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

# 部分信息分解作为资源受限深度学习训练中脑肿瘤分割的多对比3D MRI选择策略
来源: https://arxiv.org/html/2607.15396
Agamdeep S. ChopraORCID:0009-0003-4386-7894 (https://orcid.org/0009-0003-4386-7894)华盛顿大学机械工程系，西雅图，华盛顿州，美国Mehmet KurtORCID:0000-0002-5618-0296 (https://orcid.org/0000-0002-5618-0296)华盛顿大学机械工程系，西雅图，华盛顿州，美国

###### 摘要

当使用所有可用序列时，多对比3D MRI分割在计算上可能非常昂贵。我们评估了一种预训练部分信息分解框架，该框架根据输入对关于区域肿瘤负担的冗余、独特和协同信息进行排序，并选择排名最高的输入对用于下游训练。将该框架应用于T1n、T1c、T2w和T2-FLAIR MRI，选出了T1c+T2-FLAIR。然后，我们使用不同的输入配置训练了十一个架构相同的轻量级3D U-Net。在一个独立的测试队列上，T1c+T2-FLAIR是最强的双输入配置，在平均Dice系数上排名第二（0.676对全四输入的0.687）。对全输入模型的独立Shapley分析也确定T2-FLAIR和T1c是最有影响的输入，并且它们的成对交互作用最强。这些发现证明了基于PID的预训练选择在投入昂贵的3D模型开发之前识别紧凑且信息丰富的MRI输入集的实用价值。

关键词：部分信息分解，MRI序列选择，脑肿瘤分割，资源受限学习

## 1 引言

多对比MRI支持脑肿瘤分割，因为每个序列强调互补的组织特征。T1加权MRI描绘解剖结构，对比增强T1突出增强肿瘤，T2 MRI对液体敏感，T2-FLAIR抑制脑脊液以强调水肿和浸润性异常。因此，脑肿瘤基准测试和高性能3D分割框架通常整合所有可用对比用于多区域分割[13 (https://arxiv.org/html/2607.15396#bib.bib1),6 (https://arxiv.org/html/2607.15396#bib.bib2),4 (https://arxiv.org/html/2607.15396#bib.bib4),9 (https://arxiv.org/html/2607.15396#bib.bib3)]。

然而，这种方法在计算受限的环境中可能代价高昂。每个额外的序列都会增加存储、预处理、数据传输、内存和训练成本，这些成本在3D中由于大型补丁和体积张量以及跨折、架构和超参数设置的重复实验而被放大。因此，实际问题是在将大量资源投入到下游模型开发之前，是否可以选择一个较小的输入子集。

标准子集选择依赖于穷举模型训练或单一来源相关性度量。穷举评估直接提供任务性能估计，但扩展性差，并且必须为每个下游架构重复。基于互信息的方法通过平衡目标相关性与冗余性提供了更便宜的替代方案[14 (https://arxiv.org/html/2607.15396#bib.bib5)]，但它们可能忽略协同作用，即两个序列共同提供信息，即使各自都不占主导。

参见标题图1：两个源X1和X2相对于目标Y的部分信息分解示意图。总信息被分解为源特有贡献U1和U2，两个源提供的冗余信息R，以及仅从它们的联合观察中获得的协同信息S。部分信息分解（PID）将目标信息分离为冗余、独特和协同分量[19 (https://arxiv.org/html/2607.15396#bib.bib6),2 (https://arxiv.org/html/2607.15396#bib.bib7)]。它已被用于定义特征相关性并指导特征选择[20 (https://arxiv.org/html/2607.15396#bib.bib8),18 (https://arxiv.org/html/2607.15396#bib.bib9)]，而最近的工作如SFL-Net将PID引导的潜在分解应用于多对比MRI到PET合成[3 (https://arxiv.org/html/2607.15396#bib.bib12)]。在此基础上，结合先前关于脑肿瘤分割中MRI序列贡献的研究[21 (https://arxiv.org/html/2607.15396#bib.bib10),16 (https://arxiv.org/html/2607.15396#bib.bib11)]以及对比级Shapley归因[15 (https://arxiv.org/html/2607.15396#bib.bib19)]，我们引入了一个通用的n到2预训练框架用于多对比MRI肿瘤分割。为每个输入序列训练一个紧凑的自动编码器，对得到的嵌入进行量化，并使用区域感知最小互信息PID（MMI-PID）定义分数[1 (https://arxiv.org/html/2607.15396#bib.bib21)]对所有（n choose 2）对进行排序。然后选择得分最高的对用于下游模型开发。我们使用四个CoRe-BT MRI序列[6 (https://arxiv.org/html/2607.15396#bib.bib2)]对该框架进行评估，比较了全四输入模型、所有六个双输入组合以及四个单输入模型，并在有限计算预算下进行了患者级统计检验和Shapley归因。

## 2 方法

### 2.1 PID对选择

参见标题图2：PID对选择流程。来自每个MRI序列的空间对齐补丁通过序列特定的自动编码器进行编码。冻结的潜在表示被量化为离散源编码，而对齐的肿瘤掩膜提供离散化的区域肿瘤负担目标。所有双输入组合使用区域感知PID进行评估，根据其总分数进行排序，并保留最高排名的对用于下游模型训练。图2 (https://arxiv.org/html/2607.15396#S2.F2)总结了选择过程。对于每个训练对象，我们从所有MRI序列和肿瘤掩膜中采样了128个空间对应的32×32×32补丁。70%的补丁中心取自肿瘤前景。对于每个肿瘤区域c∈{水肿, 增强肿瘤, 坏死}，肿瘤负担定义为该区域内被分配到该区域的补丁体素的比例。零负担补丁形成类别0，而正负担被分为三个训练集分位数类别。

为每个MRI序列单独训练一个浅层3D自动编码器，使用均方误差重建其输入补丁。编码器包含三个3×3×3卷积块，步长为2，输出通道分别为8、16和32。每个卷积后接实例归一化和ReLU激活。对于32×32×32输入补丁，编码器生成一个32×4×4×4的特征图，该特征图被展平并线性投影到32维潜在向量。训练后，编码器被冻结，解码器被丢弃。对于每个序列m，一个独立的K-means模型（K=16）被拟合到训练潜在向量，每个聚类分配定义离散源编码qm[7 (https://arxiv.org/html/2607.15396#bib.bib13),10 (https://arxiv.org/html/2607.15396#bib.bib14)]。

对于每个输入对(a,b)和肿瘤区域c，互信息从两个源编码和离散化肿瘤负担目标Tc的经验联合分布中估计[5 (https://arxiv.org/html/2607.15396#bib.bib15)]。遵循双变量PID框架[19 (https://arxiv.org/html/2607.15396#bib.bib6)]，我们分解了每对量化源编码提供的关于区域肿瘤负担目标的信息。我们使用MMI公式作为双变量PID的计算简单代理[1 (https://arxiv.org/html/2607.15396#bib.bib21)]。对于输入对(a,b)和肿瘤区域c，PID项为：

Rabc = min{I(qa;Tc), I(qb;Tc)},
Ua|bc = I(qa;Tc) - Rabc, Ub|ac = I(qb;Tc) - Rabc,
Sabc = I((qa,qb);Tc) - Rabc - Ua|bc - Ub|ac. (1)

为了对候选对进行排序，我们定义了一个受PID特征选择标准启发的总分数，该标准偏好信息丰富且非冗余的特征集[20 (https://arxiv.org/html/2607.15396#bib.bib8),18 (https://arxiv.org/html/2607.15396#bib.bib9)]：

Score(a,b) = Σc wc [I((qa,qb);Tc) + λ (Ua|bc + Ub|ac + Sabc)], λ=0.5, (2)

其中wc是区域c正补丁的归一化逆频率。因此，联合目标信息确定基线对分数，而独特和协同信息相对于冗余信息获得额外权重。所选对为：

M* = argmax_{a,b}⊂M Score(a,b), |M*|=2. (3)

### 2.2 轻量级3D U-Net

下游分割模型是一个具有三个分辨率级别的轻量级3D U-Net[4 (https://arxiv.org/html/2607.15396#bib.bib4)]。每个编码器和解码器块包含两个3×3×3卷积，后接ReLU激活和实例归一化。使用最大池化进行下采样，而使用最近邻插值后接1×1×1卷积进行上采样。最后的1×1×1卷积产生输出logits。

模型使用64×64×64补丁、批次大小为1、每epoch 256个补丁进行训练。训练目标结合了Dice损失和二元交叉熵，平衡区域重叠与体素级监督。优化使用AdamW，权重衰减为10^{-4}[12 (https://arxiv.org/html/2607.15396#bib.bib16)]。学习率从10^{-3}降至10^{-5}，使用余弦调度在200个epoch内[11 (https://arxiv.org/html/2607.15396#bib.bib17)]。使用30个对象的验证集进行开发阶段基准测试，最终评估在独立的28个对象测试集上进行。

## 3 实验

我们从CoRe-BT数据集[6 (https://arxiv.org/html/2607.15396#bib.bib2)]的MRI和肿瘤掩膜组件中使用了132个训练、30个验证和28个测试对象。排除了缺少任何所需序列的对象。输入为T1n、T1c、T2w和T2-FLAIR。报告的目标为水肿、增强肿瘤和坏死/非增强肿瘤。体积被裁剪、裁剪到0.5-99.5百分位数范围，并归一化用于训练。

PID选择T1c+T2-FLAIR作为该任务的最高排名输入对。然后我们训练了11个架构相同的3D U-Net模型（一个四输入模型、所有六个成对模型和四个单输入模型）。这种设计测试了PID排名是否可以预测下游分割性能。

模型在保留集上使用患者级宏观平均Dice、HD95、敏感性和精确度进行评估，跨肿瘤区域。统计分析包括10,000次bootstrap重采样、Spearman相关性、配对Wilcoxon检验、带Holm校正的Friedman检验以及-0.03 Dice非劣效性界值[8 (https://arxiv.org/html/2607.15396#bib.bib20)]。对四输入模型计算了所有16个输入联盟的Shapley值，缺失输入用训练集脑掩膜内的通道均值替换，外部用零替换[17 (https://arxiv.org/html/2607.15396#bib.bib18),15 (https://arxiv.org/html/2607.15396#bib.bib19)]。

完整实验使用一张RTX 3090，GPU内存上限为2 GB，四个逻辑CPU核心，以及4 GB系统内存用于训练和特征提取。

## 4 分析与结果

### 4.1 PID选择与分割

PID将T1c+T2-FLAIR排在第一，得分为0.963。在六个对模型中，PID得分与测试集Dice呈正相关（ρ=0.600，p=0.208）且与HD95呈负相关（ρ=0.600，p=0.208）。两种关联在方向上与下游性能一致，但均不显著，且分析由于只有六个对而功效有限。

表1：所有输入对组合的区域特异性PID得分。Nec.、Ed.和Enh.分别表示坏死肿瘤、水肿和增强肿瘤。在测试集上，全模型平均Dice为0.687，HD95为16.09。T1c+T2-FLAIR的Dice为0.676，HD95为16.77，使其成为最强的对并总体排名第二（表2 (https://arxiv.org/html/2607.15396#S4.T2)）。所选对保留了全模型平均Dice的98.5%，同时使用了一半的输入通道。

表2：最佳输入配置的测试集性能。Ed、En和Ne分别表示水肿、增强肿瘤和坏死肿瘤。HD95、平均Dice、敏感性和精确度是跨三个区域的患者级宏观平均值。所选对与全模型之间的Dice差异为-0.010（95% CI [-0.052, 0.034]；配对Wilcoxon p=0.0505）。HD95增加了0.68（95% CI [-4.54, 5.09]；p=0.174）。敏感性几乎相同（差异<0.001；p=0.991），精确度差异为-0.015（p=0.099）。鉴于我们的界值选择，未建立Dice非劣效性。

模型配置影响Dice（χ²(10)=164.63，p<10^{-29}，Kendall's W=0.588）和HD95（χ²(10)=79.07，p<10^{-12}，W=0.282）。Holm校正后，所选对显著优于大多数性能较低的成对和单输入模型。然而，所选对与全模型或T1c+T2w之间的差异在校正后不显著。

### 4.2 后验归因

参见标题图3：四输入模型的测试集Shapley分析。T2-FLAIR和T1c具有最大的输入贡献，并且它们的成对交互作用最强。Shapley分析将T2-FLAIR排在第一（0.336；95% CI 0.298–0.374），T1c排在第二（0.258；95% CI 0.203–0.311）。它们的交互作用也最大（0.307；95% CI 0.241–0.373；图3 (https://arxiv.org/html/2607.15396#S4.F3)）。六个组合的成对交互作用存在差异（χ²(5)=71.22，p<10^{-13}，Kendall's W=0.509）。这一独立分析与PID选择的输入对一致。

## 5 讨论

### 5.1 PID识别了最强的输入对

核心结果是MMI-PID得分为分割训练前选择了最强的双输入配置。T1c+T2-FLAIR在信息得分中排名第一，并且在11模型评估中被独立确定为最佳对。这一一致性支持使用所提出的得分作为预训练输入对选择器。

所选模型使用了一半的输入通道，并保留了全输入模型平均Dice的98.5%。配对检验没有提供明确证据表明存在差异。