基于图谱辅助的胎儿脑MRI分割任意模型（FeTal-SAM）

《NeuroImage》：Atlas-assisted segment anything model for fetal brain MRI (FeTal-SAM)

　　

专业摘要翻译： 提出FeTal-SAM，一种基于图谱辅助的分割任意模型（Segment Anything Model, SAM）自适应方法，用于胎儿脑MRI分割。该方法实现了灵活的单结构分割，无需针对不同标签定义重新训练。研究在公开及院内胎儿MRI数据集上展示了跨孕周（gestational age, GA）的稳健性能，并详细论证了分割结果是由图像对比度驱动还是源于学习到的空间先验。

论文解读文章

一、研究背景与问题

胎儿期是大脑发育最关键的阶段。宫内磁共振成像（MRI）具有研究该时期大脑正常与异常发育的独特能力，可作为超声成像的补充，用于先天性疾病的诊断。随着采集协议和数据处理技术的进步，胎儿脑MRI的图像质量显著提升，其在宫内大脑发育研究中的应用预计将持续扩大。

胎儿脑中特定结构的分割对于神经发育的定量分析至关重要，因为各结构的尺寸和形态可强烈指示发育正常与否。然而，手动分割耗时、昂贵且缺乏可重复性。自动分割方法虽能以更快的速度和更高的可重复性计算分割结果，但现有方法存在两个重要局限：第一，训练模型受限于固定的区域/标签定义，而不同数据集间的标签定义差异很大，目标区域取决于具体应用，因此每当标签定义改变，就需要新的训练数据集并重新训练模型；第二，对自动分割结果的可靠性缺乏理解，即不清楚这些方法计算出的分割结果在多大程度上基于底层图像对比度，而非学习到的空间先验。此外，由于用于训练和评估这些模型的参考标签通常借助其他自动分割方法生成，因此缺乏对深度学习结果及其可能受训练数据偏差影响的批判性评估。

二、研究内容与结论

本研究旨在解决上述问题。首先，研究人员提出了一种原则上可分割胎儿脑中任意结构的新方法，该方法基于“分割任意模型”这一基础模型概念，命名为胎儿分割任意模型（Fetal Segment Anything Model, FeTal-SAM），并提议使用图谱/模板来提示这些模型分割感兴趣的结构。其次，研究人员分析了所提方法的分割性能，并与最先进的深度学习模型进行比较，考察分割性能如何随结构可见性和标注变异性而变化，并讨论局部图像对比度和学习到的空间上下文可能的作用。这些因素在解释自动预测与现有参考分割之间的一致性时应当被考虑。

三、关键技术方法

研究人员的方法基于Med-SAM进行适配，利用时空胎儿脑图谱作为先验引导分割流程。给定胎儿脑图像体数据，使用年龄匹配的多图谱配准生成学习到的密集提示，供Med-SAM解码器作为额外引导。图谱先验以图像特征和组织结构标签两种形式被整合到统一流程中。配准使用高级归一化工具（ANTs），包括脑组织掩膜、刚性配准和仿射配准三个步骤，采用归一化互相关度量及特定参数配置。对每个受试者图像，使用孕周匹配±1周的3个图谱样本进行多图谱到受试者配准，并将图谱图像和标签模板重采样至受试者图像网格。图谱标签模板编码采用基于2D U-Net架构的编码器，在四个不同分辨率层级上聚合特征。图谱提示编码器从多图谱图像特征和标签特征回归生成密集提示，同时保留基于平均标签模板计算的框提示。所有2D输入切片均各向同性重采样至1024×1024像素，空间分辨率为0.5×0.5 mm2。

四、研究结果

图谱先验的有效性：通过对比有无图谱提示的分割性能，研究人员验证了所提出的图谱辅助提示机制能显著提升Med-SAM在胎儿脑MRI结构分割中的表现，证明了将图谱先验以图像特征和组织标签形式整合进统一流程的有效性。

跨孕周稳健性：研究在公开数据集和院内胎儿MRI数据集上评估了FeTal-SAM，结果表明该方法在不同孕周上均展现出稳健的分割性能，验证了年龄匹配图谱选择策略的合理性，即使用孕周±1周范围内的图谱样本能有效覆盖不同发育阶段的局部变异。

灵活性与多类分割：该方法通过循环遍历目标结构并重复推理，可实现多类分割，无需修改多类输出头。同一结构级二值模型可跨兼容的图谱定义目标运行，这一灵活性对胎儿脑成像研究中常采用不同分区方案进行体积评估的场景尤为重要。

分割驱动因素分析：研究人员详细论证了分割结果是由图像对比度驱动还是源于学习到的空间先验。分析表明，分割性能随结构可见性和标注变异性而变化，局部图像对比度和学习到的空间上下文均可能对结果有所贡献，这些因素在解释自动预测与参考分割间的一致性时需加以考虑。

五、讨论与结论

讨论部分指出，现有胎儿脑分割方法均受限于固定的预定义区域集合，而感兴趣的具体结构因应用而异。同时，缺乏可靠的金标准分割标签用于模型开发和验证是持续挑战，常用自动生成标签虽经专家验证但仍可能导致系统性误差和偏差。深度学习模型具有大视野，能学习不同脑结构的空间排列并在测试图像上复现，即使局部图像对比度不支持某些结构的分割时也可能复现训练数据中的模式。因此，理解分割结果是由图像对比度驱动还是仅反映从训练数据学习到的空间排列，对于正确解读自动分割方法的结果至关重要。

研究结论为：研究人员提出的FeTal-SAM方法基于图谱辅助的分割任意模型，实现了灵活的单结构分割，无需针对不同标签定义重新训练，并在公开及院内胎儿MRI数据集上展示了跨孕周的稳健性能。研究同时提供了关于分割结果是受图像对比度驱动还是学习到的空间先验驱动的详细论证，为自动分割结果的可靠性理解提供了重要参考。