摘要
多对比3D MRI分割在使用所有可用序列时计算需求高。我们评估了一种预训练的部分信息分解框架，该框架根据输入对的冗余、独特和协同信息对区域肿瘤负担进行排名，并选择排名最高的对用于后续训练。该框架应用于T1n、T1c、T2w和T2-FLAIR MRI，最终选择了T1c+T2-FLAIR。
随后，我们使用不同的输入配置训练了11个结构相同的轻量级3D U-Net。在独立测试队列中，T1c+T2-FLAIR是最强的双输入配置，其Dice系数为0.676，相较于所有四个输入的0.687排名第二。对全输入模型的独立Shapley分析也识别出T2-FLAIR和T1c是最有影响力的输入，其成对交互效果最强。这些发现展示了基于PID的预训练选择在识别紧凑且信息丰富的MRI输入集方面的实际价值，为后续昂贵的3D模型开发奠定基础。
博主点评： 此研究提出了一种有效的MRI输入选择策略，通过部分信息分解优化了脑肿瘤分割的深度学习训练，降低了资源消耗。这一方法不仅提升了模型性能，也为后续研究提供了有力的技术支持。值得关注的是，如何进一步扩展此框架以应用于其他医学影像领域。