清华大学生物医学工程学院田启源课题组脑影像实验室（以下简称“实验室”）在医学影像分析领域期刊《医学影像分析》（Medical Image Analysis）在线发表题为“不让任何模态掉队：基于知识蒸馏适配缺失模态的脑肿瘤分割方法”（No modality left behind: Adapting to missing modalities via knowledge distillation for brain tumor segmentation）的研究论文。

该研究面向临床多模态磁共振成像（MRI）中常见的模态缺失问题，提出了一种名为 AdaMM 的脑肿瘤分割框架，在不同 MRI 序列缺失的情况下仍能实现稳定、准确的肿瘤区域分割。论文共同第一作者为实验室访问实习生朱晟豪和清华大学生物医学工程学院直博生陈一飞，通讯作者为清华大学生物医学工程学院田启源副教授和杭州电子科技大学秦飞巍教授。

图 0 文章在线发表页面

脑肿瘤精准分割是术前评估、放疗计划制定和个体化治疗的重要基础。多模态 MRI 能够从不同序列中提供互补信息，例如 T1、T2、增强 T1 和 FLAIR 分别反映解剖结构、组织水肿、肿瘤强化和异常信号范围。然而，在真实临床场景中，受扫描时间、患者状态、造影剂使用限制和设备条件等因素影响，完整多模态 MRI 数据并不总是可获得。现有许多深度学习模型依赖完整模态输入，一旦关键序列缺失，分割性能往往明显下降，限制了其临床推广应用。

针对这一问题，该研究提出 AdaMM 框架，以“No modality left behind”为核心理念，提升模型在缺失模态条件下的鲁棒性。该方法通过完整模态教师模型向缺失模态学生模型传递有效知识，使模型在仅有部分 MRI 序列输入时，仍能充分利用已有影像信息完成脑肿瘤分割。同时，AdaMM 结合图结构特征建模与病灶存在性约束，进一步增强模型对不同模态组合的适应能力，并减少缺失模态场景下的假阳性预测。

图 1 AdaMM 整体框架示意图

研究在 BraTS 2024、BraTS 2018 和 Pretreat-MetsToBrain-Masks 三个数据集上进行了系统验证，覆盖脑胶质瘤和脑转移瘤等不同场景。实验模拟了 15 种 MRI 模态组合，包括单模态、双模态、三模态和完整模态输入，并与多类代表性缺失模态分割方法进行了比较。结果表明，AdaMM 在多数缺失模态场景下均取得了更优的分割性能，尤其在单模态和弱模态组合条件下表现出更强的稳定性和泛化能力。

图 2 不同缺失模态场景下的分割结果对比

总体而言，该研究面向临床 MRI 数据不完整这一现实问题，提出了一种兼具准确性、鲁棒性和实用性的脑肿瘤自动分割方法。AdaMM 不仅推动了缺失模态多模态医学影像分析方法的发展，也为脑肿瘤术前评估、放疗规划和个体化治疗中的智能影像分析提供了具有应用潜力的新工具。

论文原文链接：
https://doi.org/10.1016/j.media.2026.104108