多样化脑肿瘤的适配式分割流水线：放射组学引导亚型分类与病灶级模型集成
计算机视觉与模式识别
2026-04-14 v1 图像与视频处理
摘要
多参数磁共振成像（MRI）上脑肿瘤的鲁棒且可泛化的分割仍然困难，因为肿瘤类型差异很大。BraTS 2025 Lighthouse Challenge 在涵盖成人和儿科肿瘤的多样化高质量数据集上对分割方法进行基准测试：多联盟国际儿科脑肿瘤分割（PED）、术前脑膜瘤肿瘤分割（MEN）、脑膜瘤放疗分割（MEN-RT）以及治疗前后脑转移分割（MET）。我们提出了一种灵活、模块化且可适配的流水线，通过选择和组合最先进的模型，并在训练前后应用肿瘤和病灶特定的处理，来提升分割性能。从 MRI 中提取的放射组学特征有助于检测肿瘤亚型，确保更均衡的训练。自定义病灶级性能指标决定集成中每个模型的影响力，并优化后处理以进一步细化预测，使工作流能够为每个案例定制每一步。在 BraTS 测试集上，我们的流水线在多个挑战中取得了与排名靠前的算法相当的性能。这些发现证实，自定义病灶感知处理和模型选择能够产生鲁棒的分割，同时不会将方法锁定到特定的网络架构。我们的方法有望在临床实践中实现定量肿瘤测量，支持诊断和预后。
引用
@article{arxiv.2512.14648,
title = {Adaptable Segmentation Pipeline for Diverse Brain Tumors with Radiomic-guided Subtyping and Lesion-Wise Model Ensemble},
author = {Daniel Capellán-Martín and Abhijeet Parida and Zhifan Jiang and Nishad Kulkarni and Krithika Iyer and Austin Tapp and Syed Muhammad Anwar and María J. Ledesma-Carbayo and Marius George Linguraru},
journal= {arXiv preprint arXiv:2512.14648},
year = {2026}
}
备注
12 pages, 5 figures, 3 tables. Algorithm presented at MICCAI BraTS 2025