面向无标签脑肿瘤分割：基于多模态MRI的无监督学习

无监督异常检测（Unsupervised Anomaly Detection, UAD）作为监督学习的补充性替代方案，对于磁共振成像（MRI）中的脑肿瘤分割尤为重要，尤其是在标注数据有限、成本高昂或不一致的情况下。本文提出一种新颖的多模态Vision Transformer自编码器（MViT-AE），该模型仅在健康脑MRI数据上进行训练，以重构误差图的方式检测并定位肿瘤。这种无监督范式使分割不依赖手动标注，有效解决了神经影像工作流程中的关键可扩展瓶颈。我们的方法在BraTS-GoAT 2025 Lighthouse数据集上进行评估，该数据集包括 Various 类型的肿瘤，如脑膜瘤、儿童脑肿瘤等。为提升性能，我们引入了多模态早期-晚期融合策略，利用跨多种MRI序列的互补信息，并构建了后处理管道集成Segment Anything Model（SAM）以细化预测的肿瘤轮廓。尽管无监督异常检测在检测小或非增强病灶方面面临已知挑战，但我们的方法在测试集上实现了临床意义的肿瘤定位，Whole Tumor的lesion-wise Dice相似系数为0.437，Tumor Core为0.316，Enhancing Tumor为0.350，验证集上的异常检测率为89.4%。这些发现凸显了基于Transformer的无监督模型作为神经肿瘤学影像可扩展、标签高效工具的潜力。