深度学习融合空间与解剖信息的扩散MRI纤维追踪技术：提升白质通路重建精度

本研究针对扩散MRI纤维追踪技术中因依赖局部信息导致的假阳性连接问题，提出了一种整合图像域空间信息（CNN提取）和沿纤维束的解剖信息（Transformer-decoder建模）的深度学习框架。通过加权损失函数解决纤维束类别不平衡问题，在ISMRM 2015和Tractoinferno数据集上分别实现66.2%的有效纤维率和63.8%的白质覆盖率，显著提升了复杂纤维配置区域的追踪准确性。

　　

论文解读
脑科学领域长期面临一个关键挑战：如何无创、精准地绘制大脑白质纤维的"高速公路地图"。扩散磁共振成像(dMRI)纤维追踪技术虽能通过水分子扩散方向重建神经通路，但传统方法在交叉纤维、狭窄通道等复杂区域容易"迷路"，产生大量错误连接或遗漏真实通路。这就像用局部路标拼凑全国地图——尽管每个路口方向明确，全局路径却可能南辕北辙。

针对这一难题，华南理工大学等机构的研究团队在《NeuroImage》发表创新成果。他们开发的深度学习框架巧妙融合两种关键信息：卷积神经网络(CNN)提取的3×3×3体素空间特征，如同"高清显微镜"解析局部纤维走向；Transformer-decoder构建的全局注意力机制，则像"导航系统"追踪纤维的整体走向。此外，针对小纤维束易被模型忽视的问题，团队设计加权损失函数，赋予稀有通路更高训练权重。

关键技术包括：1) 采用6阶球谐函数(SH)表征多中心dMRI数据；2) 3D-CNN提取邻域扩散特征；3) 6层Transformer-decoder建模纤维轨迹长程依赖；4) 基于HCP和Tractoinferno多中心数据集验证。

主要发现

1. ISMRM 2015挑战赛表现
   在合成数据测试中，该方法重建24/25个基准纤维束，有效纤维率(VC)达66.2%，显著高于RNN-based方法。特别在"极难追踪"的前连合(CA)等束状结构中，注意力机制使纤维保持解剖合理性。

2. 多中心临床数据验证
   在Tractoinferno数据集上，白质覆盖率(OL)提升5.7%，过延伸率(OR)降低4.1%。可视化显示，锥体束(PYT)和弓状束(AF)等复杂通路的重建完整度优于Learn-to-Track等基线模型。

3. 注意力机制解析
   层间注意力模式分析揭示：浅层关注当前位置(head2侧重相邻点)，深层(head4-6)形成"扇形"注意力场，这与神经纤维的解剖投射规律高度吻合。

4. 消融实验验证
   逐步添加空间信息使Dice分数从0.8跃升至62.7；引入类别权重后，小纤维束的覆盖率提升17.3%，证实了信息整合策略的必要性。

结论与展望
该研究突破性地将Transformer的全局建模能力引入纤维追踪领域，首次实现空间分辨率与长程解剖约束的协同优化。临床价值在于：1) 为神经退行性疾病提供更精准的连接组图谱；2) 多中心数据适应性助力临床推广。未来可通过动态步长优化和二阶积分方法进一步提升效率。这项技术犹如为神经外科医生装配了"分子级导航仪"，为精准神经科学开辟新途径。