《Frontiers in Neurology》：Automatic and standardized reporting of perioperative MRIs in patients with central nervous system tumors
编辑推荐：
本综述系统介绍了基于Attention U-Net和DenseNet架构的自动化管道，实现了中枢神经系统肿瘤术前核心区域、术后残留肿瘤及切除腔的精准分割（ Dice评分达70%-87%），并集成MR序列分类（准确率99.5%）与RANO 2.0标准报告生成功能。通过多中心验证（2000-7000例），该技术显著提升术后评估效率，为临床决策提供量化支持。
引言：脑肿瘤作为高度异质性病变，其精准影像评估对手术规划及预后判断至关重要。世界卫生组织（WHO）目前已基于分子病理特征定义了逾100种亚型。磁共振成像（Magnetic Resonance Imaging, MRI）虽已成为中枢神经系统（Central Nervous System, CNS）肿瘤诊断的核心手段，但传统人工分割存在耗时久、主观性强等局限，尤其术后因解剖结构改变、残留肿瘤碎片化等因素，使自动化分析面临更大挑战。
数据与方法：研究整合多中心数据集（含私有及BraTS公开数据），针对四大关键结构设计独立分割任务：术前肿瘤核心（Tumor Core, TC）、非强化肿瘤核心（Non-Enhancing Tumor Core, NETC）、术后对比增强残留肿瘤（Enhancing Tissue, ET）及切除腔（Resection Cavity, RC）。通过5折交叉验证，采用Attention U-Net架构进行模型训练，并系统评估不同MR序列组合（T1c、T1w、FLAIR、T2）的贡献。同时基于DenseNet-121开发MR序列分类与增强肿瘤类型（胶质母细胞瘤、脑膜瘤、转移瘤）识别模型。
结果验证：分割模型在 voxel-wise Dice 评分上表现优异：TC为87%、NETC为66%、ET为70%、RC达77%。对象级（object-wise）分析显示，对碎片化残留肿瘤的检测能力与BraTS 2024冠军模型相当（ET Dice 79.7%）。分类任务中，MR序列识别平衡准确率（balanced accuracy）达99.5%，而仅依赖T1c图像的肿瘤分型准确率为85%。研究还发现，联合T1c与T1w序列可显著降低术后出血对残留肿瘤判读的干扰。
技术亮点：1）提出全局结构优化策略，通过逻辑规则消除独立分割结果间的体积冲突；2）创新性引入T1减影（t1d）技术增强微小强化灶识别；3）开发符合RANO 2.0标准的自动报告系统，定量输出肿瘤体积、切除范围及网格定位（Brain-Grid）等关键指标。
局限与展望：当前模型对超小残留灶（<0.175 ml）的敏感性仍待提升，且多中心数据存在的标注异质性影响指标稳定性。未来将探索多模态融合、生成式数据增强等技术，并推进与生存预后关联的临床验证。
讨论：本研究首次实现从影像分析到标准化报告的全流程自动化，其开源平台Raidionics为临床提供了可落地的解决方案。通过将深度学习与临床指南深度耦合，为个体化手术评估建立了新范式。
