3D AGSE-VNet：一种自动脑肿瘤MRI数据分割框架

背景：胶质瘤是临床最常见的原发性脑恶性肿瘤，具有较高的发病率和超过3%的死亡率，严重威胁人类健康。目前临床上获取脑肿瘤信息的主要手段为磁共振成像（MRI）。从多模态MRI扫描图像中对脑肿瘤区域进行精准分割，有助于治疗方案评估、术后随访监测以及疗效判断。然而，当前临床实践中脑肿瘤分割仍主要依赖人工操作，存在耗时长、不同操作者间结果差异大等问题，因此亟需建立一种一致性高、精度可靠的自动化分割方法。方法：为应对上述挑战，本文提出一种名为AGSE-VNet的自动脑肿瘤MRI图像分割框架。在该框架中，我们在编码器的每一层引入了Squeeze-and-Excitation（SE）模块，通过建模通道间依赖关系，自动增强有效特征通道并抑制冗余信息；同时在解码器中嵌入注意力引导滤波（Attention Guide Filter, AG）模块，利用注意力机制聚焦于边缘信息，有效抑制噪声等无关干扰，提升分割边界精度。结果：采用BraTS2020挑战赛提供的在线验证工具对本方法进行评估，结果显示：整体肿瘤（Whole Tumor, WT）、肿瘤核心（Tumor Core, TC）及增强肿瘤（Enhanced Tumor, ET）三个区域的Dice系数分别为0.68、0.85和0.70，表现出良好的分割性能。结论：尽管MRI图像存在强度异质性，AGSE-VNet仍能有效克服肿瘤大小差异带来的影响，精准提取三类肿瘤区域的特征，在复杂背景下展现出优异的分割能力。该方法在脑肿瘤临床诊断与治疗支持方面具有重要应用价值，为实现高效、精准的智能辅助诊断提供了有力技术支撑。