《NeuroImage: Reports》：3D brain tumor segmentation using an improved V-Net architecture and 3D attention gate
编辑推荐：
肿瘤分割涉及医学图像中肿瘤的识别和定义，这对于癌症诊断和治疗至关重要，因为它能够准确测量肿瘤的大小和形状。这可以手动或通过计算机算法自动完成。自动分割减少了手动方法的时间和精力，同时提高了准确性和稳定性。本文使用BraTS2021数据进行3D脑肿瘤分割。首先，
肿瘤分割涉及医学图像中肿瘤的识别和定义，这对于癌症诊断和治疗至关重要，因为它能够准确测量肿瘤的大小和形状。这可以手动或通过计算机算法自动完成。自动分割减少了手动方法的时间和精力，同时提高了准确性和稳定性。本文使用BraTS2021数据进行3D脑肿瘤分割。首先，研究人员使用N4偏置场校正滤波器（N4 BiasField Correction Filter）对MRI（磁共振成像）数据进行预处理。研究人员使用改进的V-Net（一种三维卷积神经网络架构）对增强肿瘤、全肿瘤和肿瘤核心进行分割。V-Net在三维中处理图像数据，在解码器和编码器部分进行了改进，提高了整体性能。编码器受益于残差层和扩张卷积层（Dilated Convolution Layer），而注意力门（Attention Gate）增强了解码器。在编码器中，扩张卷积层提高了性能，而残差层确保增加更多层不会损害网络。所有四种MRI类型均输入到3D改进的V-Net中，全肿瘤、肿瘤核心和增强肿瘤的Dice系数分别达到87%、81.2%和74.43%。结果表明，该方法有效地分割了3D脑MRI图像。
脑肿瘤是全球最严重的疾病之一，可导致死亡，其分类包括良性或恶性，早期诊断对降低死亡率至关重要。磁共振成像（Magnetic Resonance Imaging, MRI）可提供肿瘤的形状、大小和位置信息，但手动解释大量MRI数据困难且耗时。现有的二维（2D）分割方法无法保持图像切片间的空间连续性，丢失关键的层间上下文信息；而传统三维（3D）方法面临高计算负担，难以准确描绘异质性肿瘤边界。为解决这些问题，研究人员提出了一种改进的3D V-Net架构，融合残差连接（Residual Connection）、扩张卷积（Dilated Convolution）和3D注意力门（Attention Gate），以在保持计算效率的同时提升分割精度。该研究使用BraTS2021数据集进行3D脑肿瘤分割，在全肿瘤、肿瘤核心和增强肿瘤上分别取得87%、81.2%和74.43%的Dice系数，表明该方法能有效分割3D脑MRI图像，为临床诊断提供可靠工具。该论文发表在《NeuroImage: Reports》。
在关键技术方法方面，研究人员首先使用N4偏置场校正滤波器对原始MRI数据进行预处理，以校正磁场不均匀性。随后采用改进的V-Net架构：编码器部分包含残差块和扩张卷积层（扩张率为2），以扩大感受野并促进深层网络稳定训练；解码器部分集成3D注意力门，在跳跃连接处动态加权特征，抑制背景噪声并突出肿瘤区域。研究使用BraTS2021数据集，包含1251例患者（高分级胶质瘤HGG和低分级胶质瘤LGG）的四模态MRI（T1、T1c、T2、FLAIR），图像重采样为128×128×128体素，按70%（876例）和30%划分训练与验证/测试集。损失函数结合Dice损失和二值交叉熵；优化器采用Adam，初始学习率0.01，每10个epoch减半；数据增强包括随机旋转（±10°）、翻转和高斯噪声（σ=0.01）。
**3. 结果**
训练与验证曲线显示，Dice系数和损失函数在150个epoch内高度一致且逐渐收敛，表明模型未出现过拟合，具有良好的泛化能力。基于Dice系数、灵敏度和特异性的量化评估表明，改进的V-Net在三个肿瘤子区域上均取得稳健结果：全肿瘤的Dice系数为87%、灵敏度89%、特异性99%；肿瘤核心的Dice系数为81.2%、灵敏度82%、特异性99%；增强肿瘤的Dice系数为74.43%、灵敏度79%、特异性99%。分割结果可视化示例（图6）进一步展示了模型对增强肿瘤、全肿瘤和肿瘤核心的有效检测与分割。
**4. 讨论**
研究人员指出，所提方法通过通道解耦有效处理通道间的相互依赖，抑制不重要通道，同时注意力门模块保留了不同分辨率下的空间信息和结构组成，不受肿瘤大小和位置影响。与现有方法（如U-Net、其他V-Net变体）相比，该模型在准确性和计算效率间取得平衡，特别在异质性肿瘤区域表现突出。尽管近期架构如Swin-UNETR（2024）和Mamba-UNet（2025）报告了更高的Dice分数（91.5%和92.3%），但所提的3D注意力V-Net通过扩张卷积有效利用体积特征，参数更少，更适合资源受限的临床环境。未来工作将改进边缘检测并提取更具体的肿瘤信息。
**5. 结论**
脑肿瘤是世界上最严重的疾病之一，每年影响超过2000万人，导致近一半的死亡。本研究提出了一种新的3D脑肿瘤分割方法，融合了V-Net架构与注意力门、扩张层和残差连接。所提的3D改进V-Net与注意力门在全肿瘤、肿瘤核心和增强肿瘤上分别达到87%、81.2%和74.43%的Dice分数，优于多种近期方法，同时保持计算效率。网络由块组成，每个块包含不同层：扩张卷积帮助学习局部和全局信息，提高分割精度和适应性；残差学习使得训练更深的网络成为可能，提高图像识别等性能；注意力门引导模型关注重要区域，减少无关区域激活，增强表示能力而不显著增加计算或参数。实验结果表明，该方法在分割精度和鲁棒性方面优于现有方法，表现出更好的泛化能力，使其成为神经影像临床应用中重要的工具。未来工作将进一步改进模型并探索在其他医学图像分割任务中的应用。总体而言，本研究的核心创新在于开发了3D改进V-Net架构，结合3D注意力门强调体积肿瘤特征。该方法不仅避免了传统2D限制，还为自动分割设置了新基准，为更稳健的临床工具做准备。
