UPER：面向异构单/多壳扩散磁共振成像（dMRI）的统一多面体表征与掩码自编码器通用建模框架

《Medical Image Analysis》：UPER: A Unified Polyhedral Representation for universal multi-dimensional diffusion MRI image modeling

　　

原文未提供独立摘要；以下依据标题与引言概述进行专业转译/凝练：扩散磁共振成像（Diffusion Magnetic Resonance Imaging，dMRI）是重要医学成像工具，也是唯一能够通过追踪生物组织中水分子受限扩散而无创探测组织微结构的非侵入性方法。然而，dMRI数据分析困难，因为数据具有高维复杂性。为应对该问题，研究人员发展了多种先进dMRI模型以刻画特定微结构特征，包括体素内不相干运动（intravoxel incoherent motion，IVIM）、神经突方向离散度和密度成像（neurite orientation dispersion and density imaging，NODDI）以及胞体与神经突密度成像（soma and neurite density imaging，SANDI）。这些模型常涉及高度非线性的多室表征，使用非线性最小二乘等传统优化方法拟合时易产生估计误差。此外，此类模型所需的数据采集涉及在q空间采样多个b值和扩散梯度方向（b-vectors），耗时长且易受运动伪影影响。为缓解估计挑战并加速采集，研究人员探索了机器学习方法，包括随机森林、SVD、卷积神经网络（convolutional neural networks，CNN）、残差网络和自监督方法。尽管基于CNN的模型取得进展，但其受固定感受野限制，更深网络亦增加计算复杂度。近年来，注意力模型因动态调整感受野而展现灵活性；Vision Transformer（ViT）在需要全局上下文的任务中优于CNN。然而，将Transformer用于dMRI仍受数据高复杂度和有限领域归纳偏置挑战，且相关研究常在单队列及预先选择的b-vector和b-value内进行，限制其对新采集设置和多样患者群体的泛化。本研究中，研究人员提出UPER框架，用于建模来自17个站点、2800次扫描、超过10个不同壳的6D多壳dMRI数据。核心创新是将传统基于信号或模型的方法转换为多面体结构，以重新构想dMRI数据表征。统一框架利用掩码自编码器（masked autoencoder，MAE）架构实现角空间空间泛化，并结合分阶段训练策略和损失函数优化以保证径向空间稳健收敛。通过整合自监督与监督任务，预训练模型在下游应用中展现优越泛化性，成为dMRI分析的整体解决方案。

扩散磁共振成像（dMRI）是重要医学成像工具，也是唯一可通过追踪水分子受限扩散无创探测组织微结构的非侵入性方法。dMRI数据同时包含空间维度与扩散加权维度，具有高维复杂性。先进微结构模型如体素内不相干运动（IVIM）、神经突方向离散度和密度成像（NODDI）、胞体与神经突密度成像（SANDI）常涉及高度非线性多室表示，使用非线性最小二乘等传统优化方法拟合时易产生估计误差；采集需在q空间采样多个b值和扩散梯度方向（b-vectors），耗时长且对运动伪影敏感。机器学习和深度学习被用于改善拟合与加速采集，但卷积神经网络（CNN）受固定感受野限制，更深网络计算复杂度增加；注意力模型和Vision Transformer（ViT）具有全局上下文优势，但dMRI高维复杂且领域归纳偏置有限，已有研究多限于单队列和预选b-vector与b-value，难以泛化到不同采集协议和患者群体。为开展跨异构单壳与多壳采集的统一建模，研究人员提出UPER框架，并在来自17个站点、超过2800次扫描、超过10个不同壳的6D多壳dMRI数据上建模。该研究发表于《Medical Image Analysis》。其重要意义在于以单一模型支持多下游任务，减少数据集特异重训练，向可扩展dMRI基础模型推进。

关键技术方法概述：研究人员提出UPER，以正二十面体多面体重采样将dMRI信号映射至均匀球面网格；构建空间-径向面嵌入，将每个体素邻域patch、b-value径向壳和角方向编码为面token；采用基于二十面体网格的Transformer编码器，并结合球形掩码自编码器（MAE）进行自监督预训练。损失包括角信号建模（ASM）掩码方向重建、径向模式识别（RPR）整壳预测及监督损失（自由水分数FWF的MSE损失和纤维取向分布FOD的角相关系数ACC损失）。训练使用6层、8头、嵌入256的Transformer，ADAM优化器，初学习率2e?4，多阶段微调。样本队列来自ADNI、BIOCARD、BLSA、HABS-HD、ICBM、NACC、WRAP、BANDA、BTC、CamCAN、MASiVar、HCP-A、HCP-YA、HCP-Dev、ParkTDI、VMAP、VMAP 2.0等17个站点，超过2800次扫描，含10种壳配置（b=500、700、1000、1200、1300、1500、2000、2500、2800、3000 s/mm²）。

4.1 数据集：该研究纳入单壳和多壳dMRI序列，覆盖多个研究队列，共超过2800次扫描，含10种独特壳配置。队列来源包括ADNI、BIOCARD、BLSA、HABS-HD、ICBM、NACC、WRAP、BANDA、BTC、CamCAN、MASiVar、HCP-A、HCP-YA、HCP-Dev、ParkTDI、VMAP与VMAP 2.0；其中VMAP和VMAP 2.0仅作为测试集保留。该数据集设置用于评估统一模型在异质采集方案中的适用性。

4.2 统一模型评估：研究人员比较不同训练策略在多个站点上的扩散属性估计表现，包括自由水分数和纤维取向分布。基线采用case-by-case方式，为单壳数据训练基于球谐（SH）的CNN，为多壳数据训练多通道版本。研究还评估多数据集共训练策略，并将UPER（ICOSA₄₆，有无预训练）纳入比较。结果表明，预训练框架在所有数据集上取得稳定表现；尽管站点特异轻量模型在其自身数据配置下估计性能更好，UPER相较其他共训练模型提供稳定估计。研究进一步评估MLP、CNN和Transformer类模型构建one-for-all模型。信号CNN基线选取每个扩散加权信号前100个观测，不足则补零，特征向量为x_i=(θ_i,?_i,b_i,S_i)^?。基于SH的基线通过为每个壳分配独立输入通道来适应多壳。UPER作为单一模型，因为多面体表征将任意壳配置映射至固定网格，无需每数据集重训练或结构修改。结果显示，带预训练的UPER在测试队列的扩散属性估计中表现更好。

4.3 角空间学习：研究人员在角空间评估模型在不同掩码比例（5%、10%、20%、30%、50%）下的重建误差，使用VMAP数据集两个受试者的重采样dMRI序列。比较包括预训练多面体编码模型在不同重采样dropout参数和训练mask比例下的配置，分别针对ICOSA₂₁和ICOSA₄₆。基线为简单球谐（SH）插值，最大谐波阶数为l=8。所提模型相较SH插值一致获得更低重建误差，尤其在高掩码比例下；ICOSA₄₆模型在dropout参数为(0.4,0.15)时于多个掩码比例下表现最佳。定性比较显示，UPER在多个受试者和采集方向中有效保留扩散特征，并以scan-rescan数据评估受试者内一致性。

4.4 径向空间学习：研究人员评估模型从剩余壳预测缺失1000 s/mm²壳的能力，在多壳数据集ADNI、camcan、HCP-ya、NACC、VMAP 2.0中进行，每数据集测试队列取两个受试者，关注白质区域。比较多面体编码模型与基线壳重校准方法，并进行RPR损失消融。定性结果在HCP-ya受试者上展示沿选定方向的掩码信号重建，并以重扫描图像重采样信号作为参考。该实验用于评估跨壳径向依赖建模和RPR损失作用。

讨论部分总结：该研究表明UPER框架可为异质采集方案下的多维dMRI数据提供可扩展且可泛化建模。通过将传统基于信号或模型表征转为多面体格式，UPER在单一深度学习模型内编码径向和角向依赖，并结合MAE设计同时支持自监督与监督学习，在不完整或不规则采样下实现稳健特征提取。UPER可桥接单壳与多壳dMRI，突破传统case-by-case设计对跨数据集应用的限制；其统一编码可整合多样数据集，在10种壳配置和多个独立站点以及未见数据集VMAP2.0上表现。研究人员认为，该能力使UPER有潜力成为dMRI基础模型，并可无需重训练用于自由水分数估计、FOD重建和跨壳信号合成等下游任务。二十面体重采样策略是UPER成功核心；相较传统球谐或球面CNN，多面体表征高效捕获角结构且分辨率灵活，ICOSA₄₆更高分辨率网格在角空间和径向空间重建精度更高，尤其结合RPR损失时。联合自监督与监督训练有益：MAE预训练学习通用、采集不可知特征，监督微调使特征对齐生物物理指标，改善未见数据集泛化并减轻过拟合。局限包括：极稀疏采样或角覆盖明显不重叠仍可能挑战重建；可加入物理约束和组织微结构先验提高稳健性；当前主要关注白质，未来需扩展至灰质、脑脊液和病理组织；高分辨率多面体编码和大规模Transformer训练计算需求高，资源受限场景部署受限，未来可通过模型压缩、知识蒸馏和高效注意力改善。另一局限是统一UPER在部分设置中性能仍低于case-by-case训练；研究人员认为这反映泛化与专门化权衡，以及当前约2800受试者训练规模限制，更大规模多站点数据有望缩小或超越差距。未来方向包括：发展dMRI基础模型作为预训练骨干用于纤维束成像、微结构参数估计和疾病分类；与结构MRI、功能MRI或组织学数据进行多模态整合；引入域适应增强对扫描仪、站点和人群差异的稳健性。

结论翻译：在本研究中，研究人员引入了一种新颖的基于多面体Transformer的架构，使模型能够在多样化的单壳和多壳数据集之间泛化。该统一模型通过处理独特的多维依赖关系，在自由水分数估计和纤维取向分布重建等任务中优于传统方法。实验还表明，采用掩码自编码器设计的自监督训练可进一步提升模型泛化性。这些发现强调UPER在应对异质采集方案挑战方面的潜力，为更具可扩展性的扩散MRI分析框架开辟道路。