基于磁共振成像特征的亚型划分与模型集成在脑肿瘤分割中的应用

在多参数磁共振成像（mpMRI）中实现脑肿瘤的精准且自动分割，对于定量测量至关重要，而定量测量在临床诊断与预后评估中的作用正日益凸显。2024年国际脑肿瘤分割挑战赛（BraTS 2024）提供了独特的基准测试机会，涵盖成人及儿童群体中的多种脑肿瘤类型，包括儿童脑肿瘤（PED）、脑膜瘤（MEN-RT）和脑转移瘤（MET）等。相较于以往版本，BraTS 2024在多个方面进行了优化，显著提升了临床相关性，例如对肿瘤区域的精细化标注以供评估。本文提出一种基于深度学习的集成方法，融合当前最先进的分割模型。此外，我们引入了创新的自适应预处理与后处理技术，利用基于MRI的放射组学分析，实现对肿瘤亚型的有效区分。鉴于BraTS数据集中肿瘤的高度异质性，该方法显著提升了分割模型的精度与泛化能力。在最终测试集上的评估结果表明，本方法在PED、MEN-RT和MET三种肿瘤类型中，整体肿瘤区域的病灶级Dice相似系数分别达到0.926、0.801和0.688，充分验证了该方法在提升多种脑肿瘤分割性能与泛化能力方面的有效性。本方法的源代码已公开，可通过以下链接获取：https://github.com/Precision-Medical-Imaging-Group/HOPE-Segmenter-Kids。同时，我们提供一个开源的网络应用程序，访问地址为：https://segmenter.hope4kids.io/，该应用基于Docker镜像 aparida12/brats-peds-2024:v20240913 构建，便于用户便捷使用与部署。