Meta-D：面向脑肿瘤分析与缺失模态分割的元数据感知架构
计算机视觉与模式识别
2026-03-06 v1 人工智能
摘要
我们提出了Meta-D架构，显式利用MRI序列和平面取向等分类器扫描元数据，以引导特征提取用于脑肿瘤分析。我们的目标是通过整合显式元数据来稳定医学图像深度学习管线中的特征表征。首先，我们在2D肿瘤检测任务中评估了Meta-D，将序列（如T1、T2）和平面（如轴向）元数据动态调制卷积特征，实现F1分数提升最高可达2.62%。由于元数据在数据可得时为特征提取提供锚点，我们推断其在数据缺失时可作为鲁棒锚点。我们将其应用于3D缺失模态肿瘤分割。Meta-D的Transformer Maximizer利用基于元数据的跨注意力机制，以隔离并路由可用模态，确保网络聚焦于有效切片。这一精准注意力机制在极端模态稀缺情境下提升脑肿瘤分割 Dice 分数最高可达5.12%，同时将模型参数降低24.1%。
关键词
引用
@article{arxiv.2603.04811,
title = {Meta-D: Metadata-Aware Architectures for Brain Tumor Analysis and Missing-Modality Segmentation},
author = {SangHyuk Kim and Daniel Haehn and Sumientra Rampersad},
journal= {arXiv preprint arXiv:2603.04811},
year = {2026}
}
备注
9 pages, 2 figures, 3 tables