Bridge-Net：边界模糊引导的残差注入用于基于MRI的脑肿瘤分割

《Mathematical and Computational Applications》：Bridge-Net: Boundary-Ambiguity Guided Residual Injection for MRI-Based Brain Tumor Segmentation

　　

编码器-解码器分割网络使用跳跃连接（skip connections）恢复空间细节，但直接特征传递也可能将不相关的高频响应传播到解码器（decoder）。这个问题在弱或不规则肿瘤边缘尤为突出，其中轮廓证据有用但不应不加区分地修改语义可靠特征。研究人员提出Bridge-Net，一个边界模糊引导的残差注入（boundary-ambiguity guided residual injection）框架用于二维（2D）脑肿瘤磁共振成像（MRI）分割。Bridge-Net将边界增强表述为条件特征校正问题。一个结构边界先验（structural boundary prior）与从辅助前景logit获得的模糊图（ambiguity map）相乘耦合。模糊线索是确定性的基于概率的，而不是贝叶斯或校准的不确定性估计。两个线索的重叠识别出既像边界又预测模糊的位置。一个层次特定的门控残差分支（level-specific gated residual branch）然后将结果线索注入每个跳跃特征，同时一个零初始化的有界缩放因子（zero-initialized bounded scaling factor）在优化开始时保持类似恒等的主路径。在TCGA-LGG和BRISC2025上进行了实验，遵循数据集特定协议，包括TCGA-LGG的患者级划分和BRISC2025的官方图像级划分。Bridge-Net在TCGA-LGG上达到Dice/IoU/HD95为84.16%/73.65%/15.38，在BRISC2025上为87.26%/77.63%/8.68。TCGA-LGG的患者级配对分析和BRISC2025的图像级配对分析进一步支持了相对于UCTransNet的改进。消融结果支持结构边界和概率模糊线索的互补作用，相同种子重复运行比较支持在所测试设置下观察到性能趋势的稳定性。相对于UCTransNet，所提出的机制在256×256分辨率下将参数计数从7.982M增加到7.988M，FLOPs从24.083G增加到24.196G。这些结果表明，模糊过滤的边界残差融合仅引入参数计数和FLOPs的小幅增加，用于边界模糊的MRI分割，尽管更广泛的患者级和体积验证仍然必要。

**研究背景与问题**
脑肿瘤磁共振成像（MRI）分割是神经肿瘤学中定量分析、治疗规划与疗效评估的关键步骤。编码器-解码器网络（如U-Net及其变体）通过跳跃连接（skip connections）恢复空间细节，但直接特征传递会将不相关的高频响应（如噪声、纹理和正常解剖边缘）传播到解码器，尤其在弱或不规则肿瘤边界处，轮廓证据虽有用却可能错误地修改语义可靠特征。现有方法包括边缘感知损失、辅助边界分支、注意力机制和Transformer增强融合，但均未明确区分肿瘤相关轮廓与无关边缘，也未将边界增强与预测模糊性（prediction ambiguity）相结合。因此，研究人员提出一种条件性残差校正策略，即仅在预测模糊的边界位置注入校正信息，以改善脑肿瘤MRI分割的边界准确性。该研究发表在《Mathematical and Computational Applications》期刊上。

**主要研究方法**
研究人员采用Transformer增强的编码器-解码器骨干网络，通过三个关键模块实现边界模糊引导的残差注入：1）**结构边界先验生成**：基于Sobel算子从输入MRI切片提取图像梯度响应，经轻量级可学习投影块生成软边界先验图，无需手工标注；2）**概率模糊图计算**：从解码器早期特征层附加辅助前景logit，经sigmoid得到概率图，再取与0.5的绝对差值作为确定性模糊图，无需贝叶斯或蒙特卡洛采样；3）**门控安全残差注入（Gated Safe Residual Injection, Gated SRI）**：将边界先验与模糊图逐元素相乘得到共引导图，经层次特定门控卷积和零初始化的有界标量因子（α_l，初始为0）调节后，注入到原始跳跃特征中，保留恒等主路径。模型在TCGA-LGG（低级别胶质瘤，来自TCGA/TCIA，患者级7:2:1划分）和BRISC2025（公开脑肿瘤MRI数据集，官方图像级划分）上进行训练和评估，所有基线均在相同预处理、优化器和评价协议下复现。

**研究结果**
**3.1 与代表性基线比较**
在TCGA-LGG上，Bridge-Net的Dice、IoU和HD95分别为84.16%、73.65%和15.38像素，优于所有复现的卷积、注意力增强、Transformer和nnU-Net类基线。相对于UCTransNet，Dice提升3.08%，IoU提升2.64%，HD95降低2.32像素，患者级配对分析支持这些改进。在BRISC2025上，Bridge-Net的Dice、IoU和HD95为87.26%、77.63%和8.68像素，同样优于所有基线，图像级配对分析显示显著差异。

**3.2 重复运行稳定性**
使用三个随机种子（42、447、1732）进行重复运行，Bridge-Net在所有种子上的平均Dice和标准差均优于其他基线，表明性能趋势在相同设置下稳定。

**3.3 消融研究**
消融实验将完整Bridge-Net与仅边界先验、仅模糊图的单线索变体及骨干网络比较。在TCGA-LGG上，完整模型Dice（84.16%）高于仅边界（83.42%）和仅模糊（83.41%），且召回率和HD95改善；在BRISC2025上，完整模型同样最佳，验证了结构边界与概率模糊线索的互补作用。

**3.4 统计分析**
对Bridge-Net与UCTransNet进行患者级（TCGA-LGG）或图像级（BRISC2025）配对t检验，所有指标（Dice、IoU、HD95、表面Dice）的95%置信区间均不包含0，Cohen's d效应量中等，表明改进具有统计一致性。

**3.5 复杂度分析**
在256×256输入下，Bridge-Net参数为7.988M（较UCTransNet增加0.08%），FLOPs为24.196G（增加0.47%），但推理时间每图像增加1.552ms（约34.0%），主要源于辅助logit上采样、Sobel处理、门控操作等额外内核启动和内存访问。

**3.6 定性分析**
可视化示例显示，Bridge-Net的预测掩膜更接近真实标注，尤其在不规则肿瘤边缘处减少了过分割和欠分割，错误图（FP/FN）集中在模糊边界区域，符合条件校正的设计目标。

**讨论与结论**
讨论部分指出，Bridge-Net通过将跳跃连接视为恒等路径加条件校正，实现了轻量级边界细化；乘积耦合（边界先验×模糊图）作为软交集，仅当两个线索同时响应时才激活残差注入。该方法在参数和FLOPs上增加极小，但推理延迟因硬件特性而有所上升。研究局限性包括：基于2D切片、单通道输入、仅二值分割、单中心验证，且未与贝叶斯不确定性估计对比。未来需在多中心、多模态MRI、多类子区域和2.5D/3D场景下验证。

**研究结论**：Bridge-Net将边界增强表述为编码器-解码器跳跃特征的条件残差校正。逐点边界-模糊耦合确定校正的空间支撑，层次特定门控和有界零初始化的缩放因子调节其贡献而不移除恒等跳跃路径。在受控实验中，Bridge-Net在TCGA-LGG和BRISC2025上获得比复现基线更高的平均Dice和IoU，相对于UCTransNet参数增加0.08%，FLOPs增加0.47%。该证据支持所提出的算子作为边界模糊MRI分割的轻量级细化方法，但其泛化性需要进一步的患者级、多中心和2.5D/3D评估。