《Frontiers in Artificial Intelligence》：Bridging global context and local precision using a disagreement-based region specific ensemble of Swin UNETR and SegResNet for 3D glioma segmentation
编辑推荐：
脑肿瘤是最具挑战性的神经系统疾病之一，在肿瘤特征描述中即使是微小的误差也可能致命。从三维磁共振成像（3D MRI）图像中实现准确可靠的脑肿瘤分割，是神经肿瘤学中进行有效诊断、治疗规划和预后评估的基本要求。由于肿瘤的侵袭性生长、结构异质性以及肿瘤区域边界的弥漫性
脑肿瘤是最具挑战性的神经系统疾病之一，在肿瘤特征描述中即使是微小的误差也可能致命。从三维磁共振成像（3D MRI）图像中实现准确可靠的脑肿瘤分割，是神经肿瘤学中进行有效诊断、治疗规划和预后评估的基本要求。由于肿瘤的侵袭性生长、结构异质性以及肿瘤区域边界的弥漫性，脑肿瘤分割十分关键且具有挑战性。即使是在勾勒肿瘤时出现的微小失误，也可能对手术切除和放疗规划产生不利影响。为了应对这些挑战，本研究提出了一种区域自适应集成框架，通过分阶段融合策略整合两种强大三维分割模型SegResNet和Swin UNETR的互补优势：该策略包括简单平均（SA）、区域自适应软加权（RSW）以及针对高冲突体素的基于分歧的区域特异性细化（DRE）。基于卷积神经网络（CNN）的SegResNet凭借其卷积局部偏置，能够捕捉细粒度的局部纹理和轮廓清晰的肿瘤核心；而基于Transformer的Swin UNETR凭借其分层Transformer架构，能够捕捉MRI体积内的长距离上下文依赖关系。这两种模型在BraTS 2020数据集上进行了微调，随后通过动态的基于体素分歧的融合策略进行集成，该策略根据区域置信度、历史表现和分歧水平等参数自适应地加权模型预测。该架构在BraTS 2020数据集上的多次独立运行实验评估中取得了令人瞩目的骰子系数（Dice score），在整体肿瘤（WT）区域为0.9447 ± 0.0021，在肿瘤核心（TC）区域为0.9231 ± 0.0033，在强化肿瘤（ET）区域为0.9071 ± 0.0041。这些结果表明，将卷积模型与基于Transformer的模型进行带有基于分歧细化的区域自适应融合，构建了一个稳健的脑肿瘤分割框架，经过进一步的研究和验证，该框架有望适用于临床决策和治疗规划。
脑肿瘤由于其侵袭性生长、结构异质性以及边界的弥漫性，在三维磁共振成像（3D MRI）中的准确分割面临着巨大挑战，而微小的分割失误都会对手术和放疗产生致命影响。尽管深度学习技术已被广泛应用，但现有研究大多将卷积神经网络（CNN，一种擅长提取局部纹理特征的网络结构）与Transformer（一种擅长处理长距离全局上下文依赖的模型）架构视为相互竞争的替代方案，忽略了它们的互补优势。此外，现有的静态集成方法通常假设模型在所有体素上具有同等置信度，这在高度异质的肿瘤子区域（如瘤周水肿和强化肿瘤）中会导致错误预测抑制正确预测。同时，现有的不确定性量化方法往往需要耗费巨大的推断计算资源。为了解决上述问题，研究人员提出了一种结合CNN与Transformer并基于分歧的自适应集成分割框架，旨在平衡全局上下文信息与局部精细特征。该研究发现，结合SegResNet（一种基于CNN的局部纹理专家模型）与Swin UNETR（一种基于Transformer的全局结构建模模型）的互补优势，并通过动态的区域自适应与分歧细化机制进行融合，能够有效消除单一模型的弱点并构建稳健的分割基线。该研究在BraTS 2020数据集上的多个子区域取得了极高的分割精度，并在BraTS 2021数据集上展示了卓越的零样本泛化能力。这一成果表明，该框架不仅提升了脑肿瘤分割的精确度，还具有重要的临床转化意义，有望在未来为神经肿瘤学干预、常规放射学诊断及治疗规划提供可靠的自动化工具。该论文已发表于《Frontiers in Artificial Intelligence》。
在技术方法与样本队列方面，研究数据的样本队列来源于Kaggle平台提供的BraTS 2020脑肿瘤分割数据集，共纳入368例临床采集的多机构MRI扫描样本，包含T1、T1ce、T2和FLAIR四种模态。研究人员主要采用了三种关键技术：首先，利用MONAI框架对多模态MRI数据进行模态拼接、重叠区域标签转换（WT、TC、ET）以及通道维度的Z分数强度归一化，以缓解严重的类别不平衡；其次，采用多阶段微调策略分别训练SegResNet（使用BraTS 2018预训练权重）与Swin UNETR（使用BTCV预训练权重），训练中结合了随机权重平均（SWA）与混合精度计算以提升模型泛化能力；最后，提出了基于分歧的区域自适应集成框架，包括简单平均、区域自适应软加权（RSW）以及基于体素级分歧的区域特异性细化（DRE），通过判定模型预测分歧度是否超过阈值动态选择融合路径。
**Training dynamics (训练动态)**：研究人员分别在三次独立的训练运行中监测了SegResNet与Swin UNETR的损失曲线与验证骰子系数。通过研究发现，SegResNet在利用BraTS 2018预训练权重进行初始化后能够快速收敛，并在第57个周期达到平滑的对数级验证Dice峰值，表现出高度的抗过拟合稳定性；而Swin UNETR凭借BTCV预训练权重，结合初始的预热学习率策略与最终的随机权重平均，在较长的训练周期内逐渐学习全局上下文特征，最终在第68个周期达到更高的验证Dice峰值，展示了其在捕捉三维扫描切片间空间关系上的稳健性。
**Baseline model performance analysis (基线模型性能分析)**：通过对比两种单独模型在整体肿瘤（WT）、肿瘤核心（TC）与强化肿瘤（ET）三个子区域的表现，研究人员发现模型表现受到架构归纳偏置与预训练权重的双重影响。Swin UNETR在WT与ET区域表现更优，能够更好地勾勒整体肿瘤范围并捕捉细小强化部分；而SegResNet在TC区域的边界勾勒上表现出更高的精度。在最具挑战性的ET区域，Swin UNETR的Dice分数显著高于SegResNet，这表明分层Transformer特征表示在处理细粒度分割任务时具有明显优势。
**Component-wise ablation of ensemble strategies (集成策略的组件式消融研究)**：为了量化每种设计选择的贡献，研究人员依次评估了简单平均（SA）、区域自适应软加权（RSW）与基于分歧的区域特异性集成（DRE）。研究得出，SA策略虽能降低单一模型灾难性失败的风险，但未充分利用模型在特定区域的各自优势；RSW策略根据各模型在验证集上的历史表现分配区域特定权重，在三个区域均获得了显著提升；而DRE策略在高冲突边界体素处引入分歧机制，通过动态切换至置信度更高的模型预测，在所有区域均取得了整体最佳性能，成功恢复了之前在边界处丢失的精细细节。
**Statistical significance analysis (统计学显著性分析)**：利用Wilcoxon符号秩检验，研究人员验证了DRE策略相对于单独模型与基线集成方法的统计显著性。结论显示，DRE在所有区域均显著优于SegResNet，且在WT和TC区域显著优于Swin UNETR。与SA相比，DRE在三个区域内均表现出显著提升；而与RSW相比，DRE的提升在WT区域具有统计显著性，但在TC和ET区域仅呈现出增量式的优化。这表明动态分歧融合机制相对区域自适应权重提供了特定的边界优化增量。
**Output analysis (输出分析)**：通过对具体分割输出图像的定性可视化对比，研究人员发现集成方法有效结合了两种架构的强度。SA补偿了Swin UNETR在TC区域的局限，RSW则通过偏向SegResNet的TC预测进一步优化了结果。DRE在缺乏分歧的区域采用RSW路径，而在边界高分歧区域优先选择置信度更高的模型输出，成功消除了SegResNet在WT下边界的预测误差，并在ET区域保留了最细微的准确分割部分，实现了与真实标注几乎一致的分割效果。
**Comparative analysis (对比分析)**：将所提方法与现有文献中的先进架构进行对比，研究发现单独的模型骨干网络已具备优异的评估结果，优于部分在BraTS 2020上评估的其他基线方法。结合局部与全局优势的集成架构在所有区域表现出色。DRE取得了最佳的均值Dice分数（0.9249），不仅超越了本研究中的骨干模型与静态集成方法，也在该数据集上展现出优于现有特征融合方法（如解耦融合网络）的潜力，特别是在处理模型偏差与类别不平衡方面表现优异。
**Sensitivity analysis of disagreement threshold (分歧阈值的敏感性分析)**：为评估架构针对参数鲁棒性，研究人员在τ ∈ [0.1, 0.9]范围内进行了敏感性分析。结论表明，低阈值会导致过度依赖单模型选择从而降低互补优势，高阈值则减少边界细化导致精度下降。中值阈值τ=0.5提供了区域软加权法与置信度选择之间最有效的平衡，并在三次独立运行中均稳定取得峰值Dice分数。
**Generalizability analysis: zero-SHOT evaluation on BRATS 2021 (泛化性分析：在BRATS 2021上的零样本评估)**：为评估架构的初步泛化能力，研究人员从BraTS 2021数据集抽取了50个患者病例进行零样本评估。结果显示，虽然由于缺乏微调导致绝对性能有所下降，但三种策略间的相对性能排序得以完全保留，DRE依然表现最佳，证明了基于分歧的自适应集成在跨数据集场景下的性能优势与鲁棒性。
在总结讨论部分，研究人员指出，尽管本研究计算资源有限且数据集规模尚存在局限，但所提出的基于分歧的集成方法成功将Swin UNETR的全局信息与SegResNet的局部空间信息结合，克服了单一模型的固有局限。研究结论显示，基于分歧的融合方法在多次独立运行的方差分析中保持了高度的稳定性，在整体肿瘤区域取得了最大化的性能提升，并在难度较高的强化肿瘤区域实现了显著的精度突破。得益于定性定量改善、三次独立运行训练策略、统计验证以及在BraTS 2021的零样本泛化能力，该方法证明了其广阔的应用潜力。未来，研究团队建议将此框架扩展并结合自适应阈值、轻量级替代方案或动态主动学习技术，以促进其向真正适用于临床环境部署的通用神经肿瘤工具发展。
