摘要
多模态磁共振成像为准确的脑肿瘤分割提供了关键的解剖和病理信息。然而，基于深度学习的分割方法受到临床磁共振数据集中标注数据有限和模态采集不完整的阻碍。为了解决这一问题，我们提出了一种基于 SCGAN-MultiJNet 的合成增强框架，用于多模态脑肿瘤磁共振成像。具体而言，SCGAN 建立了一个双分支解耦潜在空间，以独立编码图像的结构轮廓和纹理特征。结合 MultiJNet 的多尺度融合能力，所提出的网络实现了有效的模态转换。随后，合成样本与 BraTS2020 训练数据混合，以优化 U-Net 分割模型。采用最佳真实 - 合成数据混合策略，分割指标得到改善：准确率、Dice、精确率和 IoU 分别从 0.9857、0.8919、0.8980 和 0.8054 提高到 0.9864、0.8962、0.9205 和 0.8122。提出的合成增强实验性地证明了模型对磁共振成像干扰（包括高斯模糊、亮度偏移等）的鲁棒性增强。最后，在 BraTS2025-SSA-Data 上进行的跨域泛化实验表明，引入合成数据增强可以有效地提升模型的跨域泛化能力。总之，所提出的基于 SCGAN-MultiJNet 的数据合成算法提供了一种可行的技术方案，以突破多模态磁共振脑肿瘤分割中的数据瓶颈。
