基于深度学习的全身MRI跨平台泛化增强：新型数据增强管道AishaAug的构建与验证

针对全身磁共振成像(WB-MRI)因扫描仪差异导致AI模型泛化性不足的难题，研究人员开发了创新性数据增强管道AishaAug。该研究通过模拟多平台图像伪影，训练UNETR分割模型在跨中心测试中取得显著提升（DB2数据集DSC提高12.2%，AUC提升11.4%），为临床部署自动化肌肉分割系统提供了可靠解决方案。

　　

在医学影像诊断领域，全身磁共振成像(WB-MRI)正逐渐成为监测肌肉疾病的重要工具。这种无辐射的检查方式能够捕捉从头顶到脚尖的解剖细节，特别适用于杜兴氏肌营养不良等疾病的长期随访。然而现实情况令人困扰：不同医院使用的MRI扫描仪品牌各异，磁场强度、线圈配置等参数差异导致图像对比度、信噪比甚至解剖结构呈现显著不同。更棘手的是，患者在长达1小时的扫描过程中难免轻微移动，产生的运动伪影使得计算机难以准确识别肌肉边界。目前放射科医生手动标注单次WB-MRI需耗时数日，这种低效流程严重制约了临床决策速度。

针对这一瓶颈，研究人员开发了名为AishaAug的创新数据增强方案。该技术通过精心设计的图像变换模拟不同扫描仪的特性差异，包括随机对比度调整模拟厂商硬件差异、k空间运动伪影生成器再现患者移动效应、区域特异性强度变换还原多线圈采集特征等。研究采用包含105例T₁加权WB-MRI的异源数据集（DB1来自单一3T扫描仪，DB2来自不同厂商3T设备），训练基于视觉Transformer的UNETR分割模型识别8组双侧肌肉。

关键技术包括：1）构建多层级数据增强管道模拟扫描仪变异；2）采用shifted-window Transformer架构处理三维体积数据；3）通过DSC和AUC量化跨平台性能。结果显示，在未见过的DB2数据上，AishaAug训练模型较传统增强方法显著提升，其中小腿肌肉DSC从0.82提升至0.93，腹部肌肉AUC从0.68跃升至0.84。

结构特异性性能

模型在深层肌肉（如腰大肌）提升相对有限（DSC 0.87→0.89），反映其肌腱走行复杂特性；而表浅肌肉如臀大肌表现突出（DSC 0.81→0.92），显示对体积较大目标的优势。

跨平台验证

在DB1内部测试中，两种方法差异较小（DSC 0.85 vs 0.88）；但当面对DB2时，传统方法性能骤降（DSC 0.76），而AishaAug模型保持稳定（DSC 0.87），证实其泛化能力。

这项发表于《Intelligence-Based Medicine》的研究证实，通过物理驱动的数据增强可有效弥合医学影像的"扫描仪鸿沟"。AishaAug方案无需额外标注数据或模型微调，仅通过训练阶段的智能数据变异即实现跨平台性能提升，为多中心AI协作研究提供了实用框架。特别值得注意的是，该方法在保持肺部等易识别结构性能的同时，显著改善了腹部等困难区域的稳定性，这种均衡提升特性对临床部署至关重要。未来结合生成对抗网络等技术，有望进一步攻克深层小肌肉分割的精度瓶颈，推动WB-MRI定量分析进入常规临床应用。