于CNN的分类器对脑MRI数据集内在复杂性的依赖性，并表明数据复杂性指标和仔细的预处理/验证显著影响模型选择，并报告了脑肿瘤和阿尔茨海默病分类任务的性能；这项研究激发了在提出通用分割策略时明确考虑数据复杂性的必要性。Rastogi等人[64]引入了一个多阶段深度学习流程，将2D/体积卷积网络与3D复制器网络结合，用于鲁棒的肿瘤分割和放射组学特征提取及生存预测，展示了如何将体积特征学习和下游预后模型集成到一个端到端的框架中，用于胶质瘤分析。作为这些脑部MRI研究的补充，Thapar等人[65]提出了一个混合FrCN-U-Net框架，用于皮肤病变分割，并基于ISBI-2017数据集提出了一个基于R-CNN的分类器；他们的结果表明，将上下文相关的FrCN模块与U-Net风格的解码器结合使用可以提高边界定位和分类鲁棒性，以应对实际图像的变异性。在小结构分割领域，Thin Myat Moe Aung和Khan[66]提出了一种增强的U-Net，集成了多种注意力机制（空间注意力、扩张ECA、CBAM、SE块），并在LUNA16数据集上提高了对小而不规则肺结节的检测能力，突显了注意力模块在捕捉局部和远距离依赖性方面的实际优势。最后，从隐私和系统的角度来看，最近关于去中心化和隐私保护推荐系统（使用联邦学习和TF-IDF表示法在抓取的移动评论数据集上）的工作展示了在不集中原始数据的情况下训练模型的可行策略；这些方法直接适用于医学成像场景，其中去中心化训练（联邦/分布式学习或数据协作）可以在保护患者隐私的同时实现多中心研究[67]。

3. 方法
3.1. 基于密度的空间聚类（DBSCAN）
基于密度的空间聚类算法（DBSCAN）是一种经典的基于密度的聚类算法，根据局部点密度对点进行分组，并将低密度点标记为噪声。DBSCAN需要两个参数：邻域半径ε（“eps”）和形成密集区域所需的最小点数minPts。如果点p的ε-邻域（1）Nε(p)={q∣d(p,q)≤ε}中的点数满足(2)|Nε(p)|≥minPts，则称p为核心点。簇是通过连接核心点及其可达邻居形成的；任何核心点都无法通过密度到达的点被标记为噪声[68]。DBSCAN被广泛采用，因为它可以发现任意形状的簇，并且不需要事先指定簇的数量；实际变体和详细讨论可以在文献中找到[69]、[70]。将DBSCAN应用于医学图像体素时，必须仔细选择距离度量d(?,?)并调整不同特征维度（空间坐标和强度）。对于3D MR体积，我们使用结合了空间和强度的距离度量（见第3.2.5节）。

3.2. 提出的方法：AVSD（异常引导的体素评分和DBSCAN）
我们提出了一种快速、无需训练的3D分割流程（AVSD），该流程（1）计算结合强度和局部方差的体素级异常评分，（2）使用从评分分布中得出的自适应百分位数选择一组候选体素，（3）在空间+强度特征空间中使用DBSCAN对候选体素进行聚类，（4）过滤和处理选定的簇以生成3D二值肿瘤掩模。下面我们详细介绍了每个步骤，并提供了实现中使用的精确公式。

3.2.1. 符号和3D设置
设预处理后的体积表示为I:Ω?Z3→R，其中Ω是体素的离散索引集，例如Ω={0,…,H?1}×{0,…,W?1}×{0,…,D?1}。对于任何体素索引x=(x,y,z)∈Ω，标量I(x)表示该索引处的体素强度（经过预处理后）。粗体小写字母表示向量（例如x），花体符号表示集合（例如C），而标量值函数和掩模（例如I(x), M(x)）用斜体表示。

3.2.2. 预处理
在分割之前，每个体积都要经过一个简单但有效的预处理流程，以标准化强度、抑制噪声并增强对比度。预处理后的体积I~通过以下步骤获得：
（1）强度标准化
所有体素强度线性缩放到[0,1]范围内，以减少个体间的差异：
(3)In(x)=I(x)?miny∈ΩI(y)maxy∈ΩI(y)?miny∈ΩI(y)+ε，其中ε=10?6以避免除以零。这里，I(x)表示空间位置x∈Ω处的原始体素强度，而In(x)表示其标准化后的对应值。
（2）高斯平滑
为了抑制小尺度噪声同时保留大尺度结构，应用标准差为σ=1.0体素的三维高斯滤波器：
(4)Is(x)=(Gσ?In)(x)，其中Gσ表示各向同性的高斯核。
（3）非线性对比度增强
最后，将体素强度平方，以突出相对于周围组织的更亮（肿瘤）区域：
(5)I~(x)=(Is(x))2。
然后将结果体积I~传递到异常评分和聚类阶段。

3.2.3. 异常体素评分（3D）
我们计算两个体素级线索：全局强度z分数和局部方差度量，然后将它们结合起来。
强度z分数
(6)A(x)=I(x)?μIσI+?，其中μI和σI是I(?)在Ω上的全局均值和标准差。
局部方差（3D）
使用立方体局部窗口W(x)定义局部均值和局部均方值：
(7)m(x)=1|W|∑u∈W(x)I(u)，(8)m2(x)=1|W|∑u∈W(x)I(u)2。
然后计算局部方差：
(9)V(x)=m2(x)?m(x)2，
标准化后的局部方差为：
(10)V~(x)=V(x)maxu∈ΩV(u)+?。
我们将这两个线索线性组合如下：
(11)S(x)=A(x)+λV~(x)，其中λ是一个标量权重。所提出的异常评分旨在结合互补的统计线索。强度z分数捕捉全局偏离正常组织的情况，而局部方差反映了肿瘤区域的典型结构异质性。基于熵的自适应阈值进一步实现了跨个体的数据驱动调整，避免了固定阈值并提高了鲁棒性。这种组合提供了一种可解释且计算效率高的替代方案，适用于更复杂的统计评分机制。尽管所提出的评分函数不是从严格的参数模型中得出的，但它可以被解释为一种综合的统计异常度量。z分数反映了与全局强度分布的偏差，而局部方差捕捉了更高阶的空间不规则性。这种混合公式在无监督医学图像分析中很常见，因为在这些情况下通常无法显式建模复杂的组织分布。

3.2.4. 脑部掩模和自适应百分位数选择
定义一个简单的脑部掩模：
(12)B={x∈Ω∣I(x)>percentile(I,pbg)}，其中pbg是一个低百分位数。脑部内的分数集合为{S(x):x∈B}。
我们计算限制在脑部掩模内的候选分数的直方图，即集合{S(x):x∈B}上的分数。将分数范围划分为M个区间，并用ni表示区间i中的计数，得到经验概率质量函数：
(13)pi=ni∑j=1Mnj,i=1,…,M，
然后使用它来计算香农熵：
(14)H(S∣B)=?∑i=1Mpilog?(pi+?)。
为了避免极端或噪声较大的熵值导致映射不稳定，我们将熵值限制在预设区间[Hmin,Hmax]内：
(15)Hc={Hmin, if H(S∣B)Hmax}。
然后我们将这个剪裁后的熵值线性且逆向映射到一个自适应百分位数区间[Pmin,Pmax]：
(16)Padaptive=Pmax?Hc?HminHmax?Hmin(Pmax?Pmin)。
因此，较低的熵值（更尖锐的分数分布）会导致较高的百分位数阈值Padaptive（更严格的选择），而较高的熵值会导致较低的百分位数（更宽松的选择）。剪裁确保了映射在各个受试者之间保持稳定和可解释。然后我们定义候选集：
(17)C={x∈B∣S(x)>percentile({S(u)}u∈B,Padaptive}。
所提出的熵自适应百分位数机制提供了一种根据每个体积中异常分数分布的复杂性来调整选择阈值的统计驱动方法。特别是，香农熵H(S∣B)作为脑部掩模内体素异常分数分散的紧凑度量。当分数分布尖锐（熵值低）时，只有少数体素显示出明显高于背景的异常分数，表明正常组织和潜在肿瘤区域之间的分离更清晰。在这种情况下，自适应映射会产生较高的百分位数阈值，从而产生更严格的选择。相反，当分数分布更分散（熵值高）时，可能出现在扫描中存在小、异质或低对比度病变的情况下，该方法会自动放宽百分位数阈值，以保留更多的候选体素。这种策略在概念上与经典的基于直方图的自适应阈值方法相关，例如Otsu风格的方差最大化方法，后者也利用全局分布统计来确定数据依赖的阈值。然而，通过使用熵作为分布复杂性的尺度不变度量并将其与基于百分位数的选择规则联系起来，所提出的方法对肿瘤大小和受试者之间的变化具有鲁棒性，同时避免了手动调整全局阈值的需要。

3.2.5. DBSCAN特征空间和距离（3D）
对于每个候选体素x∈C，我们形成一个4D特征向量，结合空间坐标和强度：
(18)f(x)=(x,y,z,αI(x))∈R?，其中α是一个强度缩放因子，选择为：
(19)α=εmaxx∈CI(x)?minx∈CI(x)+?。
在这个4D空间中使用欧几里得度量：
(20)d(f(x),f(y))=∑k=13(xk?yk)2+(α(I(x)?I(y)))2。
DBSCAN根据这个特征空间将候选体素聚类到簇{Ck}k=1K中，并使用标准的密度可达性规则[68]、[69]将异常值标记为噪声。

3.2.6. 肿瘤簇选择和大小过滤
对于每个簇Ck，计算平均强度和大小：
(21)I―k=1|Ck|∑x∈CkI(x)。
如果（22）I―k>percentile({I(x)}x∈Ω,Pcluster)且|Ck|>Nmin，则将簇Ck标记为肿瘤，其中Nmin表示最小尺寸阈值，Pcluster表示簇平均强度阈值。

3.2.7. 3D后处理
将选定的簇体素聚合成初始二值掩模M0:Ω→{0,1}。应用轻度的3D形态学操作：
(23)M1=dilate(M0;rd)，M2=close(M1;rc)，其中膨胀和闭合使用小的球形/邻域结构元素。这里，rd和rc分别表示用于膨胀和闭合的3D结构元素的半径。在我们的实验中，我们使用半径rd,rc∈{1,2}（体素单位），即直径约为3-5个体素的球形邻域。这种选择仅产生轻微的平滑效果（填充小孔并移除孤立的体素），避免了过度扩大或合并解剖学上不同的区域。最终，我们保留大于Nccmin的组件，并按照以下方式生成M(x)：(24) M(x) = {1, 如果x属于M的一个连通分量的大小大于Nccmin; 0, 否则。最终的掩模M就是AVSD的输出结果。3.2.8. 算法总结AVSD流程基于三个核心建模原则构建，这些原则将大脑MR体积的统计特性与基于聚类的分割策略联系起来。(1) 全局-局部异常建模异常得分S(x)结合了全局z分数项（方程式(6)和标准化的局部方差项（方程式(7)、(8)、(9)、(10)），捕捉全局强度偏差和局部结构不规则性。这种表述将肿瘤体素建模为相对于健康组织在统计上不典型的，无论是通过强度升高还是通过局部不稳定性。(2) 基于熵的自适应阈值调整大脑掩模内的异常得分分布的熵（方程式(14)量化了潜在病变信号的集中程度或扩散程度。剪切后的熵（方程式(15)被反向映射到百分位数范围[Pmin, Pmax]，产生用于候选者选择的Padaptive（方程式(16)）。低熵导致更严格的阈值（局部肿瘤），而高熵产生更宽松的阈值（扩散或低对比度肿瘤）。这种机制允许选择策略自动适应每个输入体积的统计结构。(3) 空间-强度聚类每个候选体素都被嵌入到一个由空间坐标和缩放强度组成的4D特征空间中（方程式(18)）。DBSCAN使用欧几里得度量（方程式(20)）将空间上连贯且在放射学上一致的体素分组。聚类级细化（方程式(22)和轻量级3D后处理（(23)、(24)）在抑制噪声的同时确保了解剖学的合理性。这些建模组件共同提供了一个数学上有依据的、无需训练的机制，能够根据每个MRI体积的统计和几何特性调整其体素选择、聚类行为和细化步骤。算法1 AVSD算法所提出的AVSD方法的超参数，包括预处理、异常评分、自适应百分位数选择、DBSCAN聚类和后处理，在表1中进行了总结。用于自适应阈值调整的百分位数范围（Pmin=94.2%，Pmax=99.7%）不是针对特定数据集调整的参数，而是基于健康脑组织中异常得分的统计分布来确定的。在多个数据集中，超过94%的实质体素一致属于低方差、低得分区域，而肿瘤体素则分布在极端的上尾部（通常在97%至99.5%百分位数以上）。上限Pmax确保不会抑制小的增强核心，而下限Pmin避免在正常组织中产生误报。重要的是，最终阈值不是固定的：它是通过异常得分直方图的熵驱动映射来确定的，这使得该方法能够适应噪声、对比度变化和伪影，而无需依赖特定数据集的调整。因此，百分位数范围仅限制了搜索区间，而有效阈值完全依赖于图像并受统计驱动。表1. 所提出的AVSD方法的超参数设置。参数 符号 使用值 正规化小常数 ε 1×10?6 高斯平滑sigma σ 1.0 对比度幂指数 –2 局部窗口大小（立方体）|W| 3×3×3 直方图区间（熵）M 100 熵数值eps ε (熵) 1×10?6 熵剪切范围 Hmin, Hmax 2.5, 5.5 自适应百分位数范围 Pmin, Pmax 94.2%, 99.7% 脑掩模百分位数 pbg 10% DBSCAN半径 ε (DBSCAN) 3.5 DBSCAN最小样本数 minPts 50 方差权重 λ 0.5 聚类平均强度阈值 Pcluster 80% 聚类最小尺寸 Nmin 100 形态学膨胀迭代 –2 形态学闭合迭代 –2 推荐的结构半径（概念性）rd, rc∈{1,2} 连通分量最小尺寸 Nccmin 200 全部算法过程以伪代码的形式在算法1中呈现，遵循第3节中描述的逐步流程。为了便于可视化，图1还提供了一个所提出的分割框架的示意流程图，展示了该方法主要阶段之间的交互。AVSD的关键组成部分包括预处理、异常评分、熵驱动的候选者选择、DBSCAN聚类和后处理。过程从输入的3D MRI体积开始，首先通过预处理模块，其中应用了强度规范化、高斯平滑和非线性对比度增强。预处理后的体积随后被传递到异常评分阶段，每个体素根据标准化强度和局部方差获得一个区分性异常得分。在候选者选择模块中，生成一个脑掩模，并从得分分布的熵计算出一个自适应百分位数，用于仅提取最异常的体素。如果得到的候选者集为空，则流程终止并输出一个空掩模。否则，选定的体素进入聚类阶段。聚类模块为每个候选体素构建一个4维特征向量（3D空间坐标+强度），并应用DBSCAN将空间上连贯且在强度上一致的体素分组。如果DBSCAN将所有点标记为噪声，则算法输出一个空掩模；否则，检测到的簇被传递到后处理模块。最后，在后处理阶段，根据它们的统计特性选择与肿瘤相关的簇，然后进行轻量级3D形态学操作和连通分量过滤以细化分割。最终的二值掩模作为AVSD分割输出。该流程图总结了AVSD如何将异常评分、熵驱动的候选者减少、基于密度的聚类和轻量级后处理整合成一个快速、无需训练的分割流程。下载：下载高分辨率图像（658KB）下载：下载全尺寸图像图1. 所提出的AVSD方法的流程图。4. 性能结果和讨论在本节中，我们评估了所提出的AVSD脑肿瘤分割方法的性能。我们提供了定性和定量结果，以证明所提方法与现有方法相比的有效性。4.1. 预处理预处理算法与第3.2.2节中描述的相同，包括强度规范化、高斯平滑和非线性对比度增强。如果输入的MRI体积包含明显的随机噪声，则应用额外的中值过滤步骤来进一步抑制脉冲噪声，同时保留结构细节。脑MRI扫描预处理的关键步骤是去除非脑结构，通常称为去颅处理。包含颅骨和周围组织可能会影响脑肿瘤分割的准确性，因为这些区域引入了无关的强度模式。为了解决这个问题，应用去颅处理算法将脑组织与颅骨和其他非脑成分分离。这种分离提高了MR图像中脑区域的清晰度，从而增强了后续分割、分析和解释任务的可靠性[61]、[71]、[72]。在输入数据仍包含颅骨的情况下，使用去颅处理算法在异常评分和聚类之前去除非脑组织，确保后续阶段仅在脑区域内操作。4.2. 数据集为了评估所提方法的性能，我们使用了MICCAI BraTS2019和BraTS2020数据集[6]、[73]、[74]、[75]。这些集合包括被诊断为不同级别肿瘤的患者的脑MR图像。每个受试者提供了四种模式：T1、T1ce、T2和FLAIR。每个案例还提供了专家标注的真实肿瘤掩模。每个扫描都以3D体积的形式提供，已经进行了去颅处理，标准化分辨率为240×240×155体素。我们使用这些数据集来获取不同大小的肿瘤FLAIR图像进行分析。所有实验都在配备了AMD FX-9830P Radeon R7 CPU（12个计算核心：4个CPU核心+8个GPU计算单元）和8 GB RAM的个人工作站上进行，使用Jupyter Notebook进行实现和测试。没有使用显式的并行化（例如，多处理或GPU加速）；该方法在其默认的Python/NumPy配置下在单个CPU上执行。4.3. 评估指标在本节中，我们介绍了用于评估分割方法性能的评估指标。这些指标提供了对所提算法鲁棒性的全面分析。考虑了以下指标：敏感性、特异性、平均对称表面距离（ASSD）、Dice系数和Hausdorff距离第95百分位数（HD95）。4.3.1. 敏感性敏感性，也称为召回率或真正例率（TPR），衡量分割算法正确识别的实际阳性像素（肿瘤区域）的比例。其定义为：(25)敏感性 = TP / (TP + FN)，其中：•TP（真正例）是正确分类为肿瘤的肿瘤像素数量。•FN（假阴性）是错误分类为非肿瘤的肿瘤像素数量。较高的敏感性值（接近1）表示更好的肿瘤区域检测效果。4.3.2. 特异性特异性，或真阴性率（TNR），衡量正确识别的实际阴性像素（非肿瘤区域）的比例。其定义为：(26)特异性 = TN / (TN + FP)，其中：•TN（真阴性）是正确分类为非肿瘤的非肿瘤像素数量。•FP（假阳性）是错误分类为肿瘤的非肿瘤像素数量。较高的特异性值（接近1）表示更好的假阳性避免效果。4.3.3. 平均对称表面距离（ASSD）平均对称表面距离（ASSD）量化了预测分割表面与真实分割表面之间的平均距离。它是边界准确性的一个度量，计算方法是从一个表面上的每个点到另一个表面上最近点的平均距离的对称平均值。公式为：(27) ASD = 1/2 ∑(p∈Pd(p,Q) + 1/NQ ∑(q∈Qd(q,P))，其中：•P和Q分别是预测分割和真实分割的表面点集。•NP和NQ是P和Q中的点数。•d(p,Q)是从点p到Q中最近点的最小欧几里得距离。较低的ASSD值表示预测边界与真实边界之间的更好对齐。4.3.4. Dice系数Dice系数，也称为S?rensen-Dice指数，衡量预测分割与真实分割之间的空间重叠。其定义为：(28) Dice = 2?|P∩Q| / (|P| + |Q|)，其中：•|P∩Q|是预测分割P和真实分割Q共有的像素数量。•|P|和|Q|分别是P和Q中的像素总数。Dice系数的范围是从0到1，接近1的值表示分割与真实分割之间的更高相似性。4.3.5. Hausdorff距离第95百分位数（HD95）Hausdorff距离第95百分位数（HD95）衡量预测分割表面与真实分割表面之间的最大距离，关注第95百分位数以提供对异常值的鲁棒性。其定义为：(29) HD95 = max(percentile(d(P,Q), 95), percentile(d(Q,P), 95))，其中：•P和Q分别是预测分割和真实分割的表面点集。•d(P,Q)是从P中的点到Q中最近点的有向距离集合。•percentile(?, 95)表示距离的第95百分位数。较低的HD95值表示预测边界与真实边界之间的更好对齐，因为它强调了最显著的差异，同时忽略了极端异常值。4.4. 性能分析和比较图2展示了算法在包含不同形状肿瘤的多个切片上的分割结果的定性示例，并将其与相应的真实掩模并排显示。为了便于视觉理解，以下图中的分割结果以半透明覆盖层的形式显示在原始FLAIR切片上，而不是作为独立的二值掩模，从而更好地评估检测到的肿瘤区域与底层解剖结构之间的空间对齐。下载：下载高分辨率图像（615KB）下载：下载全尺寸图像图2. 所提算法的分割性能在三个列中展示，分别显示了原始图像、算法的输出和相应的真实图像。为了进行全面评估，我们将所提方法与几种广泛使用的无监督技术进行了基准测试，即K-Means、Fuzzy C-Means（FCM）和高斯混合模型（GMM），以及Saladi等人[51]、Zhao等人[53]、Faragallah等人[54]、Chahal等人[49]和ISCCF[62]最近报告的方法。我们的方法与这些基线的定性分割结果以及相应的真实结果在图3中进行了比较。下载：下载高分辨率图像（472KB）下载：下载全尺寸图像图3. 分割算法的性能评估。图3a显示了原始图像，而图3b至3k分别展示了Zhao等人、FCM、GMM、Saladi等人、Bhimavarapu等人、K-Means、ISCCF、Chahal等人、Faragallah等人以及所提出的AVSD方法的结果。图3l提供了用于比较的真实结果。在BraTS2019和BraTS2020数据集上的评估结果，如表2和表3所示，强调了所提方法在关键分割指标（包括敏感性（SN）、特异性（SP）、平均对称表面距离（ASSD）、Hausdorff距离95（HD95）和Dice系数（DICE）方面的卓越性能。这些指标共同评估了分割技术的准确性、边界精度和整体可靠性。所提方法在最重要的指标（如DICE和SN）上始终优于竞争方法，同时在SP、ASSD和HD95方面保持了稳健的性能，使其成为临床环境中脑肿瘤分割的高度有效解决方案。表2. 在BraTS2019图像上的评估结果。方法 SNS PASS DDICE HD95 提出的方法 0.8325±0.1248 [0.8076, 0.8574] 0.9951±0.0044 [0.9942, 0.9960] 4.7513±3.3945 [4.0741, 5.4285] 0.7921±0.0562 [0.7809, 0.8033] 11.9389±11.0163 [9.7420, 14.1358] FCM 0.6000±0.1254 0.9988±0.0046 4.6056±4.1311 0.6967±0.1046 13.7878±10.7612 Saladi等人[51] 0.6419±0.1688 0.9988±0.0044 4.5506±4.2777 0.7260±0.1305 13.6892±11.0855 Zhao等人[53] 0.5776±0.1483 0.9994±0.0016 4.6583±3.4602 0.6827±0.1284 13.9295±9.3785 GMM 0.7100±0.1475 0.9982±0.0078 3.6472±3.6229 0.7676±0.1168 12.4744±8.8769 Bhimavarapu等人[52] 0.7494±0.1745 0.9933±0.0178 5.5312±6.2265 0.7440±0.1201 11.72306±15.0846 K-Means 0.6232±0.1367 0.9991±0.0030 4.3919±4.0050 0.7151±0.1201 13.4555±10.8885 ISCCF [62] 0.7060±0.1468 0.9986±0.0052 3.6830±3.6762 0.7751±0.1275 11.1499±9.7149 Chahal等人[49] 0.6896±0.1381 0.9971±0.0109 4.9228±6.3842 0.7488±0.1377 13.7948±13.9345 Faragallah等人[54] 0.8103±0.1380 0.9878±0.0334 6.3472±8.1648 0.7436±0.1808 17.3284±19.2926 表3.在BraTS2020图像上的评估结果。方法包括SNSPASS、DDICE、HD95、Proposed等。具体数值如下：

| 方法 | DICE | Sensitivity | Specificity | ASSD | HD95 |
|------------|------------|------------|------------|------------|
| FCM | 0.6967 ± 0.1046 | 0.6000 ± 0.1254 | 0.6896 ± 0.1381 | 3.5073 ± 4.7190 |
| Saladi et al. [51] | 0.6679 ± 0.1663 | 0.9906 ± 0.0195 | 5.1225 ± 5.0672 | 16.3508 ± 13.5005 |
| Zhao et al. [53] | 0.5971 ± 0.1537 | 0.9994 ± 0.0018 | 4.5691 ± 3.5162 | 13.6462 ± 9.6997 |
| GMM | 0.7125 ± 0.1605 | 0.9991 ± 0.0012 | 3.5073 ± 4.7190 | 0.7851 ± 0.1315 |
| Bhimavarapu et al. [52] | 0.7749 ± 0.1815 | 0.9915 ± 0.0179 | 6.6885 ± 6.7254 | 0.7348 ± 0.1391 |
| K-Means | 0.6450 ± 0.1339 | 0.9990 ± 0.0032 | 4.4643 ± 4.3944 | 0.7364 ± 0.1092 |
| ISCCF [62] | 0.7228 ± 0.1336 | 0.9984 ± 0.0057 | 4.0189 ± 4.6724 | 11.8449 ± 10.4944 |
| Chahal et al. [49] | 0.6955 ± 0.1463 | 0.9967 ± 0.0118 | 5.4721 ± 6.8502 | 14.9988 ± 14.1922 |
| Faragallah et al. [54] | 0.8083 ± 0.1407 | 0.9872 ± 0.0343 | 7.5358 ± 10.4658 | 18.7185 ± 21.7642 |

在BraTS2019数据集（表2）中，所提出的方法获得了最高的DICE分数0.7921 ± 0.0562，显著超过了所有其他方法。其性能优于FCM（0.6967 ± 0.1046）约13.7%，优于GMM（0.7676 ± 0.1168）3.2%，优于K-Means（0.7151 ± 0.1201）10.8%，同时也超过了Bhimavarapu等人（0.7440 ± 0.1201）6.4%，以及ISCCF（0.7751 ± 0.1275）2.2%，Chahal等人（0.7488 ± 0.1377）5.8%，Faragallah等人（0.7436 ± 0.1808）6.6%。这一较高的DICE值是预测分割与真实分割之间重叠程度的关键指标，突显了所提出方法在捕捉肿瘤结构方面的精确性。此外，该方法还记录了最高的敏感性（0.8325 ± 0.1248），比FCM（0.6000 ± 0.1254）高出38.8%，Saladi等人（0.6419 ± 0.1688）高出29.7%，Bhimavarapu等人（0.7494 ± 0.1745）高出11.1%，ISCCF（0.7060 ± 0.1468）高出18.0%，Faragallah等人（0.8103 ± 0.1380）高出2.7%，显示出其在减少假阴性方面的高效性，这对于有效的诊断和治疗计划至关重要。特异性（0.9951 ± 0.0044）也极具竞争力，与K-Means和Zhao等人的顶级方法相当，并且优于Faragallah等人（0.9878 ± 0.0334）0.7%。ASSD（4.7513 ± 3.3945）也表现良好，比Bhimavarapu等人（5.5312 ± 6.2265）低14.0%，Chahal等人（4.9228 ± 6.3842）低3.5%，Faragallah等人（6.3472 ± 8.1648）低25.1%，表明尽管与GMM（3.6472 ± 3.6229）和ISCCF（3.6830 ± 3.6762）相比略有增加，但边界对齐有所改善。HD95值（11.9389 ± 11.0163）也非常具有竞争力，比FCM、Saladi等人、Bhimavarapu等人、Chahal等人、Faragallah等人高出13.4%至31.1%，同时与表现最佳的ISCCF（11.1499 ± 9.7149）接近。

BraTS2020的结果（表3）进一步验证了所提出方法的优势，其DICE分数为0.8181 ± 0.0546，比FCM（0.6757 ± 0.1638）高出21.1%，比GMM（0.7851 ± 0.1315）高出4.2%，比K-Means（0.7364 ± 0.1092）高出11.1%，比Bhimavarapu等人（0.7348 ± 0.1391）高出11.3%，比ISCCF（0.7874 ± 0.1134）高出3.9%，比Chahal等人（0.7466 ± 0.1406）高出9.6%，比Faragallah等人（0.7644 ± 0.1686）高出7.0%。这种在多个数据集上持续的DICE分数提升反映了该方法的稳健性和适应性。敏感性（0.8861 ± 0.1012）是最强的，比Bhimavarapu等人（0.7749 ± 0.1815）高出14.4%，比Saladi等人（0.6679 ± 0.1663）高出32.7%，比FCM（0.5823 ± 0.1718）高出52.2%，比ISCCF（0.7228 ± 0.1336）高出22.6%，比Chahal等人（0.6955 ± 0.1463）高出27.4%，比Faragallah等人（0.8083 ± 0.1407）高出9.6%，进一步证明了其在检测真实肿瘤像素方面的优越性。特异性（0.9939 ± 0.0048）也非常出色，与最佳方法相当且标准差较低，确保了在避免假阳性方面的稳定性，并且比Faragallah等人（0.9872 ± 0.0343）高出0.7%。ASSD（4.9320 ± 3.6906）明显优于Bhimavarapu等人（6.6885 ± 6.7254）26.2%，Chahal等人（5.4721 ± 6.8502）高出9.9%，Faragallah等人（7.5358 ± 10.4658）高出34.5%，尽管略高于GMM（3.5073 ± 4.7190）和ISCCF（4.0189 ± 4.6724）的3.5%，但仍然表明边界对齐有所改进。HD95值（13.2241 ± 11.0268）比FCM、Saladi等人、Bhimavarapu等人、Chahal等人、Faragallah等人高出17.0%至29.4%，同时与表现最佳的ISCCF（11.8449 ± 10.4944）和GMM（11.0537 ± 8.7838）相当。

为了进一步评估所报告分割结果的统计可靠性和稳健性，我们为所有主要评估指标（包括敏感性（SN）、特异性（SP）、Dice系数、ASSD和HD95）提供了95%置信区间（CI）。虽然平均值±标准差提供了性能分散的总体概述，但置信区间提供了方法真实预期性能所在范围的估计。对于一组n个测试对象，每个指标的置信区间是使用学生t分布计算的：
CI95% = μ ± t0.975,n?1σn，
其中μ和σ分别表示样本均值和标准差，t0.975,n?1是自由度为n?1的t分布的临界值。我们在表2和表3中报告了所提出AVSD方法的95%置信区间，以量化其在不同对象上的统计可靠性和稳定性。所得置信区间表明，所提出的AVSD方法在不同对象上的性能界限相对狭窄，尤其是在Dice和HD95指标上。这种行为表明该方法在不同肿瘤外观和解剖变异下的高度一致性和稳定性。

为了评估性能差异的统计显著性，我们对BraTS2020数据集中的所有测试案例的Dice分数进行了配对Wilcoxon符号秩检验。如表4所示，所提出的AVSD方法在大多数竞争方法上实现了统计学上的显著改进（p<0.05），包括FCM、Saladi等人、Zhao等人、Bhimavarapu等人、K-Means、Chahal等人以及Faragallah等人。对于GMM和ISCCF，差异并不具有统计学意义（p>0.05），表明它们的性能相当。总体而言，这些结果证实了AVSD在BraTS2020队列中提供了稳健且一致优越的分割性能。

图4和图5展示了BraTS2019和BraTS2020数据集的分割方法在评估指标上的箱形图比较。这些可视化提供了每个指标的分布、中位数、四分位数和异常值的详细概述，允许对方法性能进行全面评估。从箱形图中可以看出，与其他方法相比，所提出的方法在所有指标上的异常值数量最少。这种异常值的减少表明所提出方法的分割结果更加稳定和一致，因为异常值通常代表可能影响临床应用可靠性的极端偏差。所提出的方法不仅减少了异常值，还在关键指标上展示了可接受的中位数和四分位数范围，强调了其效率和精确性。

图6显示了BraTS2019数据集上每种分割方法每个体积的平均处理时间，突出了这些方法的计算效率。结果表明，所提出的AVSD方法的平均处理时间最短，为9.05秒，优于所有竞争技术，包括FCM（31.31秒）、Saladi等人（14.14秒）、Zhao等人（12.5秒）、GMM（10.43秒）、Bhimavarapu等人（17.06秒）、ISCCF（11.25秒）、Faragallah等人（12.7秒）和K-Means（9.77秒）。值得注意的是，尽管AVSD基于DBSCAN算法，而DBSCAN传统上以计算要求高著称，但所提出的方法仍实现了显著的效率提升。值得注意的是，它甚至超过了以速度著称的K-Means（9.77秒），并在时间节省方面显著优于最近的ISCCF（19.6%）、Faragallah等人（28.7%）和Chahal等人（47.1%）。这些改进表明，所提出的方法在缓解DBSCAN的典型瓶颈方面非常有效，使其适用于需要快速分割的实时或大规模临床应用。与其他方法相比，如需要31.31秒的FCM（由于其迭代模糊成员更新）、需要17.06秒的Bhimavarapu等人（由于其复杂的生成建模）、以及需要11.25秒的ISCCF（由于其迭代Co-Clustering框架）和Chahal等人（需要17.1秒的混合加权模糊聚类），所提出的方法将处理时间减少了多达71%，同时保持了分割精度。这些效率提升，加上在Dice和敏感性等关键指标上的优越性能（表2、表3），凸显了其在各种临床场景中的优势。

AVSD的另一个实际优势是其在现实世界和资源有限的临床环境中的强大适用性。与基于深度学习的分割模型不同，后者依赖于大型标注数据集、广泛的训练程序和高端GPU硬件，AVSD完全不需要训练，仅在标准CPU系统上高效运行。运行时分析证实，该流程所需的计算资源较少，并且可以独立处理每个3D体积，使其适用于门诊诊所、资源有限的医院和即时诊断环境。此外，AVSD直接在原始的、未经处理的FLAIR体积上运行，无需特定中心的预处理流程，提高了在不同扫描仪和采集协议下的稳健性。这种轻量级的计算负担，加上硬件独立性和在不同肿瘤大小和形态下的稳定性能，大大增强了AVSD在常规临床工作流程中的转化潜力。

为了证明所提出的AVSD方法在现实世界临床环境中的实际适用性，我们对其在MRI扫描中常见的强度不均匀性、噪声和轻微患者运动等干扰下的鲁棒性进行了专门分析。具体来说，我们在BraTS2019数据集的10个高级胶质瘤病例上模拟了三种常见的临床MRI干扰：
- Rician噪声，其强度为图像动态范围的10%；
- 平滑偏置场，导致体积内高达20%的逐渐强度不均匀性（通过大规模高斯场模拟）；
- 轴向方向上的最大1.2毫米的轻微层间运动。

表5显示，即使在这些干扰下，AVSD也表现出显著的韧性，平均Dice分数为0.7419，仅比干净基线下降了7.15%。未应用任何外部偏差校正或去噪处理。患者IDDice（干净）Dice（伪影）掉落百分比BraTS19_CBICA_AAB_10.83450.693216.93BraTS19_CBICA_AAP_10.81320.77364.86BraTS19_CBICA_ABE_10.85370.82683.15BraTS19_CBICA_AMH_10.88510.85872.99BraTS19_CBICA_ANG_10.74690.67629.48BraTS19_CBICA_AOD_10.78970.687712.92BraTS19_CBICA_AOS_10.76990.71467.18BraTS19_CBICA_AOZ_10.71760.64959.49BraTS19_CBICA_AQP_10.81500.78913.18BraTS19_CBICA_AQU_10.75900.74911.30平均值 ± 标准差0.7985 ± 0.05120.7419 ± 0.07087.15 ± 4.82定性结果（图7）进一步证实肿瘤边界保持良好，仅在周围区域有轻微碎片化，这种行为在无监督设置中是预期且可接受的。下载：下载高分辨率图像（908KB）下载：下载全尺寸图像图7. 在中等临床伪影下的鲁棒性评估。从左到右：干净的FLAIR、带噪声和偏差的FLAIR、在干净图像上的AVSD结果、在损坏图像上的AVSD结果、真实值。这些发现强烈支持AVSD的临床适用性，表明它可以直接应用于原始的、未经处理的临床图像，且性能损失最小，无需依赖特定数据集的预处理流程。与显式建模或去除噪声的方法不同，AVSD通过其算法设计对常见的临床MRI伪影（如Rician噪声）具有鲁棒性。强度标准化减少了扫描仪依赖的波动，而体素评分中加入的局部方差抑制了缺乏空间一致性的孤立随机噪声。熵自适应百分位阈值在噪声条件下动态地收紧了候选者的选择，防止了广泛的噪声诱导激活。此外，DBSCAN基于密度的特性本质上是将稀疏的、由噪声驱动的体素标记为异常值，并仅保留空间上一致的体素组。最后，连通分量过滤消除了残留的小噪声区域。这些机制共同使得AVSD能够在原始临床MRI体积上直接操作，性能下降最小，无需依赖显式的去噪或伪影校正。4.6. 参数选择和敏感性分析AVSD的关键参数总结在表1中。DBSCAN邻域半径?=3.5被选为平衡空间紧凑性和噪声容忍度，大约对应于3-4个体素的接近程度，同时适应肿瘤区域中典型的中等强度变化。局部方差权重因子λ=0.5被选为同等强调全局强度偏差和局部结构不规则性，反映了它们在识别肿瘤异常中的互补作用。为了证明性能不是过度调整的结果，并且在合理的参数范围内保持稳定，我们对8个独立的BraTS2019案例进行了敏感性分析（图8）。将?从2.5变化到5.0，平均Dice得分为0.795±0.001，最大变化仅为0.002。同样，将λ从0.0变化到1.5，平均Dice得分为0.794±0.002，最大变化为0.004。这些微不足道的波动证实了AVSD对参数变化的鲁棒性，并支持其在不同数据集和采集条件下的通用性，无需针对患者进行特定调整。下载：下载高分辨率图像（348KB）下载：下载全尺寸图像图8. AVSD性能的敏感性分析（8个BraTS2019案例的平均Dice ± 标准差）对两个最关键参数的变化：（左）DBSCAN ?（选值=3.5）和（右）局部方差权重因子λ（选值=0.5）。5. 结论在这项工作中，我们提出了AVSD（异常引导体素评分和DBSCAN聚类），这是一种完全无监督的、无需训练的3D MRI体积脑肿瘤分割框架。我们的方法将体素级异常检测与基于密度的聚类策略相结合，无需标注训练数据即可生成准确且鲁棒的肿瘤掩膜。在BraTS 2019和BraTS 2020基准测试上的广泛实验表明，AVSD在多个评估指标上取得了具有竞争力的和一致的性能。特别是，我们的方法在BraTS2019上获得了0.7921±0.0562的Dice得分，在BraTS2020上获得了0.8181±0.0546的Dice得分，优于几种最先进的无监督方法。所提出的流程计算效率高，并且能够很好地适应不同大小和形态的肿瘤，使其成为临床或资源有限环境中的有力候选方案。虽然AVSD已经提供了具有低计算成本的竞争性分割结果，但未来研究还有几个方向。一个有前景的方向是整合弱监督或自训练策略，以进一步细化非常小病变的挑战性案例中的簇选择。此外，将AVSD扩展到多模态MRI（结合T1、T1ce、T2和FLAIR）可能会增强其鲁棒性，特别是对于具有异质强度轮廓的肿瘤。另一个重要的扩展是调整异常评分框架以区分肿瘤内的子区域（例如，增强肿瘤、肿瘤核心和水肿），这需要加入额外的结构或模态感知约束。最后，我们旨在探索GPU加速实现，以进一步减少推理时间并促进接近实时的临床应用。CRediT作者贡献声明Hamidreza Noushkaran：撰写——原始草稿、验证、调查、形式分析、数据管理、概念化。Rahman Farnoosh：验证、监督、形式分析、数据管理、概念化。Karlo Abnoosian：验证、软件、调查、数据管理、概念化。关于写作过程中生成式AI和AI辅助技术的声明在准备这项工作时，作者使用了ChatGPT来提高文本的语言质量。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。资金这项研究没有收到任何资助机构的特定资助。