基于协同 MAE 预训练与边界感知优化的成人-儿童胶质瘤统一切割

由于脑解剖结构、肿瘤分布和亚区大小存在显著差异，在成人和儿童群体中实现精准脑肿瘤分割仍是一项挑战。本研究提出了一种基于 nnU-Net 的统一切割框架，将编码器级自监督预训练与轻量级边界感知解码器相结合。编码器采用在脑部 MRI 上预训练的大规模 3D 掩码自编码器进行初始化，而解码器则使用结合了区域重叠项和边界敏感项的混合损失函数进行训练。统一的训练和评估协议同时应用于 BraTS-GLI（成人）和 BraTS-PED（儿童）队列，从而能够与基线及高级 nnU-Net 变体进行公平的跨队列比较。所提出的方法使成人的平均 Dice 评分从 0.76 提高到 0.90，儿童病例从 0.64 提高到 0.78，同时将 HD95 分别从 4.42 降至 2.24 mm 以及从 9.03 降至 6.23 mm。这些结果表明，将编码器级预训练与解码器端边界监督相结合，可在不增加推理计算开销的情况下，显著提高跨年龄段的分割精度。