BrainSegNet：由大模型增强的全脑 MRI 分区新框架
计算机视觉与模式识别
2026-01-15 v1
摘要
从 MRI 中进行全脑分区是一项关键且极具挑战性的任务，其难点在于需将大脑细分为众多形状不规则的小区域。传统方法通常采用模板配准，但近期的进展已转向深度学习以实现更快速的工作流程。尽管 Segment Anything Model (SAM) 等大模型提供了可迁移的特征表示，但它们并未针对脑分区所需的高精度进行专门适配。为解决这一问题，我们提出了 BrainSegNet，一种适配 SAM 以实现精确全脑分区（共 95 个区域）的新框架。我们通过将 U-Net 跳跃连接和专用模块集成到 SAM 的编码器和解码器中来增强其能力，从而实现细粒度的解剖精度。核心组件包括：结合 U-Net 跳跃连接与 SAM transformer 模块的混合编码器、带有金字塔池化以适应不同尺寸结构的多尺度注意力解码器，以及用于锐化边缘的边界细化模块。在 Human Connectome Project (HCP) 数据集上的实验结果表明，BrainSegNet 优于多种 state-of-the-art 方法，在复杂的多标签分区任务中实现了更高的准确性与鲁棒性。
引用
@article{arxiv.2601.09263,
title = {BrainSegNet: A Novel Framework for Whole-Brain MRI Parcellation Enhanced by Large Models},
author = {Yucheng Li and Xiaofan Wang and Junyi Wang and Yijie Li and Xi Zhu and Mubai Du and Dian Sheng and Wei Zhang and Fan Zhang},
journal= {arXiv preprint arXiv:2601.09263},
year = {2026}
}