《Frontiers in Neurology》：Boundary-aware and uncertainty-guided deep learning for multimodal magnetic resonance imaging segmentation of stroke lesions
编辑推荐：
引言：急性缺血性卒中（Acute Ischemic Stroke, AIS）是一种主要脑血管疾病，准确的病灶分割对于定量图像分析和后续临床评估至关重要。多模态磁共振成像（Multimodal MRI），包括扩散加权成像（Diffusion-Weighted I
引言：急性缺血性卒中（Acute Ischemic Stroke, AIS）是一种主要脑血管疾病，准确的病灶分割对于定量图像分析和后续临床评估至关重要。多模态磁共振成像（Multimodal MRI），包括扩散加权成像（Diffusion-Weighted Imaging, DWI）、表观扩散系数图（Apparent Diffusion Coefficient, ADC）和液体衰减反转恢复（Fluid-Attenuated Inversion Recovery, FLAIR），为病灶勾画提供互补信息。然而，病灶外观在不同序列间可能有所差异，模糊边界或小散在病灶可能使多模态特征融合不稳定。方法：研究人员开发了MBGS-UNet，一种用于急性缺血性卒中病灶分割的多分支深度学习模型。采用独立编码器以保留序列特定信息；在深层特征层级引入边界感知图注意力模块（Boundary-Aware Graph Attention Module）以调节模糊区域中的跨模态交互；并使用不确定性门控融合模块（Uncertainty-Gated Fusion Module）在体素级别平衡图增强特征与编码器特征。进一步纳入不确定性加权边界监督（Uncertainty-Weighted Boundary Supervision）和一致性学习（Consistency Learning），以在训练中强调困难区域。该模型在ISLES-2022数据集上使用独立测试集和无标签滑动窗口推理进行评估。结果：MBGS-UNet在独立测试集上获得Dice系数0.7208，在相同评估协议下数值上高于M2FNet（0.7068）和UMamba（0.7016）。然而，逐病例配对统计分析未提供充分证据支持其明确优于这些强基线模型。视觉分析显示，高不确定性响应主要集中于病灶边界和其他易错区域，表明预测不确定性与局部分割难度之间存在空间关系。讨论：MBGS-UNet在提供可解释的不确定性可视化的同时，实现了具有竞争力的分割性能。不确定性图可能为识别模糊病灶边界和其他需要仔细复查的区域提供有用线索。然而，观察到的数值改进不应被解释为优越性或临床验证的结论性证据。需要在更大、更多样化及外部队列上进行进一步评估，以建立更广泛的鲁棒性和临床适用性。
**论文解读：边界感知与不确定性引导的多模态磁共振成像卒中病灶分割**
**研究背景与问题**
急性缺血性卒中（Acute Ischemic Stroke, AIS）是主要脑血管疾病，定量图像分析中准确分割病灶对临床评估至关重要。多模态磁共振成像（Multimodal MRI），包括扩散加权成像（DWI）、表观扩散系数图（ADC）和液体衰减反转恢复（FLAIR），通过不同成像机制提供互补信息，但病灶外观在不同序列间可能不一致：边界模糊、不规则、低对比度，小散在病灶易被忽略。现有方法如早期融合、晚期融合或多分支融合，面临两个主要问题：一是跨模态语义冲突在边界区域最显著，直接强交互可能传播噪声，过度抑制则导致边缘过度平滑和细节丢失；二是大多缺乏对“特征可信度”的显式建模，难以确定何处应更多依赖互补信息而非保留原始细节。不确定性估计（Uncertainty Estimation）可表征预测可靠性，但当前多用于推理后质量控制，较少系统融入融合流程和训练目标。为此，研究人员开发了MBGS-UNet，一种不确定性感知分割框架，旨在保持竞争性准确性的同时，提供关于困难区域的可解释信息。
**研究内容与结论**
研究人员设计并实现了MBGS-UNet，一种多分支深度学习模型，用于急性缺血性卒中病灶分割。该模型在ISLES-2022数据集（包含250例DWI、ADC、FLAIR图像及对应标注）上进行了评估，采用独立测试集（50例）和五折交叉验证（197例有效病例）。主要结论包括：MBGS-UNet在独立测试集上获得Dice分数0.7208，数值上高于M2FNet（0.7068）和UMamba（0.7016），但逐病例配对统计分析（经Holm校正）未显示显著优越性；不确定性可视化显示高不确定性响应主要集中于病灶边界和易错区域，表明不确定性图有助于识别困难区域；该模型在提供可解释不确定性的同时实现了竞争性分割性能。论文发表在《Frontiers in Neurology》。
**主要关键技术方法**
研究人员使用了以下关键技术方法：首先，采用多分支独立编码器（DWI、ADC、FLAIR分支），在浅层（尺度0-1）通过逐模态门控机制融合，在深层（尺度2-4）引入边界感知模态交互图注意力（Boundary-Aware MIGGAT），该模块利用边界概率图作为软开关，在非边界区域惩罚不确定性差异以抑制噪声传播，在边界区域奖励互补模态差异以增强边缘信息。其次，设计不确定性门控融合，利用跨模态平均不确定性图生成空间门控图，平衡图增强特征与原始编码特征，在高不确定性区域更多依赖图交互进行细化。再次，采用不确定性加权边界损失（UWB Loss）和不确定性引导的一致性学习（教师-学生框架），在训练中强调边界和困难区域。模型使用ISLES-2022公共数据集，进行N4偏场校正、HD-BET颅骨剥离、ANTs SyN非线性配准、Z-score强度归一化和重采样至1mm3各向同性分辨率，训练时提取128×128×128病灶中心斑块，独立测试集采用无标签滑动窗口推理（窗口大小128×128×128，重叠0.5）。
**研究结果**
**3.1 Quantitative results（定量结果）**
通过与8种代表性3D分割网络（包括SegResNet、Attention UNet、SwinUNETR、UX-Net、UMamba、SegMamba、M2FNet、MedNeXt）在相同评估协议下比较，MBGS-UNet在独立测试集上获得最高数值Dice分数（0.7208），高于M2FNet（0.7068）和UMamba（0.7016）。但配对Wilcoxon符号秩检验及Holm校正后，Dice改善未达统计显著性。边界相关指标HD95（12.57 mm）和ASSD（2.95 mm）具有竞争力，但并非最佳。不确定性敏感指标UWA@Top20%为0.6397，略低于M2FNet（0.6461）和UMamba（0.6416），但高于其他模型。Brier分数为0.00443，与M2FNet（0.00449）和UMamba（0.00510）相当。模型参数68.542M，MACs 874.878G，高于轻量级模型MedNeXt（10.616M, 255.861G）。不确定性可靠性分析显示，在候选病灶区域期望校准误差（ECE）为0.1343，风险覆盖分析中全覆盖时体素错误率0.2557，50%覆盖时降至0.1517（相对风险降低40.65%），病例平均预测熵与1-Dice呈正相关（Spearman ρ=0.580, p=1.02×10
-5）。
**3.2 Ablation studies（消融实验）**
渐进式组件分析显示：基线UNet（直接通道拼接）Dice 0.6905；引入多分支独立编码器后Dice升至0.7042；加入特征融合模块升至0.7072；加入模态交互图（MIG）模块后Dice 0.7061且HD95改善至12.11 mm；加入图注意力（GAT）后HD95进一步降至11.73 mm；加入不确定性门控融合后Dice升至0.7084；加入UWB损失后Dice升至0.7174；最终加入一致性学习后完整模型（Variant A）Dice 0.7208，HD95 12.57 mm，ASSD 2.95 mm。架构设计比较显示：Variant A（边界感知注意力）优于Variant B（无边界感知的层次不确定性门控融合）（Dice 0.7059, HD95 13.85 mm）；Variant C（基于符号距离变换的多尺度边界损失）Dice最低（0.6983）；Variant D（UWB+多尺度边界损失）Dice 0.7141但HD95 14.45 mm；Variant E（不加一致性学习）Dice 0.7134但HD95 14.50 mm，表明一致性学习改善了边界规则性。
**3.3 Post-processing strategy（后处理策略）**
在验证折叠上确定二值化阈值（Variant A为0.45，Variant D为0.45，Variant E为0.40），然后在独立测试集上评估多种预定义后处理设置（包括连通分量滤波、孔洞填充、轻量形态学平滑）。结果显示不同变体和指标间效果混合，因此后处理未作为测试集优化的性能增强。
**3.4 Visual analysis（视觉分析）**
五折集成预测与真实标注在主要病灶区域吻合良好，高不确定性响应主要出现在病灶边界、形态过渡区和低对比度区域，且误差图（红为假阳性，蓝为假阴性）也集中于这些区域。与其他模型相比，MBGS-UNet更完整地保留主要病灶范围，边界细节和小孤立病灶区域响应更稳定。中间响应图（MIG边界图、深度门控图、不确定性图）显示空间相关性，表明不确定性不仅用于后处理输出，还与网络内部融合行为紧密耦合。三维可视化显示预测病灶分布与标注在空间位置和整体形态上接近，残余差异主要局限于局部体积或边界范围。五折训练曲线显示Dice和UWA逐渐上升并趋于稳定，HD95和ASSD早期改善后收敛，训练过程在样本量小且类别不平衡条件下相对稳定。
**讨论与结论**
讨论部分指出，MBGS-UNet的主要价值在于将竞争性分割性能与不确定性感知解释相结合，而非证明分割准确性的绝对优越性。不确定性图倾向于突出病灶边界、小散在成分和其他易错区域，可作为复查辅助工具而非独立临床决策工具。模型将不确定性用于融合而非仅用于预测后，在边界区域和低对比度区域，边界感知交互和不确定性门控允许融合行为随局部条件变化。不确定性分析支持其作为风险分层和错误定位信号。模型对域偏移敏感，且计算成本较高，需在未来探索轻量变体。局限性包括：误差主要集中于模糊、拉长、低对比度边界及小孤立病灶；训练使用固定大小病灶中心斑块，可能不完全匹配全脑自动部署；缺乏外部验证；假设三种模态均可用；不确定性可靠性仍需进一步验证；超参数经验固定；配对统计分析未显示显著优越性。
结论部分翻译：本研究中，研究人员开发了MBGS-UNet，一种用于急性缺血性卒中病灶的不确定性感知多模态分割框架。该模型旨在解决这一任务中的实际困难：对多模态融合最具信息量的区域通常也是模态间歧义和分歧最大的区域。为处理这一问题，研究人员在多分支框架中结合了边界感知图交互、不确定性门控融合、不确定性加权边界监督和一致性学习。实验结果表明，MBGS-UNet可能有助于人工智能辅助脑血管图像分析，但应谨慎解释其贡献。尽管该模型在独立测试集上获得了所比较方法中最高的平均Dice分数，但配对统计分析并未证明其在多重比较校正后优于最强基线。因此，该方法的主要价值在于保持竞争性分割性能的同时，提供倾向于突出病灶边界和其他易错区域的不确定性图。这些不确定性输出可支持困难病例的结果解释和人工复查。总体而言，MBGS-UNet应被视为不确定性感知多模态卒中病灶分割的探索性方法，其更广泛的鲁棒性仍需在更大、更多样化的外部队列上进行验证。
