用于脑肿瘤分割的生物物理信息病理正则化

深度学习的最新进展显著改善了脑肿瘤分割技术；然而，由于仅考虑图像数据而缺乏生物物理先验或病理信息，其结果仍缺乏置信度和鲁棒性。整合生物物理信息正则化是改变这一状况的有效途径，因为它为自动化的端到端学习提供了先验正则化。在本文中，我们提出了一种新方法，将脑肿瘤生长偏微分方程（PDE）模型设计为与深度学习结合的正则化，适用于任何网络模型。我们的方法将肿瘤生长 PDE 模型直接引入分割过程，提高了准确性和鲁棒性，特别是在数据稀缺的场景下。该系统使用周期激活函数估计肿瘤细胞密度。通过将此估计与生物物理模型有效整合，我们实现了对肿瘤特征的更好捕捉。这种方法不仅使分割更贴近实际的生物学行为，还增强了模型在有限数据条件下的性能。我们通过在 BraTS 2023 数据集上的广泛实验证明了我们框架的有效性，展示了肿瘤分割在精度和可靠性上的显著提升。