一篇关于深度学习方法用于脑肿瘤分割的系统性综述

本文由 Sandeep Kaur、Usha Mittal 和 Ankita Wadhawan（均来自印度洛弗利职业大学计算机科学与工程系）合作撰写，于2025年以“A systematic review of deep learning approaches for brain tumor segmentation in MRI: trends, challenges and future directions”为题，发表在期刊 Archives of Computational Methods in Engineering 上。这篇论文是一篇系统性文献综述，旨在全面梳理和评估2017年至2025年间深度学习在脑肿瘤分割领域的应用进展、趋势和挑战。

论文主题与背景 脑肿瘤是致命的癌症，及时、准确的诊断对于治疗计划和预后至关重要。磁共振成像（Magnetic Resonance Imaging, MRI）因其能提供详细的解剖信息和优越的对比度分辨率，是检测脑肿瘤的首选方式。然而，人工勾画肿瘤区域耗时且存在观察者间的差异性，因此推动了自动化分割解决方案的发展。脑肿瘤分割（Brain Tumor Segmentation, BTS）指的是在脑部MRI扫描中自动识别和描绘肿瘤区域。近年来，深度学习（Deep Learning, DL）技术，尤其是利用多模态（Multi-Modal, MM）MRI成像（如T1加权、T1增强（T1ce）、T2加权、FLAIR序列），在BTS领域取得了显著进步，提升了诊断精度并支持更明智的临床决策。这篇综述旨在填补现有文献的空白，提供一个集成了架构趋势、数据集特征、临床适用性和评估策略的全面视角。

论文的主要观点 1. 当前最成功的脑肿瘤分割方法及其演进趋势 论文通过分析大量文献，指出脑肿瘤分割领域经历了从早期模型到当前先进架构的清晰演进。早期（2017-2019年）的研究侧重于建立基础，如EMMA集成模型、基于U-Net的完全卷积网络等，这些模型在当时的挑战赛中表现出色。随后（2020-2021年），注意力机制和领域知识的引入显著提升了性能，例如AGResU-Net、DCU-Net等模型通过注意力机制改善了对小肿瘤区域的聚焦。近期（2022-2025年）的研究则集中在高级注意力机制、级联网络和混合模型上，特别是将卷积神经网络（CNNs）与Transformer或图卷积网络结合的混合架构，如PA-Net、VSA-GCNN、AugTransU-Net、CMIT-Net等。这些模型通过捕获局部细节和全局上下文依赖关系，实现了更高的分割精度和鲁棒性。综述总结道，这些创新标志着从以卷积为主的架构向富含注意力、跨模态的混合架构的明确演进，在整体肿瘤和增强肿瘤分割的Dice相似系数上分别比早期CNN集成模型提高了约10-15%和5-8%。

1. 多模态脑肿瘤分割数据集的主要来源与特点 高质量的标注数据集对于BTS研究至关重要。该综述详细介绍了多个关键的数据来源：

   • BRATS数据集：这是应用最广泛的标准基准数据集，由MICCAI组织发布，涵盖了从2013到2021年的版本。其特点是包含大量多机构、多模态的MRI图像（T1, T1ce, T2, FLAIR），并标注了增强肿瘤（ET）、肿瘤核心（TC）和整体肿瘤（WT）子区域。数据经过了头骨剥离和标准化预处理，极大地便利了算法的训练与横向比较。
   • TCIA与TCGA数据集：癌症影像档案和癌症基因组图谱提供了与基因组和临床数据（如生存率）相关联的影像数据，支持影像基因组学和预后预测等跨模态研究，但其精细分割标注相对有限。
   • Figshare：作为一个开放获取的在线存储库，提供了灵活的格式和不断增长的数据集，用于实验性研究。
   • 机构/私有数据集：来自特定医院或研究中心的内部数据集（如科隆大学医院的脑膜瘤数据集），虽然样本量通常较小且访问受限，但能反映真实世界的变异性和特定肿瘤类型，对于临床转化研究有重要价值。 论文指出，虽然各数据集优势互补，但BRATS因其规模、标准化和社区接受度而占据主导地位。数据的依赖分布也突显了对更大、更多样化公共数据集的需求，以训练更鲁棒的分割模型。

2. 脑肿瘤分割中使用的不同预处理技术 为了确保模型训练的稳定性和泛化能力，对MRI数据进行预处理是关键步骤。综述系统地总结了主要的预处理技术：

   • 强度归一化：最常用的步骤，旨在减少不同患者和扫描仪之间的强度差异，常用方法包括Z-score归一化和最小-最大归一化。
   • 偏置场校正：使用如N4ITK等方法纠正MRI图像中的低频强度不均匀性。
   • 头骨剥离：移除非脑组织，使模型聚焦于相关区域，常用工具有BET, HD-BET等。
   • 配准：对不同模态的MRI图像进行空间对齐，确保特征学习的一致性。
   • 数据增强：通过翻转、旋转、缩放等技术增加数据多样性，应对类不平衡并提升模型泛化能力，测试时增强（TTA）也被证明有效。
   • 多模态融合：将不同MRI序列的信息结合起来，利用其互补的解剖和病理信息。
   • 其他技术：包括基于块的处理以节省内存、降噪、重采样/调整大小等。 分析表明，归一化、偏置场校正、数据增强和跨模态融合等技术对于确保BTS模型的准确性和泛化性最具影响力。

3. 用于评估模型性能的不同评估指标 为了量化分割效果并促进公平比较，BTS领域采用了多种评估指标，且通常针对WT、TC和ET子区域分别报告：

   • 重叠度指标：Dice相似系数（Dice Similarity Coefficient, DSC）是最广泛使用的指标，衡量预测分割与真实标注之间的体积重叠度（0到1之间）。Jaccard指数（交并比）则是更严格的评估。
   • 距离指标：豪斯多夫距离（Hausdorff Distance, HD），特别是其95百分位数，用于评估分割边界的空间对齐精度，数值越低表示边界对齐越好。
   • 区域特异性分析：由于不同肿瘤子区域的临床意义不同，分别评估至关重要。例如，ET的准确勾画对放疗计划至关重要，因此HD95指标对其尤为重要；而WT的体积则对追踪肿瘤负荷有意义。 综述通过图表比较了不同模型的DSC和HD值，表明先进的混合架构在所有子区域，尤其是ET上，取得了显著更优的指标分数，同时也揭示了分割小而不规则的ET区域仍然是持续存在的挑战。

4. 采用多模态脑肿瘤分割的原因及其价值 论文明确指出，多模态MRI的运用对于提升BTS的准确性、鲁棒性和临床实用性至关重要。每种MRI序列提供了独特的组织对比信息：

   • T1加权：显示典型解剖结构。
   • T1增强（T1ce）：通过造影剂突显异常血管，有助于感知肿瘤。
   • T2加权：显示液体存在，便于识别肿瘤及瘤周水肿。
   • FLAIR：抑制正常液体信号，利于检测水肿等病理。 通过融合这些互补的信息，深度学习模型能够更全面地理解肿瘤的形态和异质性，从而做出更精确的分割。此外，综述指出研究趋势正从早期的特征级手工融合，转向基于深度学习的、注意力引导的特征融合。针对临床实践中可能出现的模态缺失问题，近期研究也提出了自适应融合机制，增强了模型的鲁棒性和在真实世界部署的可行性。

论文的意义与价值 这篇系统性综述通过对220篇相关出版物（最终纳入61篇）的深入分析，为研究者和临床医生提供了一个关于深度学习在MRI脑肿瘤分割领域演变、局限性和未来方向的综合性参考。它不仅系统性地总结了最先进的模型架构、数据集、预处理和评估方法，还清晰地描绘了技术发展的脉络——从基础CNN到混合注意力架构的演进。更重要的是，论文明确指出了当前面临的开放性挑战，包括数据层面的类别不平衡、标注不一致；模型层面的泛化能力不足、缺乏时空上下文；以及临床层面的可解释性、实时可行性等壁垒。这些洞察对于引导未来研究朝着解决实际临床问题、开发更可靠、可解释且易于部署的AI辅助诊断系统具有重要的指导价值。该论文是一份详尽的领域“地图”和“指南针”，既展示了已取得的显著成就，也指明了迈向更广泛临床整合所需跨越的关键障碍。