编辑推荐：
准确的大脑皮层表面分区对揭示大脑奥秘意义重大。为解决现有分区方法的不足，研究人员提出注意力引导的深度图卷积网络（ADGCN）。实验显示其 Dice 系数达 88.53%，准确率 90.27% ，有助于提升神经系统疾病诊断准确性和疗效评估客观性。
大脑，这个人体最神秘的 “指挥官”，掌管着认知、视觉、感知等诸多重要功能。而大脑皮层表面，就像是藏着无数秘密的 “宝藏地图”，它的变化能为疾病的早期发现、诊断和治疗提供关键线索。比如说，在阿尔茨海默病和自闭症等神经精神疾病的研究中，大脑皮层的形态特征，像脑沟深度、皮层厚度和表面积等，都是极为重要的指标。然而，这张 “宝藏地图” 并不好解读，它高度折叠的复杂结构，以及不同个体之间的巨大差异，让分析大脑皮层表面数据成为了一项极具挑战的任务。
目前的研究方法，就像在迷雾中摸索。传统的基于体积的方法，在研究脑组织体积特征时表现不错，但在处理大脑表面数据时，却因为忽略了大脑表面的几何形状而显得力不从心；基于表面的方法，大多采用图谱配准的思路，把大脑皮层表面映射到球形空间进行处理，可这不仅计算负担重、效率低，还会因为大脑表面和球体之间的度量失真，导致分割结果不理想。深度学习技术的出现，原本给这个领域带来了新希望，可传统的卷积神经网络（CNN）在处理大脑皮层这种非欧几里得结构的数据时，还是面临着诸多难题。
在这样的困境下，陆军军医大学第一附属医院的研究人员挺身而出，开展了一项意义非凡的研究。他们提出了一种注意力引导的深度图卷积网络（ADGCN），专门用于大脑皮层表面的端到端分区。经过在公共数据集上的严格测试，这个模型取得了令人瞩目的成绩，Dice 系数达到 88.53%，准确率达到 90.27%。这一成果，就像是为大脑皮层表面分区研究点亮了一盏明灯，为神经系统疾病的诊断和治疗效果评估提供了更精准、更客观的依据，有望推动神经科学领域向前迈出一大步。该研究成果发表在《Scientific Reports》上。
为了开展这项研究，研究人员主要运用了以下关键技术方法：首先，使用 FreeSurfer 软件对结构磁共振成像（sMRI）图像进行预处理，获取白质（WM）表面和形态特征，并构建脑图；其次，以图卷积网络（GCN）为基础模型，结合具有对称 U 形结构的深层图卷积层和挤压激励（SE）模块，增强模型的特征提取能力和分区性能；最后，采用 5 折交叉验证对模型进行训练和测试，并使用 Dice 系数和准确率作为评估指标。研究使用的样本队列来自 Mindboggle - 101 数据集，包含 100 名受试者的大脑图像数据。
研究结果
- SE 模块和隐藏层层数的影响：通过消融实验发现，GNN 层的数量对网络性能影响显著。增加隐藏层层数，ADGCN 能够捕获更多全局特征，提升分割性能。例如，当隐藏层层数为 7 时，相比只有 1 层隐藏层的模型，Dice 系数和准确率都有明显提高。同时，引入 SE 模块也能在一定程度上提升性能，当 SE 模块的缩减比为 4 时效果较好1。
- 定性结果分析：观察不同 ADGCN 模型变体的定性结果可知，增加隐藏层层数可以减少脑区标签的混淆和分割异常；SE 模块起到了特征筛选的作用，有助于提高模型的鲁棒性。不过，即使使用了 ADGCN 网络，脑区边界不清晰的问题仍然存在23。
- 不同脑区的 Dice 系数：分析不同 ADGCN 模型变体在各个脑区的 Dice 系数发现，ADGCN 在某些脑区的分区性能有明显提升，如后扣带回、舌回和外侧眶额回等区域。但在一些结构复杂、边界模糊的脑区，如三角部，ADGCN 的性能相对较差4。
- 与其他方法的性能比较：将 ADGCN 与其他多种方法对比，结果显示基于球形域的方法总体表现较好，但存在映射复杂、耗时以及对拓扑噪声敏感等问题，不适合神经系统疾病患者。在原始域中，ASEGAT 目前分区性能最佳，ADGCN 虽然略逊一筹，但它能直接利用图结构信息，训练过程稳定，易于收敛56。
研究结论与讨论
研究提出的 ADGCN 为大脑皮层表面分区提供了一种有效的新方法。它通过对称 U 形结构的深层图卷积层，有效保留和传播了原始脑图的特征，SE 模块则增强了对重要特征的敏感度。不过，该方法也存在一些不足，比如没有充分利用皮层表面的内在结构信息和脑区的全局信息，对表面重建质量敏感，且仅利用了基于表面的形态特征，缺乏对微观结构和功能特征的反映。
针对这些问题，研究人员计划在后续研究中采取一系列改进措施。例如，基于局部结构复杂性计算初始采样率或使用非刚性配准方法，减少结构信息的损失；开发拓扑保持的迭代优化算法，降低表面重建质量对分区精度的影响；结合基于体素和基于表面的形态特征，提升对皮层形态变化的检测精度。此外，研究人员还打算在更大、更多样化的 Autism Brain Imaging Data Exchange（ABIDE）数据集上验证该方法，探索其在临床诊断中的潜力。
总的来说，这项研究为大脑皮层表面分区研究开辟了新的道路，虽然目前还存在一些需要完善的地方，但随着后续研究的深入，有望为神经系统疾病的诊断和治疗带来更多突破，让我们对大脑这个神秘器官有更深入的认识。
