基于磁共振成像的脑肿瘤分割方法研究综述

基于磁共振成像的脑肿瘤分割方法研究综述一、脑肿瘤MRI分割的临床需求与技术挑战脑肿瘤是中枢神经系统最常见的疾病之一，其中胶质瘤占原发性恶性脑肿瘤的80%以上，5年生存率不足5%。磁共振成像（MRI）因具有无电离辐射、软组织对比度高、多参数成像等优势，是脑肿瘤术前诊断、术中导航、术后随访的核心影像学手段。临床实践中，放射科医生需要手动勾画出肿瘤的整体区域、增强区域、坏死区域及水肿区域，为手术方案制定、放疗靶区规划、预后评估提供依据。但手动分割一例脑肿瘤MRI数据通常需要1-4小时，结果高度依赖医生的临床经验，不同医生之间的分割一致性仅为0.75-0.85，对于边界模糊、异质性强的高级别胶质瘤，一致性甚至低于0.7。脑肿瘤MRI自动分割的核心挑战来自三个层面：首先是肿瘤本身的异质性，不同类型肿瘤的信号强度、形态、位置差异极大，同一肿瘤内部可能同时存在坏死、囊变、出血、新生血管等多种组织成分，在T1加权、T2加权、FLAIR、增强T1等不同序列上表现出复杂的信号特征；其次是成像过程中的伪影与个体差异，扫描参数不一致、运动伪影、磁场不均匀性会导致不同中心的MRI数据存在明显的域偏移，不同年龄、性别患者的脑结构本身存在生理性差异，肿瘤的占位效应还会挤压周围正常脑组织，导致解剖结构变形；第三是类别不平衡问题，脑肿瘤区域通常仅占整个脑容积的1%-5%，小肿瘤的占比甚至低于0.1%，模型极易偏向于预测背景区域，导致肿瘤区域的漏检。二、传统脑肿瘤分割方法的发展脉络在深度学习技术普及之前，脑肿瘤分割研究主要围绕基于阈值、区域生长、图谱配准、机器学习的方法展开。阈值法是最早应用的分割技术，通过设定不同序列的信号强度阈值来区分肿瘤与正常组织，例如FLAIR序列高信号对应水肿区域，增强T1序列高信号对应活跃肿瘤区域。但该方法完全依赖信号强度的区分度，对于信号重叠的区域完全失效，仅能作为预处理步骤使用。区域生长法从人工选取的种子点出发，根据邻域像素的相似性准则不断扩展区域，能够获取连续的肿瘤边界，但种子点的选择对结果影响极大，对于边界模糊的肿瘤容易出现过分割或欠分割。图谱配准方法是2010年之前的主流技术，其核心思路是将预分割好的标准脑图谱（如ICBM、MNI图谱）通过非线性配准对齐到患者的MRI图像上，将图谱的标签映射到患者图像中完成分割。为了提升配准精度，研究者构建了包含不同类型、不同阶段脑肿瘤的多图谱库，通过多数投票策略融合多个图谱的配准结果，在BRATS2012挑战赛中，最优的多图谱配准方法的全肿瘤分割Dice系数达到了0.78。但该类方法的计算复杂度极高，配准一例数据通常需要数十分钟，且对于形态特殊、占位效应明显的肿瘤，配准误差会显著上升。2010-2015年间，基于传统机器学习的方法成为研究热点，研究者通过人工设计大量影像学特征，包括一阶统计特征（均值、方差、偏度、峰度）、纹理特征（灰度共生矩阵、局部二值模式、小波特征）、形状特征（体积、表面积、球形度）等，输入支持向量机、随机森林、条件随机场等分类器进行像素级分类。这类方法在BRATS2015挑战赛中的最优Dice系数突破了0.85，但特征设计需要大量的领域知识，特征的泛化能力有限，难以捕捉肿瘤的复杂异质性特征。三、基于全监督深度学习的分割方法演进2015年，U-Net架构的提出彻底改变了医学图像分割领域的研究范式。该架构采用编码-解码的对称结构，通过跳跃连接将编码器的低层次空间特征与解码器的高层次语义特征融合，完美适配了医学图像数据量小、边界精度要求高的特点。针对脑肿瘤分割任务，研究者首先对U-Net进行了多模态输入适配，将T1、T2、FLAIR、增强T1四个序列作为独立通道输入模型，在BRATS2017挑战赛中，基于改进U-Net的方法全肿瘤分割Dice系数达到了0.90，首次超过了普通放射科医生的手动分割水平。为了进一步提升分割精度，研究者从多个维度对U-Net架构进行了改进。在特征融合方面，注意力门控机制被引入跳跃连接，通过计算解码特征与编码特征的相关性权重，自动抑制背景区域的特征响应，重点增强肿瘤区域的特征表示，使得肿瘤边界的分割精度提升了2%-3%。多尺度特征提取模块被广泛应用，通过空洞卷积、金字塔池化等操作捕捉不同大小的肿瘤区域，解决了小肿瘤漏检的问题。在损失函数设计方面，研究者针对类别不平衡问题提出了Dice损失、Focal损失、Tversky损失等替代传统的交叉熵损失，通过提升肿瘤区域的损失权重，迫使模型更加关注肿瘤区域的分类效果。2018年之后，基于Transformer的分割架构开始被应用于脑肿瘤分割任务。Transformer的自注意力机制能够捕捉长距离的特征依赖关系，对于理解肿瘤与周围脑组织的空间位置关系具有天然优势。研究者将CNN的局部特征提取能力与Transformer的全局建模能力相结合，提出了混合架构的分割模型，在BRATS2020挑战赛中，最优模型的全肿瘤分割Dice系数达到了0.92，肿瘤核心区域Dice系数达到0.88，增强肿瘤区域Dice系数达到0.82，已经接近资深放射科医生的分割水平。目前，全监督深度学习方法已经成为脑肿瘤分割的主流技术，在临床试点应用中能够将医生的手动分割时间缩短70%以上。四、弱监督与无监督分割方法的前沿探索全监督方法的性能高度依赖大规模像素级标注的数据集，但脑肿瘤MRI的标注成本极高，标注一例多模态脑肿瘤数据需要资深医生花费数小时，目前公开的最大脑肿瘤数据集BRATS2024也仅包含2000多例标注数据，远低于自然图像领域的数据集规模。因此，弱监督与无监督分割方法成为近年来的研究热点，旨在降低对高质量标注的依赖。弱监督方法主要利用粗粒度的标注信息来训练模型，包括图像级标签（仅标注是否存在肿瘤、肿瘤类型）、boundingbox标注（仅标注肿瘤的外接矩形框）、点标注（仅标注肿瘤内部的几个像素点）等。基于图像级标签的弱监督方法通常采用类激活映射技术，通过分类网络的注意力权重生成伪分割标签，再用伪标签训练分割网络。基于boundingbox的方法通过在框内随机采样正负样本，或者利用GrabCut等传统方法生成初始标签，训练过程中不断迭代优化标签质量。最新研究表明，仅使用10%的全标注数据加上90%的boundingbox标注数据，就能达到与全监督方法相当的分割性能，能够大幅降低标注成本。域适应方法是解决不同中心数据分布差异的核心技术，分为无监督域适应和半监督域适应两类。无监督域适应方法在源域（有标注的公开数据集）上训练模型，通过对抗学习、自训练等方式将模型适配到无标注的目标域（本地医院的数据集）上，不需要目标域的任何标注数据。半监督域适应方法利用目标域少量的标注数据，结合大量的无标注数据进一步提升模型的泛化能力。最新的研究通过特征对齐、风格迁移等技术，能够将跨中心的分割性能下降控制在3%以内，为模型的多中心落地应用提供了技术支撑。自监督学习方法在脑肿瘤分割中的应用也取得了突破性进展，研究者通过设计预训练任务，例如基于图像恢复的去噪、超分辨率、掩模图像建模，基于对比学习的全局特征对比、局部特征对比等，在大规模无标注的MRI数据上预训练模型，学习通用的医学图像特征表示，再在少量标注的脑肿瘤分割数据上进行微调。实验结果表明，在仅使用10%标注数据的情况下，预训练模型的分割性能比随机初始化模型提升了10%以上，当标注数据量降低到1%时，提升幅度甚至超过20%。自监督预训练能够充分利用医院积累的大量无标注MRI数据，是未来降低标注依赖的重要技术方向。五、脑肿瘤分割的临床应用现状与未来方向目前，脑肿瘤自动分割技术已经开始进入临床转化阶段，国内外多个公司的脑肿瘤分割辅助诊断产品已经获得医疗器械注册证，在术前规划、放疗靶区勾画、预后评估等场景中得到应用。术前规划场景中，分割系统能够自动测量肿瘤的体积、与重要功能区（运动区、语言区、视觉区）的距离，辅助医生制定最优的手术入路，最大限度切除肿瘤的同时保护正常脑组织。放疗靶区勾画场景中，系统自动生成的肿瘤区域能够作为放疗医生的参考，将靶区勾画时间从平均2小时缩短到20分钟，同时提升不同医生之间的勾画一致性。预后评估场景中，通过对分割得到的肿瘤异质性特征进行定量分析，能够预测患者的基因突变状态、对放化疗的敏感性、无进展生存期等，为精准治疗提供依据。但现有技术离大规模临床落地仍存在三个核心瓶颈：首先是模型的可解释性不足，深度学习模型通常被视为“黑盒”，无法给出分割结果的依据，当模型分割结果与医生判断不一致时，难以获得医生的信任。可解释性研究是当前的热点方向，通过可视化模型的注意力区域、分析特征与临床先验知识的对应关系，能够提升模型的可信度。其次是鲁棒性不足，对于罕见类型的脑肿瘤、存在严重伪影的图像、低场强MRI设备扫描的图像，模型性能会出现明显下降。未来需要构建更大规模、更多样化的数据集，覆盖不同肿瘤类型、不同设备、不同扫描参数的数据，提升模型的泛化能力。第三是临床workflow的适配问题，现有分割系统通常是独立的软件，需要医生将数据从影像归档和通信系统（PACS）中导出，处理后再导回，增加了医生的工作负担。未来需要将分割算法深度集成到PACS、手术导航系统、放疗计划系统中，实现无缝的临床workflow适配。未来脑肿瘤分割技术的发展方向主要集中在三个层面：一是多模态融合，将MRI数据与正电子发射计算机断层显像（PET）、数字病理、基因组等多模态数据融合，实现从结构到功能、从宏观到