HMP-Net：一种分层多先验网络，用于脑肿瘤分割，整合了物理特性、拓扑结构和肿瘤动态信息

《Neurocomputing》：HMP-Net: A hierarchical multi-prior network for brain tumor segmentation integrating physics, topology, and tumor dynamics

　　

王玉童|康忠峰|杨家学|杨善天|赵青华|宋志晨

兰州大学信息科学与工程学院，中国兰州730000

摘要

精确的脑肿瘤分割对于可靠的诊断、治疗计划和临床随访至关重要。尽管深度学习取得了近期进展，但大多数现有模型仍然主要依赖数据驱动，缺乏结合基本领域知识的机制，包括MRI采集的物理原理、肿瘤形态以及肿瘤进展的生物学动态。为了弥合这一差距，我们提出了HMP-Net，这是一个理论指导的层次化多先验网络，它明确将这些原理嵌入到特征学习过程中。HMP-Net整合了三个互补的先验知识层次：（1）一个浅层物理信号编码器，用于模拟多模态MRI数据中的模态间耦合；（2）一个中层拓扑分析器，通过可微分近似提取基于贝蒂数的结构先验；（3）一个深层肿瘤动态建模器，解决反应-扩散方程以捕捉生物学上合理的肿瘤生长模式。在BraTS 2021和BraTS 2018基准测试中的广泛实验表明，HMP-Net超越了现有最先进的方法，分别实现了91.55%和86.58%的平均Dice分数。消融研究进一步验证了每个层次化先验的贡献，并显示学习到的参数具有清晰的物理可解释性。这些结果表明，将多尺度、特定领域的先验嵌入到深度架构中显著提高了泛化能力、可解释性和临床相关性，为知识驱动的医学图像分析提供了一种新范式。代码将在https://github.com/kanglzu/hmp_net上提供。

引言

精确的脑肿瘤分割对于可靠的临床决策至关重要，它为手术计划提供准确的空间划分，支持放疗目标定义，并能够实现治疗反应的纵向监测[1]，[2]，[3]。然而，手动注释仍然非常耗时——通常每个病例需要30-60分钟——并且存在显著的观察者间和观察者内变异性。这些限制促使人们密集研究鲁棒的自动化分割方法。

深度学习在这一任务上取得了显著进展。编码器-解码器网络和最近的变换器在多机构数据集上表现出了强大的性能[4]，[5]，[6]。尽管取得了这些成就，但大多数当前的方法仍然完全依赖数据驱动，仅从标注图像中学习特征表示。这种对经验相关性的依赖导致了几个根本性的限制：（1）网络必须隐式地重新发现MRI物理中已知的模式；（2）它们很少利用神经病理学中确立的定量形态学线索；（3）它们产生的预测是静态的，缺乏生理学上可解释的参数。这些限制共同凸显了数据驱动的分割模型与其所操作的富含知识的临床领域之间的关键差距。

一个关键的未解决挑战在于多模态MRI融合的处理。尽管跨模态关系由物理原理决定——特别是由Bloch方程控制的组织松弛[7]——现有模型将模态融合视为一个通用的学习任务。在没有明确的物理约束的情况下，网络通常会花费大量资源来重新学习已知的信号行为，这降低了可解释性，在数据量较少时限制了泛化能力，并增加了模态特定不一致性的风险。

第二个挑战涉及形态学先验的使用。胶质瘤表现出特征性模式，如多灶结构、不规则边界和坏死核心[8]。这些属性可以使用贝蒂数和其他拓扑描述符进行量化[9]，[10]。然而，当前的拓扑方法通常对所有层施加统一的约束，或者仅在后期处理时应用[11]，[12]。这忽略了卷积表示的层次化特性，其中浅层捕获纹理，而深层编码对象级结构，导致拓扑指导不匹配或无效。

第三个挑战是缺乏生物学基础的肿瘤动态。肿瘤演化通常被建模为反应-扩散过程，扩散系数和增殖率提供了可解释的侵袭性和恶性指标[13]，[14]。然而，分割网络通常忽略这种动态，仅输出静态掩膜，无法提供关于生长行为或患者特定参数的见解。这限制了它们在预后建模和治疗计划中的价值。

为了弥合这些差距，我们提出了层次化多先验网络（HMP-Net），如图1所示，这是一个理论指导的网络，它在CNN特征层次的适当位置系统地嵌入了物理、形态和动态先验。该设计的动机在于卷积表示的内在结构：浅层编码强度和纹理，中间层捕获形状和连通性，深层聚合语义和全局上下文信息。利用这种层次结构，HMP-Net将每一类先验知识与最符合其语义的特征层次对齐。具体来说，物理信号建模约束浅层特征，以确保多模态表示的物理一致性；拓扑分析通过强制连通性和形态学感知的指导来塑造中间特征；肿瘤动态建模则用来自反应-扩散过程的生物学基础生长模式增强深层特征。

本工作的主要贡献如下：

• •
  层次化语义对齐框架：我们引入了一种原理性的物理、拓扑和动态先验与特定网络深度的对齐方法，使每种先验在其语义上最有效的表示层次上发挥作用。
• •
  领域先验的可微分建模：我们设计了一种使用形态学运算符的可微分贝蒂数近似方法，并推导出一个封闭形式的一步反应-扩散求解器，允许端到端学习生物学上可解释的参数。
• •
  物理感知的融合和多先验注意力：我们开发了一种物理约束的多模态融合机制和多先验跳跃连接，将先验信息传播到整个网络中，增强了结构一致性和生物学合理性。
• •
  统一的弱约束损失：我们将物理、拓扑和动态约束与标准分割损失相结合，以平衡经验准确性和理论保真度，提高泛化能力和临床可解释性。

本文的其余部分组织如下。第2节回顾相关工作。第3节介绍提出的HMP-Net。第4节报告结果和比较。第5节总结本文并概述未来的研究方向。

章节片段

数据驱动的脑肿瘤分割方法

早期的自动脑肿瘤分割方法依赖于手动设计的规则或统计建模策略。经典技术——包括强度阈值[15]、区域生长[16]、k均值或高斯混合聚类[17]、[18]以及马尔可夫随机场（MRFs）[19]——受到胶质瘤内在异质性的限制。它们难以捕捉MRI序列中的外观变化、不规则的浸润边缘或坏死亚区域。

总体框架

所提出的HMP-Net采用了一种层次化的编码器-解码器架构，整合了来自多参数MRI（mpMRI）的物理、结构和生物先验。如图2所示，网络从跨模态融合（CMF）开始，保留了对肿瘤分区解释至关重要的模态间依赖性。

编码器包含三个领域感知模块：用于MRI物理的物理信号编码器（PSE）、用于肿瘤形态的拓扑结构分析器（TSA）和肿瘤动态

数据集

我们在BraTS挑战数据集[36]上进行评估，这些数据集包含来自多个机构的胶质瘤MRI扫描。BraTS 2021 [37]包含1251个病例，涵盖四种模态（T1、T1ce、T2、FLAIR），以及三种肿瘤亚区标签：增强肿瘤（ET）、肿瘤周围水肿（ED）和坏死核心（NCR/NET）。图像经过颅骨去除、配准、1 mm³各向同性插值和强度标准化处理。BraTS 2018（285个训练案例，66个验证案例）用作跨数据集的外部评估

结论

本文解决了多模态MRI脑肿瘤分割的核心挑战——即过度依赖数据而忽视领域知识——通过引入一个理论驱动的层次化多先验网络HMP-Net。该模型建立在卷积特征层次结构之上，明确在浅层、中层和深层嵌入了三种互补的先验知识：MRI成像物理、肿瘤拓扑形态和反应-扩散动态。这些先验

CRediT作者贡献声明

王玉童：撰写——审稿与编辑，撰写——原始草稿，软件，方法论，调查，形式分析，数据管理，概念化。康忠峰：撰写——审稿与编辑，可视化，验证，监督，资源管理，项目管理，方法论，调查，资金获取，形式分析，概念化。杨家学：可视化，验证，数据管理。杨善天：撰写——审稿与编辑，可视化，验证，监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了中国甘肃省自然科学基金（项目编号26JRRA228）和兰州大学人才科学基金（项目编号561120212）的支持。

王玉童目前正在兰州大学信息科学与工程学院攻读计算机科学与技术学士学位，由康忠峰教授指导。他的研究兴趣在于图像分割、自然语言处理和多智能体系统的交叉领域，特别专注于开发和整合这些技术以用于实际应用。