Karhunen-Lo\`eve Expansion-Based Residual Anomaly Map for Resource-Efficient Glioma MRI Segmentation

脑肿瘤的精确分割对于临床诊断和治疗计划至关重要。深度学习是目前脑肿瘤分割的最先进技术，但它需要大型数据集或大量的计算资源，而这些在大多数地区都无法获得。这使得问题变得越来越困难：最先进的模型使用数千个训练案例和巨大的计算能力，当两者中任何一个受限时，性能都会急剧下降。BraTS GLI 2023竞赛的冠军方案依赖于超级计算机，使用AMD EPYC 7402 CPU、六块NVIDIA RTX 6000 GPU（每块48GB显存）和1024GB内存，对超过92,000个增强的MRI扫描进行数周的训练。为了解决这个问题，我们实现了Karhunen-Loève展开（KLE）作为对降采样、z-score标准化的MRI体数据进行特征提取的步骤。每个240×240×155的多模态扫描被缩减为四个48³的通道，并压缩为32个KL系数。由此产生的近似重建能够生成基于残差的异常图，该图经上采样后作为第五个通道添加到紧凑的3D U-Net中。所有实验均在消费级工作站（AMD Ryzen 5 7600X CPU，RTX 4060Ti（8GB显存）和64GB内存）上运行，同时使用了少得多的训练案例。该模型实现了后处理后的Dice分数：0.929（WT）、0.856（TC）和0.821（ET），HD95距离分别为2.93、6.78和10.35体素。这些结果在HD95距离和WT Dice分数上显著优于获胜的BraTS 2023方法。这表明，基于KLE的残差异常图可以显著降低计算成本和数据需求，同时保持最先进的性能。