深度学习驱动的精准大脑磁共振区域分割新框架：突破认知群体差异，实现高精度解析

研究人员开展基于深度学习的大脑 MR 区域分割研究，两阶段技术提升分割精度，意义重大。

　　本研究提出了一种全新的基于深度学习的精确大脑磁共振（MR）区域分割框架，旨在确定大脑内不同解剖结构的位置和形状细节。研究人员在包含认知正常参与者和认知衰退个体的成年受试者数据集上，采用两阶段 3D 分割技术。第一阶段运用 3D U-Net 对 13 个脑区进行分割，平均骰子相似系数（DSC）达到 0.904±0.060，平均 95% 豪斯多夫距离（HD₉₅）为 1.52±1.53 毫米（较小区域的平均 DSC 为 0.885±0.065，平均 HD₉₅为 1.57±1.35 毫米）。对于海马体、丘脑、脑脊液、杏仁核、基底神经节和胼胝体等具有挑战性的区域，第二阶段使用 SegResNet 进行分割优化，使平均 DSC 提升至 0.921±0.048 ，HD₉₅降至 1.17±0.69 毫米。统计分析显示，这些区域有显著改善（p值＜0.001），DSC 提升幅度在 1.3% - 3.2% 之间，HD₉₅减少 0.06 - 0.33 毫米。与近期研究相比，该方法性能更优。第二阶段对较小区域分割的优化展示出明显改进，证明了该框架在不同认知群体中进行精确可靠脑区分割的潜力。