【论文阅读笔记】A literature survey of MR-based brain tumor segmentation with missing modalities

最新推荐文章于 2025-11-24 16:27:34 发布

原创

最新推荐文章于 2025-11-24 16:27:34 发布 · 1.5k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#论文阅读 #笔记 #mr

该文献综述聚焦MRI脑肿瘤分割时部分模态缺失问题，分析了图像合成、潜在特征空间等多种分割技术，比较其原理、优缺点与适用性，还讨论了评估用的数据集和指标，最后指出未来研究方向，如提高数据多样性、探索新标注方式等。

Zhou T, Ruan S, Hu H. A literature survey of MR-based brain tumor segmentation with missing modalities[J]. Computerized Medical Imaging and Graphics, 2023, 104: 102167.

这篇文献综述重点探讨了在磁共振成像（MRI）用于脑肿瘤分割时面临的一项主要挑战：部分MRI模态的缺失（本文将范围限定为在训练期间可以使用完整的 MR 模式，而在测试期间可以缺少一种或多种模式）。文中详细分析了各种先进的分割技术，如基于图像合成、潜在特征空间、多源相关性、知识蒸馏和域适应等方法，这些方法旨在克服在实际临床场景中常见的模态缺失问题。综述不仅比较了这些方法的原理、优缺点和适用性，还讨论了用于评估这些技术的不同数据集和评估指标。文章最后强调了在缺失模态下脑肿瘤分割领域的未来研究方向，突出了开发能有效处理MRI模态缺失的创新方法的重要性。

文献调研范围：2022.3.1前

【1.引言】

第一章“引言”部分详细讨论了脑肿瘤及其对健康的影响，以及磁共振成像（MRI）在诊断过程中的重要性。文中指出脑肿瘤是一种严重的生命威胁性疾病，每年在美国有大约13,000名患者死于脑肿瘤。诊断和标准治疗后的平均总生存时间只有15至17个月。脑肿瘤的治疗费用昂贵，平均费用为2788美元。因此，准确诊断脑肿瘤在规划手术和治疗中起着至关重要的作用，可能会延长患者的生存时间。

MRI作为一种广泛使用的医学成像技术，能够展示身体的解剖结构和生理过程，特别是脑血管解剖和脊髓。MRI提供了一种诊断脑肿瘤的有效方式，因其软组织对比度高和广泛的可用性。MRI有多种模态，如流体衰减反转恢复（FLAIR）、T2加权成像（T2）、T1加权成像（T1）和带对比增强的T1加权成像（T1c），这些不同的模态可以提供互补信息，帮助区分脑肿瘤和正常脑组织。然而，在临床实践中，由于采集协议、图像损坏、扫描仪可用性、扫描成本或对某些对比材料的过敏反应，某些MRI模态常常缺失。这对医生和自动化诊断系统构成挑战，因为由缺失模态提供的互补信息无法获取

【2.生物医学背景回顾】

本文的第二章“生物医学背景回顾”包含三个主要部分：脑肿瘤、磁共振成像（MRI）和脑肿瘤分割。

2.1 脑肿瘤

脑肿瘤是脑部异常细胞的癌性或非癌性生长。它们是最具侵袭性的癌症之一，严重威胁患者的生命和健康。
世界卫生组织（WHO）将脑肿瘤分为I级（最不恶性）到IV级（最恶性）。其中，I级和II级为良性（低级别）脑肿瘤；III级和IV级为恶性（高级别）脑肿瘤。良性肿瘤占29.7%，恶性肿瘤占70.3%。
恶性肿瘤中，最常见的是胶质母细胞瘤（占48.6%），它发展迅速，可迅速导致死亡。
脑肿瘤可分为原发性肿瘤和继发性肿瘤（脑转移性肿瘤）。原发性肿瘤起源于脑内（如脑膜、脑细胞、神经细胞和腺体），而继发性肿瘤起源于其他部位的癌症并转移到脑部。

2.2 磁共振成像

MRI是一种常用的医学成像技术，用于医学诊断和治疗监测。MRI扫描仪本质上是一个巨大的磁铁，磁铁的强度以特斯拉（T）为单位。医院和医学研究诊所中使用的MRI扫描仪通常为1.5T或3T。
MRI对诊断脑肿瘤非常有用，原因包括：它能提供比计算机断层扫描（CT）更精确和详细的软组织图像；是一种无创成像技术；作为一种多模态成像技术，能够根据横向松弛时间和纵向松弛时间的差异展示不同组织之间的各种对比度。
临床实践中最常用的MR模态包括流体衰减反转恢复（FLAIR）、T2加权成像（T2）、T1加权成像（T1）和带对比增强的T1加权成像（T1c）。

2.3 脑肿瘤分割

基于MR的脑肿瘤分割是临床实践中的一个基本步骤，应用于神经学领域，如定量分析、手术规划和功能成像。近年来，关于脑肿瘤分割的研究论文数量不断增加，表明这一领域越来越受到关注。
MR脑肿瘤分割在真实临床场景中始终是一项艰巨的任务，因为脑肿瘤的特性和脑解剖结构因人而异，且肿瘤非常异质性。
MRI的局限性也给脑肿瘤分割带来挑战，例如MRI的低对比度导致肿瘤边界不清晰，MR图像包含由于不同扫描仪造成的各种伪影，如不规则性、像素变化和不均匀性。设计一种有效的方法来融合不同MR模态以最大限度地利用多源信息也具有挑战性。缺少一个或多个MR模态可能会大大降低与完整模态相比的分割精度。
在基于深度学习的脑肿瘤分割中，存在一个非常重要的技术限制，即可用数据集的稀缺性。由于深度学习网络需要大量的训练数据，这使得数据集获取更具挑战性。不同医院拥有不同的扫描仪和成像协议，这使得标准化和数据质量复杂化。此外，肿瘤注释是由专家手动勾画的，导致一些内部和外部评价者的变异性。因此，没有绝对的真理，只有金标准。最后，脑肿瘤分割过程通常需要大量时间和计算资源，因此加速