基于虚拟节点的动态图神经网络用于缺失模态的脑肿瘤分割
人工智能
2026-05-19 v1
摘要
多模态磁共振成像（MRI）是脑肿瘤分割的关键手段，许多方法利用其四个关键模态来捕捉 complementary information，以实现有效的亚区域分析。然而，几乎常见缺失几个模态，导致现有完整模态分割方法性能严重下降。受结构化数据模型的限制，最近的工作常采用多阶段训练策略处理完整模态和缺失模态情景，这增加了训练成本且未充分解决缺失模态的干扰问题。本文提出一种基于图的单阶段框架，用于缺失模态下的鲁棒脑肿瘤分割。具体而言，我们引入模态特定的虚拟节点作为补充信息来源，以补偿缺失的模态。为增强模型对任意模态组合的鲁棒性，我们利用图网络的内在灵活性设计动态连接策略。该机制根据模态可用情况动态调整邻接矩阵，既保留有益的信息流，又减轻由缺失模态引起的干扰效应。此外，我们通过异构权矩阵增强图网络，以适应多模态情景。广泛的在BRATS-2018和BRATS-2020数据集上的实验表明，我们的方法在几乎所有不完整模态子集上均优于最先进的方法。
引用
@article{arxiv.2605.16880,
title = {Virtual Nodes Guided Dynamic Graph Neural Network for Brain Tumor Segmentation with Missing Modalities},
author = {Sha Tao and Jiao Pan and Yu Guo and Chao Yao},
journal= {arXiv preprint arXiv:2605.16880},
year = {2026}
}
备注
The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026