点击这里关注，每天获取AI+医学顶刊论文解读

一、导读

原、文指路👉更多ai医学前沿资讯第一时间获取

脑肿瘤MRI分割是医学影像分析中的关键任务，对疾病诊断和治疗规划至关重要。然而，传统二维分割方法未能充分利用相邻MRI切片间固有的空间连续性，而三维分割方法又面临计算成本高昂的问题，这限制了其在临床实践中的广泛应用。

为解决上述问题，本文提出了一种名为M-Net的序列图像分割框架。该框架通过其创新的网格投射（Mesh-Cast）机制，将MRI切片序列视为“类时序”数据进行处理，并引入两阶段顺序训练策略。在BraTS2019和BraTS2023数据集上的实验表明，M-Net在所有关键指标上均优于现有方法，同时保持了较低的计算开销，为MRI肿瘤分割提供了一个高效且鲁棒的解决方案。

二、论文基本信息

• 论文标题：M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast

• 作者与单位：Jiacheng Lu, Hui Ding, Shiyu Zhang (首都师范大学)；Guoping Huo (中国矿业大学（北京）)

三、研究背景与相关工作

医学图像分割，尤其是脑肿瘤MRI分割，长期面临肿瘤边界不规则、灰度不均和类间对比度低等挑战。以U-Net为代表的编码器-解码器架构及其后续改进模型，如引入注意力机制的CANet和MIRAU-Net，以及基于知识感知网络（KAN）的UKAN，均推动了该领域的发展。同时，自然语言处理领域的成功促使Transformer、LSTM及其变体以及新兴的Mamba状态空间模型（SSM）被引入视觉任务，形成了诸如TransUNet、UNETR和Mamba UNet等混合架构。

然而，现有研究中的序列模块多局限于处理单张图像内部的块序列，未能有效利用脑肿瘤MRI相邻切片间存在的“类时序”空间相关性。这种相关性体现在病灶大小和位置在连续切片间的连续变化，类似于视频帧间的关系。尽管三维模型能够学习这种关系，但其高计算成本限制了实际应用。因此，如何在保持二维模型计算效率的同时，有效捕捉三维体积上下文信息，成为当前研究的关键空白。本文正是在此基础上，提出了将MRI切片序列重新概念化为“类时序”数据进行建模的理论突破。

四、主要贡献与创新

1. 序列建模新范式：重新定义了MRI分割问题，将MRI切片序列视为“类时序”数据，为利用成熟的时序处理算法奠定了基础。

1. 灵活的网格投射机制：提出了Mesh-Cast机制，该机制通过维度的网格化转换与传播，能够无缝集成多种时序模型（如RNN、LSTM、Transformer、Mamba SSM），系统性地捕捉切片间在时序和通道维度上的相关性。

1. 两阶段顺序训练策略：设计了一种新颖的TPS训练策略。第一阶段通过打乱序列顺序让模型学习病灶的通用模式；第二阶段恢复真实序列顺序，使模型微调并学习细粒度的序列特异性特征，从而共同提升了模型的泛化能力和鲁棒性。

原、文指路👉医图论文 ICCV'25 | 太顶了！M-Net：时序处理+TPS双 buff，MRI 脑肿瘤登顶 SOTA！

五、研究方法与原理

M-Net的核心思路是将相邻MRI切片视为序列，通过网格投射机制在时间和通道两个维度上交替进行序列建模，以低成本捕捉三维上下文信息。

M-Net框架基于编码器-解码器结构，并包含跳跃连接。其核心创新在于集成了视觉序列模块（Vision Sequential Module）和网格投射序列模块（Mesh-Cast Sequential Module）。视觉序列模块采用交叉扫描（Cross-Scan）策略将单张图像序列化，从四个方向提取空间特征序列。对于一个特征位置 ，其四个方向的序列被组合为：。

六、实验设计与结果分析

消融实验

消融研究在BraTS 2019上进行，评估了不同时序模块和TPS策略的有效性。如表2所示，与仅使用单切片输入的基线相比，所有集成Mesh-Cast模块的M-Net变体性能均有显著提升。其中，采用Mamba SSM和TPS训练的M-Net取得了最佳性能（WT/TC/ET的Dice分数分别为88.38%，90.52%，91.43%），且仅增加了少量FLOPs。

表3进一步表明，单独使用时序建模或通道建模均能带来性能提升，而两者结合（T+C）效果最佳，验证了Mesh-Cast机制的双维度建模有效性。对TPS策略的消融证实，先打乱后有序的两阶段训练优于单一阶段或相反顺序。

对比实验

如表4所示，M-Net在BraTS 2019和BraTS 2023数据集上，与U-Net、TransUNet、nnUNet、Swin UNETR、MedSAM、Mamba UNet等多种先进方法相比，在几乎所有区域（WT, TC, ET）和评测指标（Dice, Hausdorff95）上均取得了最优或次优性能。特别是在BraTS 2023上，M-Net以仅15.33分钟的推理时间，达到了91.33%（WT）、93.55%（TC）、93.42%（ET）的Dice分数，其推理时间仅为nnUNet（97.67分钟）的约15.7%，展现了优异的精度与效率平衡。

七、论文结论与评价

本文通过将MRI切片序列重新定义为“类时序”数据，成功提出了M-Net框架及其核心的Mesh-Cast机制，有效捕捉了切片间的空间连续性。理论贡献在于提供了一个可灵活集成多种时序模型的统一分割框架，并辅以TPS训练策略增强模型泛化性。实验结论明确，M-Net在BraTS系列数据集上超越了现有主流方法，在保持二维模型计算效率的同时，达到了媲美甚至优于三维模型的分割精度。

该方法的主要优势在于其创新性的建模思路、框架的灵活性以及卓越的效能平衡。然而，其局限性可能在于对序列长度的依赖以及在不同类型医学影像（如组织病理切片）上的泛化能力有待进一步验证。未来的研究可探索其在多模态医学影像融合、以及存在类似序列特性的其他视觉任务（如超声视频分析）中的应用，并进一步优化Mesh-Cast机制在超长序列下的计算效率。

往期推荐：

赞啊！3D医学影像分析最新值得读的18篇论文！CVPR/ICML/TMI 2025顶会新成果！

强烈推荐！CVPR/ICML/TMI顶会医学图像分割新趋势！基础模型+轻量化成顶会新宠

医图论文CVPR 2025｜医学图像分割新突破！AmbiSSL以随机剪枝多解码器+潜在分布学习，攻克少标注下的模糊分割难题