基于深度学习的群体扩散磁共振成像配准新方法DDTemplate：融合全脑微结构与纤维束定向信息的脑模板构建研究

本研究针对扩散磁共振成像(dMRI)群体配准中纤维方向信息利用不足的难题，提出深度学习框架DDTemplate，通过整合全脑FA（Fractional Anisotropy）与34个纤维束定向图(TOM)，实现同步优化群体配准与模板构建。实验表明该方法在跨队列数据中显著提升配准精度，并增强TBSS群体差异检测灵敏度，为神经科学研究提供新工具。

　　

在探索人脑奥秘的征程中，扩散磁共振成像(dMRI)如同一位高明的侦探，能追踪白质纤维束的走向并揭示组织微观结构。然而要将不同个体的大脑数据对齐到统一空间，传统方法就像试图用单一钥匙打开多把锁——常规的基于FA（各向异性分数）的配准会丢失关键的纤维方向信息，而考虑纤维方向的算法又难以兼顾全脑结构对齐。更棘手的是，深度学习虽在成对配准中表现优异，群体配准领域却仍是一片空白。

电子科技大学的研究团队在《NeuroImage》发表的这项研究，开创性地提出了DDTemplate方法。该方法像一位精通多国语言的翻译官，既能理解全脑FA图谱的"宏观语言"，又能解读34个纤维束定向图(TOM)的"微观方言"。通过两阶段训练策略，先为每个纤维束建立专属配准子网络，再融合全脑信息构建统一模板，最终在青少年(ABCD)、青年(HCP-YA)和老年(PPMI)三大人群数据中展现出卓越的跨数据集泛化能力。

关键技术包括：1) 基于HCP-YA 100例训练数据的多模态输入构建（含FA和TOM）；2) 改进VoxelMorph框架的两阶段训练体系；3) 采用牛顿法替代SVD实现纤维重定向加速；4) 基于TractSeg的72个纤维束标准化表征。这些创新使计算效率提升15倍，旋转矩阵精度达微米级。

研究结果部分揭示：

1. 方法验证：
   通过消融实验证实，纳入全部34个TOM时取得最佳性能，组织Dice分数达0.813±0.021，较基线提升11.2%。独特的"纤维束剂量效应"现象被发现——增加TOM数量可线性提升配准一致性。

2. 对比先进方法：
   在跨数据集测试中，DDTemplate的纤维束Dice(0.712±0.035)显著优于DTI-TK(0.681±0.041)和SyGN(0.653±0.038)。可视化分析显示其在胼胝体和弓状束终末分支区域的对齐优势尤为突出。

3. 群体差异分析应用：
   基于TBSS的性别差异研究发现，使用DDTemplate可多检出7.1%的显著差异区域，包括右视辐射和上纵束等关键通路，与既往生物学发现高度吻合。

这项研究的突破性在于：首次实现深度学习驱动的dMRI群体配准，通过"分而治之"策略解决多纤维束对齐难题。其创建的标准化模板如同大脑的"北斗系统"，为跨研究中心、跨人群的脑科学研究提供统一坐标系。未来可扩展至多模态神经影像分析，但需注意对病变脑（如肿瘤）的适应性可能需特殊优化。开源代码和预训练模型将助力领域发展，推动精准神经科学时代的到来。