基于ImageNet预训练编码器的2.5D深度学习框架PigBET实现家猪多模态及纵向MRI精准颅骨剥离

研究人员针对家猪MRI数据处理中颅骨剥离(Skull Stripping)这一关键但费时费力的任务，开发了深度学习框架PigBET。该研究创新性地采用相邻切片三通道堆叠的2.5D策略，结合预训练编码器和多平面模型集成方法，在4周龄家猪MPRAGE数据上获得平均Dice系数0.981±0.004、IoU 0.962±0.008的优异性能。通过迁移学习，该方法成功扩展到1-18周龄MPRAGE和4周龄dMRI数据，显著提升了家猪神经影像研究的处理效率。

　　

在神经发育研究中，家猪模型因其与人类大脑在解剖和功能上的高度相似性而备受青睐。然而，家猪神经影像处理流程中的一个关键瓶颈是颅骨剥离(Skull Stripping)这一步骤。传统的人工分割方法每个样本需要耗时3小时，而针对人类优化的自动工具如FSL BET在家猪数据上表现不佳。这严重制约了利用家猪模型开展大规模神经影像研究的效率。

针对这一挑战，美国伊利诺伊大学厄巴纳-香槟分校(University of Illinois at Urbana-Champaign)的研究团队开发了PigBET这一创新的2.5D深度学习框架。该研究发表在《Brain Organoid and Systems Neuroscience Journal》上，为解决家猪MRI数据处理中的关键瓶颈提供了高效解决方案。

研究人员采用了多项关键技术：1) 将相邻MRI切片堆叠为三通道输入，实现2.5D空间信息捕捉；2) 利用ImageNet预训练的EfficientNet等编码器进行迁移学习；3) 分别训练轴向、冠状和矢状面模型，通过多数投票集成预测；4) 使用包含144例4周龄家猪MPRAGE和162例dMRI的数据集进行训练验证；5) 采用Dice系数、IoU和Hausdorff距离等指标评估性能。

研究结果显示，在4周龄家猪MPRAGE数据上，U-Net与EfficientNetB3组合表现最佳，达到平均Dice系数0.981±0.004和IoU 0.962±0.008。模型集成策略显著提升了分割质量，在13个测试组中有7组显著优于所有单视图模型。通过迁移学习，该方法成功扩展到不同年龄段(1-18周)和模态(dMRI)，保持Dice系数在0.975-0.982的稳定性能。

3.1 模型架构与预训练编码器比较

研究发现U-Net架构配合EfficientNetB3编码器表现最优，显著优于其他组合。这一配置在捕获家猪脑部形态特征方面展现出卓越能力，同时保持了合理的计算效率。

3.2 2D分割模型训练

训练曲线显示模型在5个epoch内快速收敛，训练与验证损失差异微小(0.025-0.029)，表明模型未出现过拟合。所有视图模型在15个epoch内Dice系数均超过0.90。

3.3 集成模型评估

多视图集成策略有效纠正了单视图预测中的局部错误，产生更平滑连续的脑表面分割。定量分析表明，集成模型在多数情况下显著优于单视图预测，验证了该策略的稳健性。

3.4 纵向和扩散数据集迁移学习结果

模型成功适应不同发育阶段(1-18周)和模态(dMRI)，在1周龄数据上获得Dice 0.977，8周龄0.982，18周龄0.975，dMRI 0.978，展示了出色的泛化能力。

3.5 掩模体积回归分析

预测体积与真实体积高度相关(R²>0.98)，表明模型准确保持了脑组织的体积特性。误差分布均衡，未出现系统性偏差。

3.6 与其他方法比较

PigBET显著优于基于FLIRT+ANTs的配准方法和Wang等人模型的微调版本。在具有挑战性的案例中，PigBET保持稳定性能，而其他方法出现明显欠分割。

这项研究的重要意义在于：首先，PigBET首次实现了家猪多模态和纵向MRI数据的高效自动颅骨剥离，将处理时间从3小时/样本缩短至分钟级。其次，创新的2.5D策略和模型集成方法为医学图像分割提供了新思路。再者，通过迁移学习验证的方法可扩展性，为家猪神经发育研究提供了标准化工具。最后，研究团队公开了训练好的模型权重，将极大促进家猪神经影像研究的发展。

研究也存在一些局限，如未能与其他家猪专用方法进行直接比较，以及对微型猪和其他影像模态的适用性有待验证。未来工作可进一步扩展模型适用性，并探索与其他先进分割架构的结合。总体而言，PigBET为家猪这一重要生物医学模型的神经影像研究提供了强有力的技术支持。