
-
生物通官微
陪你抓住生命科技
跳动的脉搏
Bezier-YOLO:基于贝塞尔曲线轮廓的实时脑肿瘤分割模型
《Scientific Reports》:Bezier-YOLO enables real-time brain tumor segmentation in multi-plane MRI through boundary-aware parametric contour regression
【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确的脑肿瘤分割需要边界预测能够跟随弯曲、不规则的病灶边缘,同时保持足够快的速度以适应实际应用。我们提出了 Bezier-YOLO,这是一种实时检测与分割模型,它将每个检测到的肿瘤表示为封闭的三次贝塞尔曲线轮廓,而非以框为中心的掩码。标准的 YOLO 回归分支被一个预测
准确的脑肿瘤分割需要边界预测能够跟随弯曲、不规则的病灶边缘,同时保持足够快的速度以适应实际应用。我们提出了 Bezier-YOLO,这是一种实时检测与分割模型,它将每个检测到的肿瘤表示为封闭的三次贝塞尔曲线轮廓,而非以框为中心的掩码。标准的 YOLO 回归分支被一个预测 24 个控制点的参数化头所取代,此外,一个紧凑的通道 - 空间注意力模块在有限开销下优化了主干特征。训练过程结合了控制点回归、软多边形 IoU 监督以及切线连续性正则化。实验使用了 BRISC2025 的肿瘤阳性分割子集,这是一个公开的对比增强 T1 加权脑部 MRI 切片集合,包含具有非空掩码的胶质瘤、脑膜瘤和垂体瘤病例;由于无肿瘤图像无法提供用于拟合的轮廓,故予以排除。在 RTX 3090 上,Bezier-YOLO-l 以 72 FPS 的速度运行,实现了 95.3% 的掩码 mAP@0.5、70.7% 的掩码 mAP@0.5:0.95 和 84.0% 的 Dice 系数,在相同协议下优于所评估的 YOLO 分割基线。由于所有模型均在单一公共数据集上基于同一协议进行训练和测试,这些差异是作为描述性结果报告的,而非统计学上确立的优越性。最大的增益出现在掩码级一致性方面,而失败案例主要集中在不规则或多灶性胶质瘤上。本研究有意限定在切片级、肿瘤阳性的设置中,因此未评估正常解剖结构上的特异性、边界距离一致性以及跨中心鲁棒性。这些结果表明,紧凑轮廓回归是实时 MRI 肿瘤分割的一条有前景的途径,尽管外部验证和正常病例假阳性分析仍然必要。