使用带有密集网络和空间注意力的双流多尺度3D-UNET进行脑肿瘤分割

对患者和医生为何重要

脑肿瘤是最令人恐惧的癌症之一，快速发现并在影像上清晰勾画其边界对于手术、放疗及其他治疗方案的制定至关重要。本研究提出了一种新的计算机视觉方法，能够在MRI扫描上以惊人的精度描绘脑肿瘤的详细形状，旨在为放射科医生提供更快且更一致的辅助结果。

脑部影像如何揭示潜在问题

现代脑成像使用多种类型的MRI扫描，每种序列强调不同的组织特征。有些突显肿瘤实质，有些显示周围水肿，还有些反映肿瘤周围液体的变化。医生传统上在这些扫描上手工勾画肿瘤边界，这一过程费时且因专家而异。基于深度学习的自动方法改进了这一任务，但许多方法在处理形状不规则、边界模糊或不同影像间亮度差异很大的肿瘤时仍存在困难。

更智能的MRI解读方式

作者设计了一个将分割问题视为三维任务的新模型，逐层查看脑体积而不仅仅依赖平面图像。其网络包含两个并行“流”，同时处理不同的MRI输入，既捕捉精细细节又获取广泛上下文。在这些流中，名为DenseNet的结构高效地向前传递信息，使早期的细节（如微小边缘）得以保留并在更深层重复利用。该模型还在多尺度上工作，从小尺度特征和大尺度区域中学习，这在肿瘤大小和形状差异很大时尤为有用。

让模型关注重要区域

为提高对问题区域的辨识能力，网络使用了空间注意力机制。该组件学会突出更可能包含肿瘤组织的扫描区域，同时淡化正常脑组织背景。有效地说，模型会“更仔细地看”可疑区域并“忽略”信息较少的区域。研究者还通过细致的数据预处理改进了学习：他们对强度进行归一化、调整体积大小以适应内存限制，并使用数据增强来弥补诸如小型强化肿瘤等类别样本较少的问题。

实际效果如何

该方法在广泛使用、由专家标注的BraTS 2020脑肿瘤数据集上进行训练和测试，随后又在更新的BraTS 2021数据集上复核。在关键肿瘤区域——增强的活动部分、肿瘤核心和包括周围水肿在内的全部范围——模型取得了接近1的Dice得分，表明与专家勾画几乎完美重叠。它还表现出极高的灵敏度和特异性，意味着在肿瘤存在时几乎总能被发现且很少将健康组织误判为肿瘤。值得注意的是，这些强劲的结果在独立的2021数据集上也得到了验证，表明该方法可以推广到其原始训练图像之外的数据上。

这对未来护理可能意味着什么

简言之，本研究表明，经过精心设计的双流多尺度深度学习模型可以将复杂的MRI数据转化为与专家工作高度一致的精确三维肿瘤地图。尽管该系统仍需在速度优化和更广泛的临床测试方面改进，其性能预示着可能帮助放射科医生节省时间、减少不确定性并为外科医生和肿瘤科医生在治疗脑肿瘤患者时提供更一致的决策支持的工具前景。

引用: AlSekait, D.M., Zakariah, M., Dubey, P. et al. Brain tumor segmentation using dual-stream multiscale 3D-UNET with dense net and spatial attention. Sci Rep 16, 15416 (2026). https://doi.org/10.1038/s41598-026-43470-3

关键词: 脑肿瘤分割, MRI, 深度学习, 3D U-Net, 医学影像