D3Seg：基于缺失模态的脑肿瘤分割依赖感知扩散
计算机视觉与模式识别
2026-05-22 v1
摘要
使用多参数 MRI 进行精准脑肿瘤分割是有效治疗规划的关键。然而，在临床环境中，无法始终获取所有 MRI 序列。某些模态缺失会导致现有分割方法性能显著下降，这些方法通常依赖简单特征拼接或直接融合策略。为解决这一局限，本文提出一种新型分割模型 D3Seg，旨在保持缺失模态设置下的稳定性能。D3Seg 引入多跳模态图融合 (MMGF) 以建模高阶模态间依赖，采用轻量级扩散-based 填充机制补偿 latent 空间中缺失的 T1ce 表示，并通过概率空间决策细化以缓解主导类别过度自信，改善对欠代表的肿瘤亚区的边界划分。在 BraTS 2023 数据集上的广泛评估表明，D3Seg 模型在多种缺失模态配置下均显著提升了分割性能。该模型在提升增强肿瘤 (ET) 和约 1.5-2.0% Dice improvement，肿瘤核心 (TC) 上约 1.0%，同时保持计算效率。
引用
@article{arxiv.2605.22249,
title = {D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities},
author = {Danish Ali and Ajmal Mian and Naveed Akhtar and Ghulam Mubashar Hassan},
journal= {arXiv preprint arXiv:2605.22249},
year = {2026}
}