基于SAM模型与自蒸馏解剖先验的脑MR图像腔隙性梗死灶自动检测方法研究

本研究针对脑MR图像中腔隙性梗死灶（lacune）检测存在的异质性外观、模仿结构干扰等问题，提出了一种结合Segment Anything Model（SAM）与自蒸馏解剖先验的自动化检测框架。通过候选提示生成器（CPG）实现高灵敏度初筛，利用SAM多平面一致性分析消除假阳性，并引入自适应区域感知阈值（ART）优化检测精度。在ISLES和VALDO数据集上分别达到84%和92%的灵敏度，假阳性率低至0.05-0.06/层，显著优于现有方法，为脑血管疾病早期诊断提供了可靠工具。

　　

在老龄化社会背景下，脑小血管病（CSVD）相关的腔隙性梗死灶（lacune）已成为卒中、痴呆等神经系统疾病的重要预警信号。这些直径3-15毫米的液体填充腔隙在FLAIR序列上表现为低信号核心伴不规则高信号边缘，但其外观异质性（如部分病灶边缘缺失）与模仿结构（如血管周围间隙扩大EPVS、脑沟）的存在，使得即使是经验丰富的放射科医师也面临诊断耗时且一致性低的问题。更棘手的是，现有自动化方法在跨中心、多分辨率数据（层厚0.5-6mm）中表现不稳定，假阳性率高达0.47/层，严重制约了临床转化。

针对这一挑战，印度科学研究所（Indian Institute of Science）计算与数据科学系的研究团队开发了一种创新性的多阶段检测框架。该研究通过整合深度学习与计算机视觉领域前沿技术，在《Computers in Biology and Medicine》发表了突破性成果：一种基于Segment Anything Model（SAM）的腔隙检测系统，其性能显著超越现有方法，为CSVD的早期筛查提供了标准化解决方案。

研究团队运用三大核心技术：1）合成病灶模拟器（SLS）生成逼真训练数据，解决小样本难题；2）候选提示生成器（CPG）采用U²Net架构结合复合损失函数（Tversky+Focal+对比损失），实现85.19%的初始灵敏度；3）SAM模型通过三平面分析（轴状/矢状/冠状）鉴别真伪病灶，配合基于微出血解剖评级量表（MARS）的自适应区域阈值（ART）进一步优化。研究使用来自ISLES（卒中患者）和VALDO（无症状人群）的多中心FLAIR数据验证，涵盖5种扫描仪型号的成像差异。

候选提示生成器性能验证

比较5种网络架构发现，U²Net在保持1.17M参数量级下，以85.19%灵敏度优于Attention UNet（78.71%）。加入合成数据训练后，灵敏度从79%提升至91%，假阳性减少28.6%。

多模块协同效应

在ISLES数据中，逐步引入SAM和ART模块使F1值从45.30提升至67.38（p<0.001），假阳性率降至0.05/层。特别值得注意的是，ART模块在基底节区通过阈值从0.5调至0.55，使EPVS误检减少44%。

跨数据集泛化能力

采用自蒸馏策略后，模型在仅有20例训练的VALDO数据上达成92.31%灵敏度，F1值69.92。对比联合训练策略（61.53%灵敏度），证明知识迁移的有效性。

这项研究的意义在于三方面突破：首先，首次将基础模型SAM应用于微小脑病灶检测，通过解剖约束提示解决医学图像分析中的域适应难题；其次，创新的合成-真实数据协同训练框架，为小样本医学影像分析设立新范式；最后，临床可解释的决策流程（如三平面验证、区域发病率阈值）增强了医生对AI结果的信任度。未来通过整合T1加权像和临床指标，有望进一步优化检测性能，推动腔隙灶定量分析在脑血管风险评估中的临床应用。