CMHF-3DNet：跨模态Transformer融合提升脑肿瘤分割
本研究提出CMHF-3DNet框架，用于多模态MRI脑肿瘤亚区自动分割，通过体素级跨模态Transformer融合与层级感知多任务学习增强增强肿瘤与肿瘤核心边界勾画。在BraTS 2023、2024、2025验证集上评估，BraTS 2025平均DSC达0.8527，HD95为6.47 mm。结果提示该方法在多个BraTS基准上具有稳健性能。
要点
- 该方法对增强肿瘤和肿瘤核心的边界勾画有改善，可辅助阅片时关注这两类关键亚区
- 多模态MRI自动分割结果可提示肿瘤核心与增强区范围，但报告前仍需人工核对边界
- 不同MRI设备和模态间差异较大时，自动分割结果一致性仍需要结合本院数据验证
核心结论
- CMHF-3DNet在BraTS 2023、2024、2025多个基准上表现稳健，对增强肿瘤和肿瘤核心的边界勾画有改善
- 该方法提示在自动化脑肿瘤评估中具有潜在应用价值
研究设计与样本
- 研究类型为方法学研究，提出三维编码器-解码器框架CMHF-3DNet
- 在多模态MRI数据上进行体素级跨模态Transformer融合，并采用层级感知多任务学习
- 在BraTS 2023、BraTS 2024、BraTS 2025验证数据集上评估
- 以增强肿瘤ET、肿瘤核心TC、全肿瘤WT三个亚区为分割对象
关键影像表现/征象
- 针对增强肿瘤与肿瘤核心等异质性区域，跨模态融合可改善弱边界下的勾画效果
- 通过ET⊂TC⊂WT解剖一致性约束，分割结果符合脑肿瘤亚区层级包含关系
诊断标准与关键数值
- BraTS 2025验证集平均Dice相似系数为0.8527
- BraTS 2023验证集平均Dice相似系数为0.8526
- BraTS 2025验证集平均95% Hausdorff距离为6.47 mm
临床应用与阅片要点
- 可用于多模态MRI脑肿瘤亚区分割，辅助增强肿瘤与肿瘤核心的范围判断
- 自动分割结果可作为初筛参考，阅片时重点核对增强区和肿瘤核心边界是否符合解剖层级关系
局限性
- 原文未报告独立外部验证集结果，跨机构泛化性尚不明确
- 原文未报告与其他方法的统计检验P值，仅给出描述性DSC与HD95指标
- 原文未报告不同MRI设备、场强或扫描参数下的分层分析
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
英文原文（摘要）· 点击展开
BACKGROUND: Accurate segmentation of brain tumor subregions in multi-modal MRI is essential for diagnosis, treatment planning, and longitudinal monitoring. However, delineating heterogeneous regions such as the enhancing tumor (ET) and tumor core remains challenging due to weak boundaries and substantial appearance variability across imaging modalities and scanners.
METHODS: To address these challenges, we propose Cross-Modal Hierarchical Fusion U-Net 3D (CMHF-3DNet), a 3D encoder-decoder framework that performs voxel-wise cross-modal transformer fusion to explicitly model inter-modal dependencies and employs hierarchy-aware multi-task learning to enforce anatomical consistency constraints (ET ⊂ TC ⊂ WT).
RESULT: The proposed method was evaluated on the BraTS 2023, BraTS 2024, and BraTS 2025 validation datasets. CMHF-3DNet achieved a mean Dice Similarity Coefficient (DSC) of 0.8527 on BraTS 2025 and 0.8526 on BraTS 2023, along with a mean 95th percentile Hausdorff Distance (HD95) of 6.47 mm on BraTS 2025.
CONCLUSION: These results indicate improved boundary delineation for clinically relevant tumor subregions, particularly the ET and tumor core. Overall, CMHF-3DNet demonstrates robust performance across multiple BraTS benchmarks and suggests potential utility in supporting automated brain tumor assessment.
引用
- Hussain, Jungshen, Turab, et al. CMHF-3DNet: A Transformer-Based Framework for Improved Brain Tumor Segmentation Across Modalities. Acad Radiol. 2026. PMID: 42225491. doi:10.1016/j.acra.2026.04.045
供执业医师工作参考，不替代临床判断；数值与分级以指南原文为准。