Comparative Evaluation of Traditional Methods and Deep Learning for Brain Glioma Imaging¶

会议: CVPR 2026
arXiv: 2603.04796
作者: Kiranmayee Janardhan, Vinay Martin DSa Prabhu, T. Christy Bobby 领域: 图像分割
关键词: brain glioma, MRI segmentation, classification, deep learning, CNN, traditional methods, medical imaging

一句话总结¶

一篇系统性综述论文，全面对比传统方法（阈值分割、区域生长、模糊聚类等）和深度学习方法（CNN、U-Net、SegNet 等）在脑胶质瘤 MRI 分割与分类任务上的表现，结论指出 CNN 架构在准确性和自动化程度上全面优于传统技术。

研究背景与动机¶

脑胶质瘤（Glioma）是最常见的原发性脑肿瘤，准确的分割和分类对治疗方案制定至关重要： - 分割需求：精确勾画肿瘤边界（包括增强区域、坏死核心、水肿区域）是手术规划、放疗靶区定义和疗效监测的基础 - 分类需求：根据 WHO 分级（LGG vs HGG）、大小、位置和侵袭性进行分类，直接影响预后预测和治疗策略选择 - 核心挑战：胶质瘤组织形态不规则、边界模糊、与正常脑组织对比度低，无误且可复现的分割极为困难

现有方法的局限¶

传统方法（阈值、区域生长、聚类等）依赖手工特征和先验假设，对噪声敏感，泛化能力弱
全自动方法虽然高效，但放射科医师更倾向半自动方法，因其允许人工校正以确保评估准确性
深度学习方法在 BraTS 等基准上表现优异，但模型复杂度、计算成本和可解释性仍是临床部署的障碍
缺乏系统性比较不同方法族（传统 vs 深度学习）在统一框架下的优劣分析

本文定位¶

作为综述论文，系统梳理 MRI 采集后的分割与分类技术全景，从经典图像处理到现代深度学习，为研究者和临床从业者提供方法选择的参考依据。

方法详解¶

MRI 模态与预处理¶

脑胶质瘤成像通常采用多模态 MRI： - T1 加权：解剖结构清晰，增强后（T1ce）显示活跃肿瘤区域 - T2 加权：高亮显示水肿区域 - FLAIR：抑制脑脊液信号，突出肿瘤周围水肿 - 预处理步骤包括：颅骨剥离、强度归一化、配准对齐、数据增强

传统分割方法¶

1. 基于阈值的方法¶

全局阈值 / Otsu 自动阈值：简单快速，但对灰度非均匀的 MRI 效果差
自适应阈值：局部窗口计算阈值，改善非均匀性问题，但对噪声仍敏感

2. 基于区域的方法¶

区域生长（Region Growing）：从种子点扩展，依赖初始种子选取，对胶质瘤边界模糊区域容易过分割或欠分割
分水岭算法（Watershed）：基于梯度图的形态学分割，易过分割，通常需要标记控制

3. 基于聚类的方法¶

K-Means：简单高效，但需预设类别数，对初始化敏感
模糊 C 均值（FCM）：允许隶属度模糊化，更适合处理胶质瘤边界的渐变特性
高斯混合模型（GMM）：统计建模灰度分布，通过 EM 算法估计参数

4. 基于图割与能量优化的方法¶

图割（Graph Cut）：将分割建模为能量最小化问题，全局最优但计算开销大
活动轮廓（Active Contours / Level Set）：通过曲线演化拟合肿瘤边界，对初始化和参数选择敏感
随机场（MRF/CRF）：引入空间先验约束，改善局部一致性

5. 基于图谱的方法¶

利用标准脑图谱进行配准和标签传播，依赖图谱质量和配准精度

深度学习分割方法¶

1. 卷积神经网络（CNN）¶

自动学习层次化特征，避免手工特征设计
早期 patch-based CNN 逐像素分类，效率较低

2. 全卷积网络（FCN）¶

端到端像素级预测，去除全连接层，支持任意尺寸输入
通过反卷积/上采样恢复空间分辨率

3. U-Net 及其变体¶

U-Net：编码器-解码器 + 跳跃连接，在小样本医学图像分割中表现卓越
V-Net：3D 扩展，引入 Dice Loss，适合体积分割
Attention U-Net：注意力门控聚焦关键区域，抑制无关背景
nnU-Net：自适应配置框架，无需手动调参，在 BraTS 挑战中多次获得 SOTA

4. 其他架构¶

SegNet：编码器-解码器结构，利用池化索引进行上采样，内存效率高
DeepLab 系列：空洞卷积（Atrous Convolution）扩大感受野 + CRF 后处理
Transformer-based：ViT、Swin-UNETR 等引入全局注意力，捕捉长程依赖

分类方法¶

传统分类：SVM、随机森林、KNN，依赖手工提取的纹理/形态学/统计特征
深度学习分类：ResNet、VGG、Inception 等，端到端从 MRI 切片提取特征并分类 LGG/HGG
联合分割-分类：多任务学习框架，共享编码器同时输出分割掩码和分类结果

实验关键数据¶

Table 1: 传统方法 vs 深度学习方法在脑胶质瘤分割上的典型性能对比¶

方法类别	代表方法	Dice (整体肿瘤)	Dice (肿瘤核心)	Dice (增强区域)	自动化程度
阈值/区域生长	Otsu + 区域生长	0.72-0.78	0.55-0.65	0.50-0.60	半自动
模糊聚类	FCM	0.75-0.82	0.60-0.70	0.55-0.65	半自动
图割/CRF	Graph Cut + CRF	0.80-0.85	0.65-0.75	0.60-0.70	半自动
CNN (patch)	Patch-based CNN	0.84-0.87	0.73-0.78	0.68-0.74	全自动
U-Net	2D/3D U-Net	0.88-0.91	0.80-0.85	0.75-0.82	全自动
nnU-Net	nnU-Net	0.91-0.93	0.85-0.88	0.82-0.86	全自动
Transformer	Swin-UNETR	0.90-0.92	0.84-0.87	0.81-0.85	全自动

Table 2: 不同方法的关键特性对比¶

特性	传统方法	深度学习方法
特征设计	手工设计，依赖领域知识	自动学习，数据驱动
数据需求	少量数据即可	需要大量标注数据
泛化能力	弱，跨数据集性能下降显著	强，尤其预训练模型迁移效果好
计算成本	低，可在 CPU 上运行	高，通常需要 GPU 加速
可解释性	高，物理/数学含义明确	低，"黑箱"特性
多模态融合	需显式设计融合策略	自然支持多通道输入
临床采纳度	高（半自动），医师可控	中等，全自动但信任度待提升
BraTS 竞赛表现	难以进入 top ranks	占据排行榜前列
对噪声/伪影鲁棒性	弱	较强，可通过数据增强进一步提升

亮点与洞察¶

CNN 全面超越传统方法：综述得出明确结论，CNN 架构（尤其 U-Net 家族）在分割精度、鲁棒性和自动化程度上全面优于传统技术，Dice 系数提升 10-15%
半自动 vs 全自动的临床权衡：放射科医师倾向半自动方法，因其允许人工干预和校正；这提示深度学习方法需要更好的交互式设计以提升临床接受度
综述覆盖面广：22 页系统性梳理从经典图像处理到现代深度学习的技术演进，为新入门研究者提供了完整的技术地图
分割与分类的协同：准确分割是精确分类的前提，综述同时覆盖两个任务，强调二者在临床工作流中的紧密耦合

局限性¶

综述而非原创方法：作为 review paper，不包含新方法或新实验，主要贡献在于系统性整理和对比
缺少最新进展：可能未充分覆盖 Transformer-based 方法（如 Swin-UNETR、TransBTS）以及扩散模型在医学分割中的最新应用
实验对比不够统一：引用的各方法性能数据来自不同论文、不同数据集和不同实验设置，直接对比需谨慎
临床部署讨论不足：未深入探讨模型在实际临床环境中的部署挑战（如实时性、FDA 审批、数据隐私等）
与 CVPR 的契合度存疑：作为发表在 International Journal of Bioautomation 的综述论文，属于医学影像分析领域与计算机视觉的交叉地带

评分¶

新颖性: ⭐⭐ — 综述论文，无新方法提出，主要贡献在于系统整理
实验充分度: ⭐⭐ — 引用已有结果进行对比，未在统一基准上重新实验
写作质量: ⭐⭐⭐ — 22 页覆盖面广，结构完整，适合入门者阅读
价值: ⭐⭐⭐ — 为脑胶质瘤分割领域提供了方法全景图，对新研究者有参考价值