基于同步视觉-语义-拓扑先验融合的知识引导下脑肿瘤分割
计算机视觉与模式识别
2025-11-13 v2 人工智能
摘要
背景：脑肿瘤分割需要精确描绘来自多序列MRI的层次结构，但现有深度学习方法主要依赖视觉特征，在模糊边界区域缺乏判别力。此外，这些方法缺乏对解剖学语义和几何拓扑等医学领域知识的显式集成。方法：我们提出一种知识引导框架，Synchronized Tri-modal Prior Fusion (STPF)，显式集成三种异构知识先验：病理驱动的差异特征(T1ce-T1, T2-FLAIR, T1/T2)编码对比图案；通过空间化算子转化为体素级别指导的无监督语义描述；通过持久同调分析提取的几何约束。双层融合架构根据置信度在体素级别动态分配先验权重，通过由超网络生成的条件向量在样本级别进行。此外，嵌套输出头结构确保了层次约束ET子集TC子集WT。结果：STPF在BraTS 2020数据集上实现了0.868的平均Dice系数，优于最佳基线提升了2.6个百分点(3.09%的相对改进)。值得注意的是，五折交叉验证的系数变异范围为0.23%至0.33%，表明性能稳定。此外，消融实验表明，移除拓扑和语义先验会导致性能分别下降2.8%和3.5%。结论：通过显式集成解剖学语义和几何约束，STPF在模糊边界区域提高了分割精度，同时展示了泛化能力和临床部署潜力。
引用
@article{arxiv.2507.08574,
title = {Knowledge-Guided Brain Tumor Segmentation via Synchronized Visual-Semantic-Topological Prior Fusion},
author = {Mingda Zhang and Kaiwen Pan},
journal= {arXiv preprint arXiv:2507.08574},
year = {2025}
}
备注
37 pages, 6 figures