[论文解读] Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment

T. Schaffer, A. Brawanski+3 more|arXiv (Cornell University)|Feb 25, 2026

Brain Tumor Detection and Classification被引用 0

一句话总结

本文提出一种 Upscaling PAU-Net，用于脑肿瘤分割，显式包含非增强肿瘤（NET）区室，在 BraTS 2018/2021 上实现有竞争力的 Dice 分数，并实现四标签（ET、ED、NCR、NET）以及四标签带 NET 的扩展。

ABSTRACT

A U-Net based deep learning architecture is designed to segment brain tumors as they appear on various MRI modalities. Special emphasis is lent to the non-enhancing tumor compartment. The latter has not been considered anymore in recent brain tumor segmentation challenges like the MICCAI challenges. However, it is considered to be indicative of the survival time of the patient as well as of areas of further tumor growth. Hence it deems essential to have means to automatically delineate its extension within the tumor.

研究动机与目标

• 推动对所有四个肿瘤区室的准确分割，特别强调非增强肿瘤（NET）区域。
• 开发高分辨率上采样的 U-Net 变体（PAU-Net），以改进 NET 的轮廓 delineation。
• 评估多种残差滤波块架构和一个上采样解码器，以在性能和过拟合之间取得平衡。
• 通过利用经过训练的 NET 预测模型和形态学滤波，从 BraTS 数据集中提取 NET 区室。
• 创建统一的 4 标签 BraTS 数据集（NCR、ED、NET、ET），并在 BraTS 挑战上评估分割性能。

提出的方法

• 采用具有四个分辨率层次的 3D U-Net 风格编码器-解码器架构。
• 尝试四种基础残差滤波块变体（原始、ResNet 风格、前激活、以及带后激活差异的前激活）。
• 通过增加高分辨率解码分支来开发上采样 PAU-Net，以产生分割掩膜在更高分辨率下。
• 对真实 NET 掩膜进行上采样并使用软 Dice 损失训练；以 Dice-Sørensen、IoU 和 Hausdorff 距离进行评估。
• 在 BraTS 2018 上的 NET 提取，使用在 BraTS 2021 训练的 PAU-Net 对 NCR/NET 进行分解以预测 NET，并应用形态学滤波清理掩膜。
• 将统一的 BraTS 2018/2021 数据集扩展为四标签方案（ET、TC、WT、NET），并在裁剪输入（4 × 96 × 192 × 160）上训练一个四标签 PAU-Net。

Figure 1: Different types of residual filter blocks. Each type can be used in the above U-Net architecture

实验结果

研究问题

• RQ1 高分辨率的 PAU-Net 是否能有效分割脑 MRI 中的非增强肿瘤（NET）区室？
• RQ2 残差滤波块变体和上采样解码器是否在 ET、TC、WT、NET 区室的分割性能上优于标准 U-Net 基线？
• RQ3 是否可利用 NET 预测模型和形态学滤波，在缺少显式 NET 标签的 BraTS 数据集上推导 NET 掩膜？
• RQ4 在统一的四标签 BraTS 数据集上训练时，BraTS 2018 与 BraTS 2021 的 Dice 分数对比如何？
• RQ5 4 层 PAU-Net（对比 5 层）是否对测试数据的泛化能力更好，同时保持竞争性的训练性能？

主要发现

Model	Dataset	ET Dice	TC Dice	WT Dice	Mean Dice
5-level PAU-Net	BraTS 2018 train	0.7162	0.8803	0.9117	0.8361
4-level PAU-Net	BraTS 2018 train	0.7179	0.8646	0.9010	0.8278
5-level PAU-Net	BraTS 2018 test	0.7842	0.8125	0.8913	0.8293
4-level PAU-Net	BraTS 2018 test	0.7802	0.8230	0.8912	0.8315
5-level PAU-Net	BraTS 2021 train	0.8524	0.9140	0.9282	0.8982
4-level PAU-Net	BraTS 2021 train	0.8566	0.9121	0.9232	0.8973
5-level PAU-Net	BraTS 2021 test	0.8357	0.8798	0.9157	0.8771
4-level PAU-Net	BraTS 2021 test	0.8464	0.8841	0.9186	0.8830

• 4 层上采样 PAU-Net 在 BraTS 2021 测试数据上通常优于 5 层变体（并且在 BraTS 2018 测试数据上表现出竞争力）。
• 在 BraTS 2018 训练/测试中，ET: 0.7179/0.7802，TC: 0.8646/0.8230，WT: 0.9010/0.8912（4 层模型通常与 5 层相当或优越）。
• 在 BraTS 2021 训练/测试中，ET: 0.8566/0.8464，TC: 0.9121/0.8841，WT: 0.9232/0.9186（4 层模型在测试中通常略好）。
• 在测试场景中，平均 Dice 倾向于 4 层 PAU-Net（例如 BraTS 2021 测试平均：4 层为 0.8830，而 5 层为 0.8771）。
• 通过对 BraTS 2018 进行 NCR 掩膜分解并结合 BraTS 2021 训练的 NET 预测模型与形态学滤波，实现 NET 的提取。
• 创建并使用统一的 BraTS 2018/2021 四标签数据集（NCR、ED、NET、ET）来训练裁剪输入尺寸的四标签 PAU-Net，获得各区室的 Dice 分数。

Figure 2: Two variants of the new up-scaling PAU-Net.