M-Net：基于网格传递的 MRI 脑肿瘤顺序分割网络
计算机视觉与模式识别
2025-07-29 v1
摘要
MRI 肿瘤分割仍是医学成像中的关键挑战，体积分析因 3D 数据的复杂性面临独特的计算需求。相邻 MRI 切片的空间顺序排列提供了有价值的信息，增强了分割的连续性和准确性，但这一特征在许多现有模型中仍未被充分利用。相邻 MRI 切片之间的空间关联可视为“类似”时间的数据，类似于视频分割任务中的帧序列。为弥合这一差距，我们提出 M-Net，一个专为顺序图像分割设计的灵活框架。M-Net 引入了新颖的网格传递 (Mesh-Cast) 机制，将任意顺序模型无缝集成到通道和时间信息的处理中，从而系统性地捕获 MRI 切片之间固有的“类似时间”空间关联。此外，我们定义了 MRI 顺序输入模式并设计了 Two-Phase Sequential (TPS) 训练策略，该策略首先关注跨序列的通用模式学习，然后细化切片特定的特征提取。该方法利用时序建模技术在保持体积上下文信息的同时，避免完全 3D 卷积的高计算成本，从而增强了 M-Net 在顺序分割任务中的通用性和鲁棒性。在 BraTS2019 和 BraTS2023 数据集上的实验表明，M-Net 在所有关键指标上均优于现有方法，确立了其作为时序感知 MRI 肿瘤分割的稳健解决方案。
引用
@article{arxiv.2507.20582,
title = {M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast},
author = {Jiacheng Lu and Hui Ding and Shiyu Zhang and Guoping Huo},
journal= {arXiv preprint arXiv:2507.20582},
year = {2025}
}
备注
ICCV 2025 Accepted