婴儿开放脑图谱(BOBs)：首个1-9月龄婴儿脑区分割开源数据集推动神经发育研究

为解决婴儿神经影像研究中分割算法可重复性差的问题，研究人员开发了Baby Open Brains(BOBs)数据集，包含71次1-9月龄婴儿MRI扫描的T1w/T2w双模态图像及专家校正分割结果。该资源填补了早期脑发育"黄金标准"分割数据的空白，为HBCD等大型队列研究提供关键基准，相关成果发表于《Scientific Data》。

　　

在神经发育研究领域，婴儿大脑前1000天的动态变化一直是科学家关注的焦点。这个阶段大脑体积增长达80%，髓鞘化进程迅猛，但正是这种快速变化给神经影像分析带来了巨大挑战。现有婴儿脑区分割算法存在三大痛点：训练数据稀缺、年龄覆盖局限（多集中于新生儿期）、单模态（仅T1w或T2w）分析导致精度不足。更棘手的是，不同处理流程得出的结论可能大相径庭——正如Botvinik-Nezer等学者在《Nature》揭示的"同一数据集不同团队分析结果存在显著差异"的现象。

美国明尼苏达大学Masonic Institute for the Developing Brain的Eric Feczko团队联合14家机构，在《Scientific Data》发布了革命性的Baby Open Brains(BOBs)数据集。这项研究通过整合51名婴儿71次扫描的双模态影像，创建了首个覆盖1-9月龄的开放脑区分割资源。研究发现，在这个关键发育窗口期，T1w与T2w图像对比度呈现"旋转反转"现象——如图4a所示，5月龄婴儿未髓鞘化白质在T2w显像更清晰，而这一特征在单模态分析中极易遗漏。研究团队采用迭代优化策略：先用联合标签融合(JLF)生成初始分割，经专家校正后训练BIBSNet深度学习模型，再用模型输出作为新基准进行人工精修，最终使分割效率提升300%。

关键技术包括：1) Siemens 3T Prisma扫描获取0.8mm³各向同性分辨率的T1w(MPRAGE序列)和T2w(涡轮自旋回波序列)图像；2) 基于Baby Connectome Project队列的严格质控标准；3) ITK-SNAP软件进行多专家盲法校正；4) nnU-Net框架构建BIBSNet自动化分割管道。

【背景与意义】

研究证实，现有自动化分割在婴儿脑区存在三类典型错误：皮层折叠模式失真（图3上）、未髓鞘化白质漏标（图3中）、以及基底节边界误判（图3下）。BOBs数据集通过双模态互补分析解决了这些问题，例如图4b显示T1w/T2w的Cohen's d值差异达1.8，证明必须联合两种模态才能准确界定灰白质边界。该资源已成功应用于HBCD研究的预处理流程开发，其价值在三个方面尤为突出：为算法评估提供社区金标准、解决髓鞘化动态期的分割难题、支持跨中心研究的可重复性验证。

【技术验证】

与Developing Human Connectome Project等现有资源相比，BOBs的独特优势体现在：1) 年龄跨度精准覆盖髓鞘化关键期（1-9月）；2) 每个session均包含T1w/T2w配准图像；3) 采用BIDS标准格式整合临床表型数据（包括Vineland适应行为量表和Mullen早期学习分数）。值得注意的是，表1显示BOBs子集与完整BCP队列在神经发育评分上无统计学差异(p>0.05)，保证了样本代表性。

【应用前景】

这项研究的深远意义在于：首次建立了开放社区评审机制——通过BrainBox平台允许全球研究者在线复核分割结果。正如作者强调的"让黄金标准真正经得起社区检验"，这种透明化实践将推动婴儿神经影像进入新时代。未来，随着HBCD研究数万样本的分析展开，BOBs数据集将持续更新，最终目标是建立从出生到童年的全发育期标准化分割体系，为破解脑疾病起源提供关键工具。