基于隐式神经表示的各向同性上采样实现内侧颞叶精细分割

《NeuroImage》：Achieving detailed medial temporal lobe segmentation with upsampled isotropic training from implicit neural representation

　　

专业术语翻译的摘要部分 阿尔茨海默病（Alzheimer's disease, AD）是最常见的痴呆症病因。生物标志物在AD诊断、病程监测和疾病修饰药物疗效评估中起着至关重要的作用。tau神经原纤维缠结（neurofibrillary tangles, NFTs）是AD的标志性病理改变，最早出现在内侧颞叶（medial temporal lobe, MTL）的经内嗅区（transentorhinal region, tERC）。因此，MTL是首个出现脑萎缩的皮质区域。MTL亚区的形态学测量，包括海马亚区体积和MTL皮质亚区厚度，可作为有效的结构影像生物标志物。然而，各向异性分辨率阻碍了阿尔茨海默病影像生物标志物的提取。本研究构建了一个各向同性的MTL亚区分割训练数据集。研究人员提出了一种各向同性的MTL亚区分割框架。首先，利用改进的隐式神经表示（implicit neural representation, INR）上采样模型对现有的低分辨率自动分割海马亚区（automatic segmentation of hippocampal subfields, ASHS）图谱进行上采样，充分利用T1加权成像（T1-weighted imaging, T1w）和T2加权成像（T2-weighted imaging, T2w）的分辨率优势，构建各向同性图谱集。然后，在此各向同性空间中训练多模态MTL亚区分割模型。在独立测试集上的验证结果表明，从各向同性分割模型中提取的形态学测量指标能更好地区分淀粉样蛋白阳性轻度认知障碍（mild cognitive impairment, MCI）患者与认知正常（cognitively unimpaired, CU）参与者，并展现出更高的时间稳定性。总之，各向同性分割增强了影像生物标志物的准确性和稳定性。

论文解读文章

1. 研究背景与现存问题

阿尔茨海默病（Alzheimer‘s disease, AD）是导致痴呆的最主要原因。tau神经原纤维缠结（neurofibrillary tangles, NFTs）作为AD的关键病理特征，最早出现在大脑皮层的内侧颞叶（medial temporal lobe, MTL）的经内嗅区（transentorhinal region, tERC），随后逐渐扩散至MTL内的其他亚区，最终波及新皮层。因此，MTL是首个出现脑萎缩的皮层区域。对MTL亚区（包括海马亚区和MTL皮层亚区）进行精确的形态学测量，如体积和皮层厚度，是磁共振成像（magnetic resonance imaging, MRI）中有效的结构性影像生物标志物。

目前，成熟的MTL亚区自动分割算法包括自动分割海马亚区（automatic segmentation of hippocampal subfields, ASHS）、FreeSurfer和HippUnfold。其中，ASHS图谱基于活体图像手动标注，包含海马亚区和MTL皮层亚区，但其分割分辨率受限于图像分辨率，在典型的T2加权成像（T2-weighted imaging, T2w）图像中是各向异性的。T2w图像具有较高的面内分辨率，但层厚较大（约1.2-2.6 mm），而T1加权成像（T1-weighted imaging, T1w）图像通常是各向同性或近各向同性的，但缺乏海马内部的精细对比度。这种各向异性分辨率会降低测量的准确性，尤其是在测量皮层厚度时，因为结构骨架到边界的距离在不同方向上差异显著。因此，亟需一种能从各向异性图像中获得各向同性分割的方法，以提升影像生物标志物的提取精度和稳定性。

2. 研究方法概述

为解决上述问题，研究人员提出了一种两阶段的各向同性MTL亚区分割框架。第一阶段，利用隐式神经表示（implicit neural representation, INR）超分辨率网络，对来自ASHS图谱集的低分辨率T1w和T2w图像及其手动分割标签进行连续拟合，从而生成高分辨率、各向同性的图谱集。该INR网络通过多层感知机（multilayer perceptron, MLP）学习从归一化三维坐标到图像强度和分割标签的连续映射，同时利用T2w图像的精细面内信息和T1w图像的精细层间信息。第二阶段，在该各向同性空间中，使用生成的各向同性图谱训练一个多模态MTL亚区分割模型。该模型可同时处理输入的T1w和T2w图像，输出各向同性的MTL亚区分割结果。研究使用了公开的ASHS图谱集（29名参与者，包括15名认知正常（cognitively unimpaired, CU）和14名轻度认知障碍（mild cognitive impairment, MCI）患者）作为训练集。验证数据来自宾夕法尼亚大学阿尔茨海默病研究中心（Penn ADRC）队列，包括用于疾病状态区分的200名参与者（145名Aβ阴性CU，55名Aβ阳性MCI）和用于重测信度评估的30对扫描数据（来自26名Aβ阴性CU参与者）。

3. 研究结果

3.1 各向同性高分辨率分割图谱的创建

研究人员成功应用INR方法，将原始的、各向异性分辨率的T1w和T2w图像及其手动分割标签上采样至各向同性空间。通过结合T2w图像的高面内分辨率和T1w图像的高层间分辨率，INR网络能够学习到更精细的MTL结构边界，生成视觉质量更高、边界更清晰的各向同性分割图谱。

3.2 疾病状态区分能力评估

在由200名参与者组成的独立测试集上，研究人员将从各向同性分割模型和原始各向异性分割模型中提取的MTL亚区形态学测量指标（体积和皮层厚度）进行比较。结果显示，与各向异性分割相比，从各向同性分割模型中提取的多个MTL亚区（特别是皮层亚区，如内嗅皮层（entorhinal cortex, ERC）和Brodmann area 35 (BA35)）的厚度测量值，在区分Aβ阳性MCI患者与Aβ阴性CU参与者方面表现出更高的统计显著性（更低的p值）。这表明各向同性分割提高了影像生物标志物对疾病状态的敏感性。

3.3 重测信度稳定性评估

在包含30对重复扫描数据的测试集上，研究人员评估了两种分割模型的稳定性。通过计算两次扫描间同一结构测量值的组内相关系数（intraclass correlation coefficient, ICC）和变异系数（coefficient of variation, CoV），研究发现，各向同性分割模型在大多数MTL亚区的体积和厚度测量上均表现出比各向异性分割模型更高的ICC值和更低的CoV值。这说明各向同性分割显著提升了测量的时间稳定性和可重复性。

4. 总结与讨论

该研究提出的基于隐式神经表示（INR）的各向同性上采样方法，有效解决了临床常规MRI中因T2w图像各向异性分辨率导致的MTL亚区分割不精确问题。通过融合T1w和T2w图像的互补优势，该方法构建了高质量的各向同性训练图谱，进而训练出的多模态分割模型能够产生更精细、更稳定的分割结果。研究结论明确指出：从各向同性分割模型中提取的形态学测量指标，在区分Aβ阳性MCI患者与Aβ阴性CU参与者方面表现更优，并且展现出更强的随时间变化的稳定性。这些发现表明，各向同性分割技术能够增强MTL亚区影像生物标志物的准确性和可靠性，对于AD的早期诊断、病程监测和治疗效果评估具有重要的潜在价值。