0 引言

       成人型弥漫性胶质瘤是中枢神经系统最常见的原发性恶性肿瘤，占所有原发脑肿瘤的30％和恶性脑肿瘤的80％，是导致原发性脑肿瘤死亡的主要原因^[1]。胶质瘤的发生发展受遗传因素和肿瘤微环境（tumor microenvironment, TME）的双重影响^[2]，表现出遗传、表观遗传和环境异质性。这些异质性在细胞水平上构成了极端的表型差异^[3]，为肿瘤细胞的超适应性和治疗抗性提供了多重机制^[4]，最终导致患者预后不良。近年来，随着医学成像技术的进步，MRI已广泛地应用于指导临床治疗决策，并且在非侵入性探索肿瘤微环境异质性方面展现出了的巨大潜力^[5]。具体而言，多序列MRI成像不仅能直观显示肿瘤的位置、大小和形态，还能通过不同序列的信号特征揭示肿瘤内部的空间异质性，如血管生成、细胞密度和代谢活性等生物学特征的差异。这种对肿瘤微环境异质性的精准可视化，为制订个体化治疗策略提供了关键依据。

       目前，传统影像学分割方法高度依赖神经放射科医生的主观判断，存在耗时、主观性强且易受经验影响等局限性。在处理复杂肿瘤异质性时，手动分割的准确性和一致性难以保证。随着深度学习（deep learning, DL）的兴起，其在医学图像分割领域展现出卓越性能。深度学习模型通过多层次特征提取机制，能够自动学习肿瘤内部结构特征，实现了对肿瘤的精准分割，显著提高了分割的准确性和鲁棒性^[6]。但目前大多数模型仍主要聚焦于整体肿瘤区域的分割，对于肿瘤内部微小尺度上的异质性特征捕捉能力尚显不足。栖息地成像作为一种新兴的异质性分析方法，通过多模态MRI技术将肿瘤划分为具有不同生物学特性的亚区域，进一步揭示了肿瘤的空间和时间异质性^[7]。因此，通过对多序列MRI影像的精准分割，不仅提供了更为细致的肿瘤内部生物学特征描述，还为理解肿瘤动态演变过程提供了新的视角。

       近年来，尽管已有部分综述探讨了胶质瘤分割技术的进展，但大多综述仅聚焦于单一方法学（如DL分割或栖息地成像分析）的应用，缺乏对 “传统影像学分割—深度学习分割—栖息地成像” 这一完整方法学演进脉络的系统性梳理。针对这一研究空白，本综述首次全面整合了脑胶质瘤微环境异质性分割的技术发展路径。首先，系统回顾传统影像学分割方法的局限性及深度学习的突破性进展与局限性；其次，探讨栖息地成像在揭示肿瘤时空异质性方面的潜力；最后重点阐述多序列MRI中肿瘤微环境异质性在临床中的应用。本研究旨在为成人型弥漫性胶质瘤的个体化精准治疗提供理论依据和技术支持。

1 从传统分割到智能分割的方法演进

1.1 传统影像学分割的临床需求

       传统影像学分割依赖于神经放射科医生的主观判断，他们通过视觉分析MRI信号强度来界定肿瘤子区域，这一方法在临床实践中被广泛应用。通常情况下，胶质瘤子区域被划分为三大类：坏死的肿瘤核心区、增强的肿瘤实质区及瘤周水肿区^[8]。这种分类主要基于MRI不同序列的信号特征：坏死的肿瘤核心区在MRI中表现为类似脑脊液的信号。在成人型弥漫性胶质瘤中，尤其是胶质母细胞瘤（glioblastoma, GBM），坏死现象较为普遍。肿瘤坏死是由缺氧诱导的细胞死亡所致^[9]，常表现为假栅栏状坏死^[10]。坏死的形成常提示肿瘤恶性程度高、生长迅速。研究表明，肿瘤坏死程度与患者预后显著相关，坏死程度越高，患者预后越差^[11]。增强的肿瘤实质区即肿瘤的实体成分，一般在对比增强T1加权成像（contrast enhanced T1-weighted imaging, T1WI-CE）表现为明显的高信号，该区域正常的脑纤维几乎完全被肿瘤细胞破坏和浸润^[12]，同时也是临床手术切除的主要区域。瘤周水肿区在T2加权成像和T2加权液体衰减反转恢复（T2-weighted fluid attenuation inversion recovery, FLAIR）序列中呈现高信号^[13]，其形成主要原因是压迫周围脑组织及破坏血脑屏障，导致水、电解质等成分渗透到细胞外间隙，这通常与肿瘤的侵袭性、血管源性水肿及炎症反应相关^[14]。在临床研究及实践中发现，90％的肿瘤复发发生在瘤周水肿区^[15]。因此，现如今多数学者将研究重心放在了瘤周水肿区域。BEIG等^[16]发现瘤周水肿区域的影像组学特征与细胞增殖及血管生成等多种生物学过程之间差异存在统计学意义（P<0.05）。LONG等^[17]证实了瘤周水肿区域存在显著异质性，并指出利用影像组学特征揭示这种异质性可有效预测胶质瘤的复发部位。

1.2 深度学习分割方法的技术突破与局限性

       胶质瘤的手动分割是由有经验的神经放射科医生精确描绘，但这一过程烦琐耗时、存在一定的主观性且需要有足够的知识储备，特别是在处理大量图像、图像对比度差异显著或肿瘤异质性明显的情况下，手动分割的局限性尤为突出。MAZZARA等^[18]发现在执行相同脑肿瘤分割任务的人员之间的平均体积差异有28％±12％，这表明手动分割存在巨大误差。近年来，DL的发展领域逐步扩大，卷积神经网络（convolutional neural networks, CNN）等网络架构的开发与优化在肿瘤分割领域取得了显著进展^[19]。与手动分割相比，DL模型在分割性能上展现出更高的鲁棒性和准确性^[20]。CNN作为图像处理领域较为经典的算法，通过其多层次的特征提取能力，能够自动从复杂的医学图像中学习到肿瘤内部结构特征^[21]。此外，随着U-Net、Transformer等网络架构的提出和优化，DL模型在医学图像分割中的表现进一步提升^{[22, 23]}。LUU等^[24]将nn-UNet进行了改进，包括扩大网络规模、用组归一化替代批归一化以及在解码器中引入轴向注意力机制，使其平均Dice系数达到91.47，并在2021年脑肿瘤分割挑战赛中荣获第一名。LI等^[25]开发的基于Transformer的多任务DL模型在胶质瘤分割任务中表现优异，其Dice系数（胶质瘤Ⅱ级、Ⅲ级及Ⅳ级分别为88.50、85.44及88.20）超越了U-net、nnUnet、COM-Net和MTTU-Net等模型。此外，LIU等^[26]设计的ConvNeXt纯卷积网络模型完全基于标准卷积模块构建，在ImageNet数据集上实现了87.80%的准确率，并在COCO检测和ADE20K分割任务中超越了Swin Transformers，同时保持了标准卷积网络的简洁性和高效性。

       然而，当前多数DL模型在脑肿瘤分割任务中，主要聚焦于整体肿瘤区域的划分，如坏死的肿瘤核心区、增强的肿瘤实质区及瘤周水肿区等较大范围的区域，且核心关注点在于分割效能的鲁棒性^[27]。然而，胶质瘤内部展现出高度的异质性，这种异质性体现在血管生成、细胞密度、代谢活性等多个生物学特征的差异上。传统的DL模型往往依赖于像素级别的分类，这种分类方式可能无法充分捕捉和反映肿瘤内部这些微小尺度上的异质性特征。具体而言，YU等^[28]研究发现，DL分割模型在描绘复杂的肿瘤边界时，如瘤周水肿与正常脑组织交界处的精细结构，其精确度尚显不足，这导致分割结果与实际肿瘤边界之间存在偏差。ZHANG^[29]则进一步指出，现有的DL模型主要依赖于从MRI序列中提取的视觉特征，却严重缺乏对医学语义知识的整合与利用，从而难以全面理解肿瘤内部的复杂异质性。未来研究需进一步探索多模态数据融合、语义引导机制及可解释性模型构建，以突破现有技术瓶颈，推动脑肿瘤精准分割向更高分辨率、更强语义理解的方向发展，最终实现个体化诊疗决策的智能化升级。

2 探索性栖息地成像意义及方法

2.1 概述

       近年来，栖息地成像（habitat imaging）这一概念被引入医学领域，它通过对肿瘤及其毗邻区域内的每一个体素进行细致的异质性描述，并通过聚类方法汇集相似体素从而捕捉肿瘤内部的复杂生物学特征^[30]。具体而言，栖息地成像利用多模态MRI技术，结合灌注、扩散、代谢等多种成像参数，将肿瘤划分为多个具有不同生物学特性的“栖息地”。这些栖息地能够反映肿瘤内部的血管生成、细胞密度、代谢活性等差异，从而更全面地揭示了肿瘤的空间和时间异质性^{[7, 31]}。传统的手动分割方法依赖于神经放射科医生的主观判断，可能难以全面捕捉肿瘤内部的异质性特征。同样，基于深度学习的传统影像学分割虽能自动化处理大量数据，但其依赖于标注数据的质量，且在处理复杂的肿瘤微环境时，可能无法充分反映肿瘤内部的动态变化和空间异质性。此外，全局信号特征（如增强、非增强区域）通常定义相对较大的解剖区域，难以反映更小尺度（如像素级）的形态学或病理学复杂性。这一假设得到了最新研究的支持，YE等^[32]证明了在GBM的增强和非增强区域均检测到了高肿瘤细胞。

2.2 栖息地成像聚类方法

       在栖息地成像研究中，主要采用“一步法”和“两步法”两种聚类方法^[33]。“一步法”通过机器学习算法直接对多维成像生物标志物进行聚类，从而生成栖息地。这种方法的核心在于将多个成像生物标志物数据整合到同一坐标系下，利用聚类算法识别不同组别，其中K-means聚类算法是典型代表。SLAVKOVA等^[34]运用K-means聚类算法对胶质瘤小鼠模型中图像衍生的肿瘤栖息地进行分割，根据血管水平（以K^trans和Kep为特征）和细胞水平（以ADC和Ve为特征）确定了三个肿瘤栖息地：“高血管低细胞区”“低血管高细胞区”和“低血管低细胞区”。他们观察到，高血管低细胞区栖息地血管丰富，细胞增殖活跃，与血管生成密切相关；低血管低细胞区栖息地与肿瘤的坏死中心重叠；低血管高细胞区栖息地为缺氧区域，在空间上将其他两个栖息地分隔开，可能是由于血管退化所致，但其仍然保持较高的细胞密度。

       相比之下，“两步法”将特征整合分为两个阶段：首先对每个生物标志物进行单独聚类，然后通过计算这些聚类结果的交集来定义最终栖息地。WEI等^[35]将T1-CE和T2-FALIR图像中胶质瘤的整体区域进行强度归一化处理，通过K-means聚类算法将感兴趣区中的每个体素强度按照预设的类数（n=2）划分为高强度和低强度，然后将两个序列图像划分的两个栖息地亚区域通过布尔运算合并为四个聚类子区域。他们还发现，聚类H34（具有低T1-CE及高/低T2-FLAIR的区域）有助于区分4级星形细胞瘤和GBM，该区域由瘤周水肿区构成，这表明水肿区域包含与分子改变或侵袭性肿瘤行为相关的信息空间多样性特征。此外，聚类H4（具有低T1-CE及低T2-FLAIR的区域）可能代表低血流量及高细胞密度区域，该区域与已经适应了低血管肿瘤微环境的潜在治疗抗性肿瘤细胞相关。

       近年来，随着机器学习工具的可访问性和可用性显著提升，“一步法”的方法越来越受欢迎。在处理复杂的肿瘤异质性分析时，“一步法”能够更好地捕捉不同生物标志物之间的关系。然而，其结果的准确性高度依赖于图像配准的精度，配准误差可能导致栖息地生成的失真。而“两步法”在处理每个参数时更具针对性，生成的栖息地可以通过单个生物标志物的聚类结果来解释，便于理解每个栖息地的生物学意义。但“两步法”在某些情况下可能需要手动选择聚类阈值或定义栖息地，计算量较大，且增加了主观性和操作复杂性。因此，两种方法各有优劣，需根据具体研究需求选择合适的方法。

3 多序列MRI中胶质瘤微环境异质性在临床应用中的验证

       多序列MRI通过结合多种成像序列，能够在传统影像学分割及栖息地成像分割中提供更为全面的肿瘤内部异质性信息^[36]，从而实现对肿瘤亚区域的精准划分。此外，弥散峰度成像（diffusional kurtosis imaging, DKI）及动态对比增强MRI（dynamic contrast enhancement MRI, DCE-MRI）等先进的成像序列不仅提高了对肿瘤内部微观结构的识别能力，还能够量化肿瘤内的血流、血管通透性和水分子扩散等关键生理参数^{[37, 38]}。近年来，影像组学作为一种新兴的医学影像分析技术，其优势在于其能够从医学图像中提取出大量的定量特征，这些特征反映了肿瘤的形状、大小、密度、纹理等多个维度的信息^[39]。在癌症监测与治疗领域，越来越多的研究表明，将传统影像学分割方法或基于聚类算法的栖息地成像分割方法与影像组学相结合，即从肿瘤亚区域而非整个肿瘤体积中提取影像组学特征，能够显著提升对肿瘤异质性的理解和评估能力。LI等^[40]证实了来自GBM坏死区、实质区及水肿区的影像组学特征可以反映肿瘤内部的异质性，其建立的综合预测模型能够更全面地描述肿瘤微环境的变化。ZHANG等^[41]通过聚类方法将胶质瘤分为2至4个子区域，并通过表征所有图像子区域中体素的特征，为每个体素生成一个107维的特征向量，充分考虑了不同区域体素的差异，从而更好地反映了胶质瘤的异质性。

3.1 胶质瘤分子基因型评估

       2021年世界卫生组织（World Health Organization, WHO）中枢神经系统肿瘤分类第五版中进一步强调了遗传分型的重要性，特别是异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）。具体而言，相较于IDH野生型胶质瘤，IDH突变型胶质瘤的患者往往展现出更为积极的预后趋势和对替莫唑胺（temozolomide, TMZ）化疗更好的治疗反应^{[42, 43]}。ZHENG等^[44]采用四种常规MRI序列，将胶质瘤分割为三个子区域（增强区、坏死区及水肿区），并结合临床特征与影像组学特征评分构建了八个单独的模型。其中，模型1在增强区表现出最高的特征系数，这表明增强区作为肿瘤细胞密度最高、生长最活跃且异质性最显著的区域，对IDH基因突变预测的贡献优于其他区域。LIN等^[45]进一步研究发现，通过多个肿瘤亚区域（增强区、坏死区及水肿区）的融合特征，能够实现最佳的预测性能[曲线下面积（area under the curve, AUC）为0.95]，这一结果与既往研究一致，即多区域影像组学特征显著提升了GBM的诊疗价值。WEI等^[35]在区分IDH突变型Ⅳ级星形细胞瘤与IDH野生型GBM中，水肿区获得了最佳的感兴趣容积（volume of interest, VOI），提示水肿区蕴含与分子改变或侵袭性肿瘤行为相关的空间多样性特征。同样，由于肿瘤内微环境异质性，不同的肿瘤亚区涉及不同的肿瘤生理生化过程^[45]。增强区与蛋白质折叠过程有关，坏死区与细胞凋亡过程有关，水肿区主要反映细胞周期的过程。因此，从单个子区域提取的特征可以更好地反映该区域的组织形态、组成和病理生理学信息。

       此外，ALVAREZ-TORRES等^[46]利用动态磁敏感对比增强（dynamic susceptibility contrast, DSC）-MRI建立空间栖息地，将胶质瘤划分为四个区域：高血管生成性肿瘤（high angiogenic tumor, HAT）、低血管生成性肿瘤（low angiogenic tumor, LAT）、浸润性外周水肿（potentially infiltrated peripheral edema, IPE）和血管源性外周水肿（vasogenic peripheral edema, VPE），并证明了相较于IDH突变型Ⅳ级星形细胞瘤，IDH野生型GBM的脑血容量（cerebral blood volume, CBV）值明显更高。这一发现为深入理解两种高级别胶质瘤之间的血管差异提供了重要依据，并为探索IDH突变状态提供了新视角。

       目前，基于传统影像学的区域分割方法在评估胶质瘤基因状态方面的研究相较成熟，但基于聚类算法的栖息地成像研究仍处于初步阶段，未来应结合多种手段及基因数据库继续深入探索。

3.2 治疗反应监测

       在常规MR影像中，胶质瘤复发或治疗等相关反应表现相似，神经放射科医生很难通过常规的图像将两者区分开来。因此，利用非侵入性成像技术早期评估治疗反应对于优化胶质瘤患者的预后治疗方案具有重要意义。翟晓阳等^[47]使用来自增强区和水肿区的多参数影像组学特征预测原发性胶质瘤治疗后反应，研究发现，在仅使用瘤内增强区域特征的基础上，加入水肿区特征显著提升了模型的预测性能。胶质瘤水肿的形成机制主要涉及血脑屏障的破坏、水通道蛋白AQP4的紊乱以及基质金属蛋白酶的降解作用^[48]。具体而言，胶质瘤细胞沿血管迁移导致内皮细胞间紧密连接和基底膜降解，从而破坏血脑屏障的完整性；同时，肿瘤细胞通过分泌基质金属蛋白酶降解细胞外基质，进一步加剧血脑屏障的破坏。此外，水通道蛋白4作为大脑中主要的水通道蛋白，其在胶质瘤中的表达和定位发生紊乱，增加了水的通透性，进而诱发血管源性脑水肿。因此，水肿区域可能含有浸润性肿瘤细胞。REN等^[49]从常规MRI序列的术后增强区域和水肿区域提取影像组学特征，结果显示基于水肿区域特征构建的预测复发模型在分类方面表现出82.5%的准确率，这提示我们水肿区域可能为识别复发提供重要信息。

       KIM等^[50]通过轴位扩散加权成像（diffusion-weighted imaging, DWI）与DSC-MRI建立空间栖息地，并评估这些栖息地的时空变化与GBM患者治疗后反应的相关性。研究发现，低血管细胞栖息地的增加是肿瘤进展的重要预测因素，并在84%的样本中准确预测了肿瘤进展的部位。低血管细胞栖息地可能代表缺氧或缺血的肿瘤成分区域，这些区域中的肿瘤细胞在缺氧或缺血应激下可能进化为复发细胞，而不依赖血管生成。由于胶质瘤治疗策略通常依赖于血管生成成分以实现治疗反应，因此血管生成非依赖性肿瘤细胞亚群的存在可能导致肿瘤进展。MOON等^[51]通过Dice相似系数分析发现，低血管细胞性栖息地与肿瘤进展部位具有较高的重叠性，表明这种栖息地可以非侵入性地定位肿瘤进展部位。这一发现与既往研究一致^[52]，即CBV的轻度降低与胶质瘤患者更好的预后相关。针对胶质瘤患者治疗后反应的评估，目前多数研究主要基于单一时间点的静态分析，未来需进一步探索动态栖息地成像技术，以实时监测肿瘤的时空演变过程，从而为个体化治疗方案的制订提供更精准、更全面的支持。

3.3 生存周期预测

       不同的肿瘤亚区域具有独特的病理生理特征，这些特征与肿瘤的侵袭性及患者预后密切相关。基于这一特性，SHAHEEN等^[53]使用五种CNN和一种STAPLE融合方法对胶质瘤进行自动分割。具体而言，他们基于生理学的分割方法将肿瘤分割为3子区域：增强区、坏死区及水肿区。同时，研究者借助哈佛-牛津皮层结构图谱，基于解剖学的分割方法将脑肿瘤细分为6子区域及21子区域。随后，从这些肿瘤子区域（全肿瘤区域、3子区域、6子区域、21子区域）中提取影像组学特征，评估四种多区域影像组学模型在总生存期（overall survival, OS）分类中的效果。研究发现3子区域模型在OS分类中表现出最高的预测性能，表明将肿瘤分为三个生理子区域（增强区、坏死区及水肿区）有助于提高预测准确性。相比之下，21子区域模型的预测性能略低，但鲁棒性最好，说明基于解剖学的分割方法（21个子区域）能够提供更稳定的预测结果。值得注意的是，大多数被错误分类的患者为短期生存者，这些患者的肿瘤通常具有侵袭性和异质性，提示当前的特征集可能需要进一步扩展，以更好地捕捉肿瘤的异质性和侵袭性特征。SHAHEEN等^[53]发现分割误差较大的患者更容易被错误分类，进一步证实了准确的肿瘤分割对于OS预测的重要性。同样，GAO等^[54]回顾性分析了163例胶质瘤患者，研究发现，在预测胶质瘤患者三年生存率上，结合瘤内及瘤周的影像组学特征的模型预测性能优于单一区域模型。肿瘤内区域虽异质性较高，但同时也是神经外科医师手术切除的主要区域，而瘤周水肿区域包含浸润性肿瘤细胞和基质，是肿瘤复发的高风险因素。基于此，YANG等^[55]对瘤周水肿区域进行重点研究，通过K-means聚类方法将瘤周水肿区划分为不同的栖息地并提取影像组学特征建立模型。结果表明与整个水肿区相比，高风险栖息地的影像组学特征在GBM生存分层中表现出更高的预测能力。

       CHO等^[56]为量化灌注异质性，首次构建出可预测患者预后的栖息地风险评分（Habitat Risk Score, HRS）。HRS是一种基于肿瘤异质性分析的定量工具，通过整合多模态影像数据和机器学习算法，识别肿瘤内不同生理特征的亚区域（即栖息地），可表征肿瘤内部的混乱程度。认识到这一点，MOON等^[51]前瞻性纳入79名IDH野生型GBM患者，利用k-means聚类将CBV和ADC图像中的体素分为三种栖息地：高血管细胞性、低血管细胞性和非活性组织，并计算HRS。研究表明，低血管细胞性栖息地的增加与OS显著相关，而HRS基于高血管和低血管细胞性栖息地的离散增加，能够有效将患者分为低、中、高风险组。未来的研究可以进一步整合更多的影像学数据（如功能MRI）和生物学数据（如基因表达、分子标记），以增强HRS的预测能力。HRS有望成为一个更全面的肿瘤异质性评估工具，为临床更好地理解肿瘤的生物学行为提供支持。

4 小结与展望

       随着MRI技术的不断进步，特别是多序列MRI、影像组学及深度学习的深度融合，脑胶质瘤的异质性分割研究取得了突破性进展。尽管人工分割存在固有缺陷，但其仍被广泛用作半自动或全自动分割方法的验证基准。手动分割的局限性促使研究者转向智能分割方法。深度学习模型通过自动化特征提取提升了分割效率与准确性，成为主流技术手段。栖息地成像作为一种新兴的肿瘤异质性分析方法，能够更细致地描述肿瘤内部的生物学特征，揭示肿瘤的时空异质性。但仍存在一些局限性：首先，传统影像学分割方法主要适用于肿瘤异质性显著的高级别胶质瘤（如GBM），而对低级别胶质瘤的分割效果仍不理想，亟需开发更精细的分割算法以实现胶质瘤亚区域的精准划分。其次，尽管目前已提出多种胶质瘤亚区域划分方法，但由于肿瘤内部复杂的空间异质性特征，现有的传统影像学分割方法和聚类算法仍难以全面解析其生物学本质。未来研究需要整合基因组学、转录组学等多组学数据，构建多维度的肿瘤异质性分析框架，以实现对肿瘤微环境的精准描绘。最后，现有研究多局限于单一时间点的静态分析，难以全面捕捉肿瘤在治疗过程中的动态演变规律。因此，发展动态栖息地成像技术，实现肿瘤异质性的纵向监测与评估，将成为未来研究的重要方向，这也将为个体化治疗方案的制订提供更可靠的影像学依据。