基于DISAU-Net与灰狼优化的脑白质纤维束分割及结构连接性分析新方法

本研究针对传统白质(WM)纤维束分割方法效率低、精度不足的问题，提出融合Inception-ResNet-V2模块与密集连接卷积的DISAU-Net架构，结合灰狼优化(GWO)算法，在HCP数据库280例dMRI数据中实现97.10%分割准确率，为脑结构连接性研究提供新工具。

　　

脑科学领域长期面临白质(WM)纤维束精准分割的技术挑战。传统扩散磁共振成像(dMRI)纤维束示踪技术虽能重建神经通路，但手动分割海量纤维束需极高专业门槛且效率低下。现有深度学习模型如U-Net虽提升自动化水平，仍受限于梯度消失、计算冗余等问题，难以平衡网络深度与性能。

针对这一瓶颈，研究人员创新性地提出Dense-Inception空间注意力U-Net(DISAU-Net)架构。该模型通过四大核心技术突破：采用Inception-ResNet-V2模块拓宽网络宽度，集成密集连接卷积(Dense-Inception)深化特征提取，引入空间注意力机制优化特征传递，并运用灰狼优化(GWO)算法动态调整分类器参数。基于人脑连接组计划(HCP)280例dMRI数据的验证表明，该模型在纤维束分割任务中取得97.10%的准确率，较现有方法显著提升。

关键技术方法包括：1) 构建混合DISAU-Net架构，整合Inception-ResNet-V2与密集连接模块；2) 采用空间注意力U-Net(SAU-Net)的双路径特征传递机制；3) 应用GWO算法优化网络超参数；4) 使用HCP数据库的280例全脑dMRI数据进行模型训练与验证。

【Results and Discussion】

1. 网络架构验证：Inception-ResNet-V2模块通过残差连接缓解梯度消失，使网络宽度扩展3.2倍；密集连接模块使参数复用率提升47%，显著降低冗余计算。
2. 性能对比实验：在胼胝体等关键WM束分割中，DISAU-Net的Dice系数达96.88%，较传统U-Net提高11.3%，且推理速度加快2.4倍。
3. 结构连接分析：模型输出的纤维束概率图成功量化左右半球连接不对称性(p<0.01)，为阿尔茨海默病等神经退行性病变提供新生物标记。

【Conclusion】
该研究开创性地将元启发式优化与混合CNN架构结合，DISAU-Net不仅解决WM纤维束分割的精度-效率矛盾，其构建的结构连接图谱更为神经外科手术规划提供量化依据。模型在HCP大数据集的优异表现(召回率95.74%，F1-score 94.79%)，标志着dMRI分析进入智能化新阶段。未来可扩展至多模态神经影像融合，为脑疾病早期诊断开辟新途径。