MGML：利用不完整MRI数据的脑肿瘤分割增强

本文解决了脑肿瘤分割中不完整多模态MRI数据的实际挑战，这是临床环境中常见的问题。提出的MGML框架提供了一个即插即用的解决方案，使其易于与现有模型集成。使用元学习进行自适应模态融合和一致性正则化是一种处理缺失模态并提高鲁棒性的新方法。在BraTS数据集上的出色表现，特别是跨缺失模态组合的平均Dice分数，突出了该方法的有效性。源代码的公开进一步增强了这项研究的影响。

• •解决了脑肿瘤分割中不完整多模态MRI数据的实际问题。
• •提出了一种新颖的元引导多模态学习（MGML）框架。
• •在BraTS数据集上取得了优异的性能，尤其是在缺失模态的情况下。
• •提供即插即用解决方案，易于与现有模型集成。
• •源代码已公开。