部分信息分解作为资源受限深度神经网络训练中多对比度3D MRI选择策略用于脑肿瘤分割

多对比度3D MRI扫描在脑肿瘤分割中虽然能提供丰富的软组织对比信息，但使用所有可用序列进行训练会带来高昂的计算成本。针对这一问题，研究团队提出了一种基于部分信息分解（Partial Information Decomposition, PID）的预训练选择策略，旨在训练前识别信息最丰富的MRI对比度输入对，从而在保持分割性能的前提下大幅降低计算资源需求。该框架通过计算输入对之间关于区域肿瘤负荷的冗余信息、独特信息以及协同信息，对候选输入对进行排序，并选择排名最高的组合用于后续深度学习模型训练。研究团队将这一方法应用于四种常见的MRI对比度序列：T1n（非增强T1）、T1c（增强T1）、T2w（T2加权）和T2-FLAIR（T2流体衰减反转恢复）。框架最终选定T1c+T2-FLAIR作为最优输入对。为了验证该选择的有效性，研究人员训练了11个架构完全相同的轻量级3D U-Net，每个网络使用不同的输入配置（包括单输入、双输入、三输入和四输入）。在独立测试集上的评估结果显示，T1c+T2-FLAIR双输入配置在所有双输入组合中表现最佳，平均Dice得分达到0.676，仅略低于使用全部四种输入的全配置得分0.687。这一差距仅为0.011，说明通过PID选取的紧凑输入集可以接近全配置的性能。进一步的Shapley分析对全输入模型进行了输入重要性评估，结果同样确认T2-FLAIR和T1c是最具影响力的两个输入序列，且它们之间的配对交互作用最强，与PID框架的发现高度一致。这些结果表明，PID框架能够有效识别出信息最丰富且冗余最小的输入组合，为资源受限环境下的多对比度MRI分割提供了一种实用的预训练选择工具。值得注意的是，PID框架不仅考虑了每个输入单独的信息量，还量化了输入之间的冗余和协同作用，这使得它比单纯基于单个输入性能的筛选方法更为全面。该研究为3D医学图像分割中的输入模态选择提供了新的思路，有望在保持诊断精度的同时，显著降低模型训练和推理的计算负担。未来，该框架可扩展到其他多模态医学影像任务，如多序列MRI的脑部病变分割、多参数PET/CT等。