基于Gradio-CNN框架的群体水平下丘脑与颅内体积自动分割系统开发及在神经退行性疾病研究中的应用

这篇研究开发了一个基于Gradio库的交互式网络界面（GUI），整合U-Net架构的深度学习模型，实现脑MRI中下丘脑（Hypothalamus）和颅内体积（ICV）的高效自动分割。系统采用五折交叉验证和z-score标准化优化性能，在帕金森病（PD）和肌萎缩侧索硬化症（ALS）队列中验证了其可靠性（Dice系数达0.85-0.92），并通过ngrok隧道实现跨平台部署，为神经影像研究提供了一站式解决方案。

　　

引言
下丘脑作为调控激素平衡、睡眠和情绪的关键脑区，其结构变化与阿尔茨海默病、帕金森病（PD）等神经退行性疾病密切相关。传统手动分割方法耗时且易受主观影响，而基于卷积神经网络（CNN）的自动分割技术（如U-Net）虽能提升效率，但需要用户友好的交互界面以促进临床转化。

方法
研究团队利用1.5T MRI扫描的T1加权图像，通过Tensor Imaging and Fiber Tracking（TIFT）软件预处理后，采用EfficientNetB0骨干网络的U-Net模型进行训练。创新性地引入五折交叉验证和z-score强度标准化，替代既往的对比度增强策略。下丘脑分割聚焦512×512像素的50层关键切片，ICV分割则覆盖全脑512层图像。模型性能通过Dice系数、95%豪斯多夫距离（HD₉₅
）和体积相似度（VS）评估。

图形界面设计
开发的Gradio界面包含四大核心功能：

1. 批量上传：支持PNG格式预处理图像自动排序
2. 模型选择：提供单模型或五模型集成预测选项
3. 量化分析：自动计算下丘脑体积（中位数832 mm³
   ）和ICV（中位数1551 ml）
4. 手动校正：可对3%的ICV基底部分割误差进行交互式修正

通过ngrok生成的公共链接，用户可在任何设备浏览器中访问该工具，平均响应时间<5秒。

验证结果
在129例PD患者和健康人队列中，系统展现出：

• 下丘脑分割Dice系数0.89（对照组）和0.85（ALS组）
• ICV分割精度达Dice 0.92，仅需44秒完成全脑处理
• PD组与对照组的下丘脑体积无显著差异（p=0.055），与既往研究一致
• 集成模型较单模型提升边界准确性，HD₉₅
  降低至0.80±0.27 mm

讨论
该研究首次将Gradio的轻量化部署与CNN模型结合，解决了神经影像工具的平台依赖性问题。z-score标准化和交叉验证策略使模型在有限数据下仍保持鲁棒性。值得注意的是，ICV体积的系统性低估（平均偏差145 cm³
）源于脑底边界定义差异，但可通过手动校正消除。

展望
该框架可扩展至其他脑区分割，如嗅球或杏仁核。未来通过迁移学习适配3T MRI数据，或能进一步提升在多中心研究中的泛化能力。工具的开源化将加速神经退行性疾病生物标志物的探索进程。