基于原型学习的混合网络用于DCE-MRI中乳腺肿瘤分割
内容提要
本文介绍了多种基于深度学习的肿瘤分割方法，包括卷积神经网络和Transformer结构，应用于脑肿瘤和乳腺癌的自动化分割。研究展示了在不同竞赛中的优异表现，并提出了新数据集以促进乳腺癌诊断和治疗的创新。
延伸解读
技术演进：从CNN到混合架构
文章梳理了乳腺和脑肿瘤分割的技术发展脉络。早期方法以卷积神经网络为主，如2018年BraTS挑战中夺冠的编码器-解码器结合变分自编码器。随后，Transformer结构被引入，如Swint UNEt TRansformers在2021年挑战中表现优越。近期趋势是混合架构，如H-DenseFormer和CATS v2，结合CNN的局部特征提取与Transformer的全局建模能力，在降低计算复杂度的同时提升分割精度。
弱监督学习应对标注难题
针对医学图像专家标注稀缺的问题，文章介绍了弱监督学习方法。例如，利用极点标注对乳腺癌DCE-MRI图像进行分割，通过多阶段微调和SimPLe策略，达到了81%的均值Dice值。这种方法降低了对像素级标注的依赖，为标注成本高的场景提供了可行方案。
多序列MRI的影响与选择
文章探讨了不同MRI序列对乳腺肿瘤分割的影响。基于nnU-Net模型的多中心研究表明，使用动态对比增强MRI序列能获得较高的功能性肿瘤体积分割Dice系数，并改善整个肿瘤掩膜分割。然而，添加T2w序列对结果影响不显著，提示序列选择需进一步研究。这为临床中优化扫描协议提供了参考。
MAMA-MIA数据集推动研究
为解决乳腺癌MRI专家标注缺乏的问题，文章提出了MAMA-MIA数据集，包含1506个多中心动态增强MRI病例的专家标注，涵盖原发肿瘤和非团块性增强区域。该数据集还提供了49个协调的人口统计和临床变量，以及nnUNet架构的预训练权重，旨在加速深度学习模型的发展和评估，促进乳腺癌诊断和治疗规划的创新。
Q&A
基于卷积神经网络的肿瘤分割方法有什么特点？
该方法结合了2D和3D上下文，通过级联2D-3D和子网络处理缺失图像序列，提高了效率。
H-DenseFormer网络在肿瘤分割中有什么优势？
H-DenseFormer结合了CNN和Transformer结构，显著降低了计算复杂度，同时在性能上优于现有方法。
MAMA-MIA数据集的目的是什么？
MAMA-MIA数据集旨在解决乳腺癌MRI中缺乏专家标注的问题，加速深度学习模型的发展和评估。
如何提高乳腺肿瘤分割模型的泛化能力？
通过使用渐进双先验网络（PDPNet）来改善对小型、低对比度和不规则形状乳腺肿瘤的分割性能。
动态对比增强MRI序列在肿瘤分割中的效果如何？
使用动态对比增强MRI序列可以获得较高的肿瘤体积分割Dice相似系数，改善整体肿瘤掩膜分割。
CATS v2网络的结构特点是什么？
CATS v2具有混合编码器，由CNN编码器路径和具有移位窗口的Transformer路径组成，更好地利用本地和全局信息。
