综述：关于深度学习在MRI脑肿瘤分割中的应用的系统综述：趋势、挑战及未来发展方向

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Systematic Review of Deep Learning Approaches for Brain Tumor Segmentation in MRI: Trends, Challenges and Future Directions

脑肿瘤分割（BTS）通过深度学习（DL）和多模态影像显著提升诊断精度与临床决策支持。研究分析2017-2025年220篇文献，指出BraTS等基准数据集在真实场景应用中面临类不平衡、低对比度等数据问题；CNN提取分层特征，U-Net优化定位，混合架构结合注意力机制与多尺度学习提升效果；当前趋势聚焦Transformer和自监督学习，但模型在形态模糊、时空信息不足及临床可解释性方面仍受限制。

　　

摘要

脑肿瘤分割（Brain Tumor Segmentation，简称BTS）是指在脑部磁共振成像（MRI）扫描中自动识别和勾画肿瘤区域的过程。深度学习（Deep Learning，简称DL）显著推动了BTS的发展，尤其是在多模态（Multi-modal，简称MM）成像方面。这些改进提高了诊断精度，为临床决策提供了更多依据。本文回顾了2017年至2025年间发表的220篇相关文献，重点分析了其研究内容。研究范围涵盖了架构趋势、分割挑战、数据集使用情况以及临床应用前景。BraTS、TCGA-GBM和Figshare等基准数据集因其包含标注过的、来自多机构的MRI扫描图像而备受青睐，这些数据能够反映现实世界中肿瘤的多样性。深度学习模型，包括卷积神经网络（Convolutional Neural Networks，简称CNN）、U-Net变体以及混合架构，都展现了各自的优势：CNN擅长分层特征提取；U-Net模型通过跳跃连接（skip connections）提升定位精度；而混合架构则结合了注意力机制（attention mechanisms）和多尺度学习（multi-scale learning），从而实现更高的准确性和泛化能力。近年来，基于Transformer的模型和自监督学习技术（self-supervised learning techniques）成为研究热点。随着性能和可解释性的持续提升，基于深度学习的BTS方法在临床应用中展现出巨大潜力，有望实现更精准、更及时、更个性化的治疗计划制定。然而，本文也指出，数据相关问题（如类别不平衡、对比度低和注释偏差）、模型层面的局限性（如形态学不确定性及时空信息不足），以及临床障碍，都限制了基于AI系统的可解释性和实际应用可行性。

脑肿瘤分割（Brain Tumor Segmentation，简称BTS）是指在脑部磁共振成像（MRI）扫描中自动识别和勾画肿瘤区域的过程。深度学习（Deep Learning，简称DL）通过多模态（Multi-modal，简称MM）成像技术显著推动了BTS的发展，提高了诊断精度，为临床决策提供了更多支持。本文回顾了2017年至2025年间发表的220篇相关文献，重点分析了其研究内容。研究范围涵盖了架构趋势、分割挑战、数据集使用情况以及临床应用前景。BraTS、TCGA-GBM和Figshare等基准数据集因其包含标注过的、来自多机构的MRI扫描图像而备受青睐，这些数据能够反映现实世界中肿瘤的多样性。深度学习模型，包括卷积神经网络（Convolutional Neural Networks，简称CNN）、U-Net变体以及混合架构，都展现了各自的优势：CNN擅长分层特征提取；U-Net模型通过跳跃连接（skip connections）提升定位精度；混合架构则结合了注意力机制和多尺度学习，从而实现更高的准确性和泛化能力。近年来，基于Transformer的模型和自监督学习技术成为研究热点。随着性能和可解释性的持续提升，基于深度学习的BTS方法在临床应用中展现出巨大潜力，有望实现更精准、更及时、更个性化的治疗计划制定。然而，本文也指出，数据相关问题（如类别不平衡、对比度低和注释偏差）、模型层面的局限性（如形态学不确定性及时空信息不足），以及临床障碍，都限制了基于AI系统的可解释性和实际应用可行性。