部分信息分解作為資源受限深度神經網絡訓練中多對比度3D MRI選擇策略用於腦腫瘤分割

多對比度3D MRI掃描在腦腫瘤分割中雖然能提供豐富的軟組織對比信息，但使用所有可用序列進行訓練會帶來高昂的計算成本。針對這一問題，研究團隊提出了一種基於部分信息分解（Partial Information Decomposition, PID）的預訓練選擇策略，旨在訓練前識別信息最豐富的MRI對比度輸入對，從而在保持分割性能的前提下大幅降低計算資源需求。該框架通過計算輸入對之間關於區域腫瘤負荷的冗餘信息、獨特信息以及協同信息，對候選輸入對進行排序，並選擇排名最高的組合用於後續深度學習模型訓練。研究團隊將這一方法應用於四種常見的MRI對比度序列：T1n（非增強T1）、T1c（增強T1）、T2w（T2加權）和T2-FLAIR（T2流體衰減反轉恢復）。框架最終選定T1c+T2-FLAIR作為最優輸入對。為了驗證該選擇的有效性，研究人員訓練了11個架構完全相同的輕量級3D U-Net，每個網絡使用不同的輸入配置（包括單輸入、雙輸入、三輸入和四輸入）。在獨立測試集上的評估結果顯示，T1c+T2-FLAIR雙輸入配置在所有雙輸入組合中表現最佳，平均Dice得分達到0.676，僅略低於使用全部四種輸入的全配置得分0.687。這一差距僅為0.011，説明通過PID選取的緊湊輸入集可以接近全配置的性能。進一步的Shapley分析對全輸入模型進行了輸入重要性評估，結果同樣確認T2-FLAIR和T1c是最具影響力的兩個輸入序列，且它們之間的配對交互作用最強，與PID框架的發現高度一致。這些結果表明，PID框架能夠有效識別出信息最豐富且冗餘最小的輸入組合，為資源受限環境下的多對比度MRI分割提供了一種實用的預訓練選擇工具。值得注意的是，PID框架不僅考慮了每個輸入單獨的信息量，還量化了輸入之間的冗餘和協同作用，這使得它比單純基於單個輸入性能的篩選方法更為全面。該研究為3D醫學圖像分割中的輸入模態選擇提供了新的思路，有望在保持診斷精度的同時，顯著降低模型訓練和推理的計算負擔。未來，該框架可擴展到其他多模態醫學影像任務，如多序列MRI的腦部病變分割、多參數PET/CT等。