基于深度卷积神经网络从个体结构MRI与通道配置快速估计fNIRS光子测量密度函数

《NeuroImage: Reports》：Rapid estimation of photon measurement density functions using a deep convolutional neural network for functional near-infrared spectroscopy

　　

光子测量密度函数（PMDF）在功能近红外光谱（fNIRS）的实验前光极排列和实验后数据分析中均具有基础性作用。传统上，PMDF由结构磁共振（MR）图像经组织分割和光子传播建模（PPM）获得，该过程计算需求高且耗时，从而限制其实际应用。本研究提出一种新的基于深度学习的框架，可直接从MR图像和通道配置估计PMDF。所提方法支持灵活的源-探测器距离，并免除显式组织分割和重复光子模拟。具体而言，训练卷积神经网络（CNN）预测光子注量分布，随后利用伴随公式从中推导PMDF。训练模型在置于训练过和未见过头皮区域的通道上，于常用源-探测器距离下进行评估。结果表明，所提方法获得的PMDF估计与PPM相当。总体而言，该方法显著降低计算成本，并有望促进PMDF类方法在fNIRS领域的更广泛采用。

研究背景与问题：功能近红外光谱（fNIRS）是一种非侵入性光学神经影像模态，具有生态效度高、对头动敏感性低、便携和成本效率高等特点，适用于婴儿、老年人及自然情境研究。fNIRS测量由源-探测器对形成的通道获得，近红外光经异质头部组织传播后被探测，该传播过程常由光子测量密度函数（PMDF）概括，PMDF表征测量通道对组织光学性质变化的空间敏感性。与点对点模型相比，PMDF能更真实地表示光传播，已用于实验设计中的光极排列优化和数据分析中的激活定位、fNIRS与fMRI关系研究，以及扩散光学断层成像（DOT）的正向建模和逆问题求解。常规PMDF估计基于结构MRI，通常包括头部组织分割和光子传播建模（PPM），后者采用蒙特卡洛模拟或有限元法求解扩散方程，计算密集且耗时；准确PMDF依赖高质量组织分割，蒙特卡洛模拟常需大量光子（通常>10⁷）以保证精度，即使GPU并行加速，总体负担仍大。该限制在光极排列优化中尤为关键，因为大量可能通道配置均需相应PMDF评估感兴趣区敏感性，导致重复光子传播模拟；多受试者PMDF较单一模板对无MRI个体泛化更好，又进一步增加模拟数量。因此，研究人员需要计算高效的PMDF估计方法。深度学习已用于神经影像复杂映射学习，并有CNN预测经颅磁刺激诱导电场的先例，促使研究人员提出基于深度学习的PMDF估计框架。

研究人员开展的研究与意义：研究人员提出一种基于CNN的框架，直接由结构MRI和通道配置估计PMDF，无需组织分割和光子传播建模，并支持不同源-探测器距离。其思路是先训练网络由MR图像和单个光极位置预测光子注量分布，再基于源和探测器的预测注量通过伴随公式推导PMDF，以降低学习问题维度并支持灵活通道配置。模型在运动区训练，并在常用源-探测器距离及训练区和未见过头皮区域评估。结果表明，所提方法可获得与PPM相当的PMDF估计，显著降低计算成本，有望促进PMDF类方法在fNIRS领域的更广泛应用。

关键技术方法（不超过250字）：使用先前已发表数据集的47例健康受试者T1加权MRI（23男24女，1 mm空间分辨率），经SIMNIBS分割为头皮、颅骨、脑脊液、灰质和白质并重建四面体网格；按连续比例坐标（CPC）均匀采样约18,000个头皮位置/人，以基于网格的蒙特卡洛（MMC）生成光子注量并映射至体素。随机37例训练；以C3为中心半径30 mm区域得到637个位置，每位置36个方向增强，共848,484样本；提取104×104×48 mm³子体积并行对数变换；采用深度4的3D U-Net，随机梯度下降（SGD，学习率0.001，动量0.9），均方误差（MSE）损失，20个epoch，batch size 20；10例测试。评估平均绝对误差（MAE）、平均相对误差（MRE）、Pearson相关、感兴趣区（ROI；Brodmann）敏感性、20–45 mm源-探测器距离、解析模型比较及光极定位/方向误差鲁棒性。

研究结果：3.1 Voxel-level prediction accuracy（体素级预测精度）：通过将CNN与PPM预测PMDF在通道中心坐标系对齐并计算体素级相关和散点比较，发现通道下方相关高，深度方向高相关可延续至头皮下约20 mm并覆盖皮层灰质，高PMDF区域相对误差较小；不同组织类型性能有差异，CNN深度由2增至3提升明显、由3增至4边际；六例受试者30 mm运动区皮层表面投影相似，额叶绝对误差略高；10-10位置总体稳定，C3附近、顶叶及右半球相应区域更一致，额叶和周边略降。

3.2 ROI-level prediction accuracy（ROI级预测精度）：通过运动区和额叶随机受试者的ROI敏感性分析，CNN与PPM在空间分布和幅度上高度一致，额叶散点稍分散但总体一致；不同源-探测器距离下CNN的MAE和相对MAE低于解析模型，提示其可估计ROI级敏感性并支持光极排列优化。

3.3 Model robustness to optode configuration errors（光极配置误差鲁棒性）：通过引入定位误差（0–2、2–4、4–6 mm）、方向误差（5°、10°、15°）及组合误差并与PPM基线比较，发现预测误差随误差水平单调增加，定位误差影响大于方向误差；最高误差水平下CNN的MRE分别为38%、24%和38%，较无误差条件增加约19、5和19个百分点，PPM基线分别为34%、7%和34%，表明附加误差多源于PMDF估计对光极配置误差的内在敏感性，而非CNN预测额外引入。

3.4 Computation time comparison（计算时间比较）：通过随机受试者100个头皮位置比较MMC、基于体素的蒙特卡洛（MCX）和CNN耗时，MMC在8核与16核CPU上分别为66.33 s和45.57 s，CNN在单核CPU上为0.62 s，MCX在GPU上为0.53 s，CNN在GPU上为0.0063 s；CNN较蒙特卡洛模拟约80倍加速，且未计入常规方法所需组织分割时间，支持近实时PMDF估计。

讨论部分总结：原文认为该CNN框架相较常规PPM在计算效率上优势明显，绕过显式组织分割和重复光子模拟；网络深度分析提示深度3模型可在保持与深度4相近性能的同时减少计算时间，但需权衡精度与成本；该框架可视为学习型光场预测方法，未来或可扩展至其他光子传播建模任务。鲁棒性分析表明准确定位和方向仍重要，但在较大光极配置误差下CNN附加误差占比较小。解析模型因半无限均匀介质等简化假设误差较高，而CNN从蒙特卡洛模拟学习，能自然纳入复杂组织异质性，从而在数值方法真实性与解析方法速度之间取得平衡。与MCX比较时，其效率依赖具体模拟设置，而CNN训练后预测时间固定，在复杂参数和高精度需求下优势更明显。快速PMDF估计可用于交互式光极排列、神经导航辅助优化和fNIRS神经反馈。局限包括：训练头皮区域有限且人群相对同质，虽在10-10位置评估较稳定，但不同头解剖、年龄、病理及不同图像质量/分辨率/对比噪声比下的泛化尚待系统研究；训练PMDF基于常用波长平均值，PMDF仍依赖随波长变化的光学性质，需扩展多波长输入；当前采用常规3D U-Net，Transformer和Mamba等新架构的潜力尚待研究。未来可提高预测精度、扩展多波长和多样人群、纳入时空变化光学性质，并在光极排列优化、fNIRS数据分析和DOT图像重建中进一步评估。

研究结论翻译：本研究提出了一种基于CNN的框架，用于从个体MRI和通道配置高效估计PMDF。通过学习预测光子注量分布并经伴随公式推导PMDF，所提方法能够在无需显式组织分割和计算密集光子传播模拟的情况下预测灵活配置通道的PMDF。结果表明，该框架在多个皮层区域和源-探测器距离下于体素级和ROI级均达到高精度。总体而言，这项工作为PMDF估计提供了一种有效且可扩展的解决方案，有望应用于优化光极排列、数据分析和DOT。