基于2D U-Net框架的大鼠脑健康结构、缺血性卒中与胶质母细胞瘤多类自动分割及T2加权/T2弛豫图定量研究

《NMR in Biomedicine》：2D U-Net Framework for Multiclass Automated Segmentation of Healthy Structures, Ischemic Stroke, and Glioblastoma in the Rat Brain

　　

啮齿动物对于临床前脑疾病研究至关重要，包括卒中、肿瘤和神经退行性疾病。磁共振成像（magnetic resonance imaging, MRI）能够实现纵向脑组织可视化，但准确分割对于有意义分析至关重要。本研究介绍一种多任务2D U-Net，一种卷积神经网络（convolutional neural network, CNN），设计用于使用T₂加权成像（T₂-weighted imaging, T₂-wi）和T₂弛豫图（T₂-relaxation maps）对大鼠脑区、缺血性卒中病灶和肿瘤进行自动分割与定量。模型在以下三个MRI数据集上评估：(i) 健康大鼠多个脑区的分割；(ii) 使用T₂弛豫图的缺血性卒中病灶；(iii) 使用T₂-wi的胶质母细胞瘤。性能使用Dice系数（Dice coefficient, DC）、Hausdorff距离（Hausdorff distance, HD）、敏感度（sensitivity, SEN）和体积比（volume ratio, VR）评估，比较网络输出与半自动金标准及现有模型。共分析来自111只大鼠的1949幅图像，通过数据增强扩展至5847幅。在纠正动物级训练/测试划分以防止受试者间数据泄漏后，模型在所有任务中达到稳健准确度（DC = 0.80–0.96，HD = 0.83–2.16 mm，SEN = 0.75–0.96，VR = 0.89–1.10），与人工标注显示出强相关性（ ）。该框架提高了分割准确性、稳健性以及在不同MRI设置和条件下的适用性，解决了分析啮齿动物脑MRI数据时的评分者间变异性和时间效率低下等问题。数据集公开获取于 https://github.com/NOBEL-MRI/Rat-Datasets。

本研究围绕大鼠脑MRI的自动分割与体积定量展开。啮齿动物是卒中、脑肿瘤和神经退行性疾病临床前研究的重要模型，MRI（magnetic resonance imaging，磁共振成像）可用于纵向观察脑组织变化，但原始图像需先分割感兴趣区（regions of interest, ROIs）才能进行定量分析。传统人工或半自动分割易受评分者间与评分者内变异性影响，且耗时；传统算法和现有深度学习工具多局限于健康全脑、单一病灶或单一病理队列，缺少在同一框架内同时分割健康内部结构、缺血性卒中病灶与胶质母细胞瘤，并同时量化病灶与全脑的验证框架。为此，研究人员构建并验证三个基于2D U-Net的流程，分别用于健康大鼠多脑区、短暂性缺血性卒中病灶及胶质母细胞瘤的分割和体积定量，并在独立测试集上与半自动金标准及现有方法比较，旨在提高准确性、稳健性和跨MRI设置适用性，并向社区公开数据集。

方法上，研究人员使用9.4 T MRI采集三个内部队列：Cohort 1为健康雄性Sprague–Dawley大鼠（n = 28）；Cohort 2为短暂性大脑中动脉闭塞（middle cerebral artery occlusion, MCAo）缺血性卒中模型（n = 33）；Cohort 3为F98细胞系胶质母细胞瘤模型（n = 50）。输入包括T₂-wi和T₂-relaxation maps，以专家逐层手工分割生成金标准；构建多任务2D U-Net，经局部直方图均衡化和Min–Max归一化，训练集仅施加±10°随机旋转三倍增强，按动物级80%/20%划分；分别采用分类交叉熵、Tversky损失和二元交叉熵；以DC、HD、SEN、VR评价，并与半自动金标准和现有模型比较。该段不超过250字。

研究结果如下。3.1 Implementation（实施）：研究纳入111只大鼠、1949幅原始二维MRI切片，三倍增强后为5847幅；按动物级划分训练与独立测试集，Cohort 1为28只健康大鼠、392幅基线切片，Cohort 2为33只卒中大鼠、462幅基线切片，Cohort 3为50只胶质母细胞瘤大鼠、1095幅原始切片；该实施策略避免同一动物切片同时进入训练和测试，保证评估独立性。3.2 Training Process（训练过程）：各队列按批次大小、epoch数和学习率分别训练，epoch为60–150，最大批次为16，学习率为0.001或0.0005；脑区与缺血性卒中采用多类分割，Cohort 1用分类交叉熵，Cohort 2用Tversky损失以平衡假阳性和假阴性，Cohort 3用二元交叉熵；批归一化用于稳定训练和改善收敛。3.3 Model Optimization and Network Training（模型优化与网络训练）：研究人员按队列结构复杂度调整批次大小、epoch和初始学习率，使用Adam优化器，并在每个卷积块后加入批归一化，以平衡训练加速与样本外泛化；多类框架可同时映射病灶范围及其与健康脑实质的体积关系。3.4 Computational Efficiency and Qualitative Segmentation Outputs（计算效率与定性分割输出）：训练后2D U-Net平均推理时间为0.2–0.3 s/样本；三个网络参数约9.16×10⁶，计算量约13.02、13.01和7.25 GFLOPs，峰值GPU显存约108.9–109.7 MB；消融分析显示直方图均衡化对Cohort 1具有稳定作用，对Cohort 2和Cohort 3有中等益处；按体积三分位分层显示健康结构无一致单调关系，而卒中和胶质母细胞瘤的小病灶准确度较低且变异较大；定性输出可准确描绘海马体、纹状体、新皮层、缺血病灶和肿瘤边界，失败模式多位于脑极端解剖极或严重伪影切片。3.5 Quantitative Volumetric Correlation and Methodological Benchmarking（定量体积相关与方法学基准比较）：Spearman秩相关分析显示人工金标准体积与自动预测体积呈强单调关系；Bland–Altman分析未见明显系统误差或异方差，但新皮层和缺血核心边界存在轻度低估趋势；与现有文献比较，框架在健康结构、卒中和胶质母细胞瘤分割中取得广泛可比的结果，部分结构指标有利；由于物种、成像协议和标注标准不同，该比较仅提供背景而非直接优越性证据。总体指标显示，Cohort 1全脑DC为0.92±0.05、新皮层0.92±0.06、纹状体0.80±0.18、海马体0.82±0.11；Cohort 2病灶DC为0.82±0.23、SEN为0.83±0.24，全脑DC为0.96±0.02、HD为1.93±1.21 mm；Cohort 3肿瘤DC为0.83±0.16、HD为0.96±0.91 mm、VR为1.1±0.59。

讨论部分总结：研究人员认为，该2D U-Net框架在三个独立队列中验证了同时对健康脑内部结构、缺血性卒中病灶和胶质母细胞瘤进行多类分割与体积定量的可行性。其实际贡献在于从单目标分割转向多类拓扑，能够同时提取多个脑区，并独立分割缺血核心与全脑实质；在独立测试集上取得与现有方法广泛可比的准确性，但因研究间物种、成像协议和标注标准不同，不能直接声称优越；2D架构显著降低训练和推理开销，推理约0.2–0.3 s/切片，并减少长时间3D采集相关的麻醉和运动伪影风险。框架在包含不同纵向时间点和采集参数的多研究内部数据中表现稳定，但未评估来自不同扫描仪、实验室或采集协议的外部数据，外部域偏移下的泛化仍需验证。四个指标分别反映总体准确性、边界精度、敏感度和体积一致性。局限性包括：未获取组织学金标准，仅以专家手工MRI分割为参考；每个队列仅由单一观察者分割，未独立双标注，无法回顾性计算评分者间一致性；缺乏与外部深度学习模型的逐图直接比较；网络仅基于大鼠T₂-wi和定量T₂弛豫图优化；未系统执行模拟对抗压力测试；当前流程为命令行Python基础设施，图形用户界面仍在开发。

研究结论翻译：本研究证明，定制2D U-Net架构在使用T₂加权MRI的大鼠模型中，对健康脑结构、缺血性卒中区域和胶质母细胞瘤肿瘤进行自动分割与体积表征是有效的。通过从传统单目标掩膜转向稳健的多类范式，所开发框架能够可靠地同时提取关键定量指标，包括：(i) 健康内部脑区（纹状体、新皮层和海马体）的绝对体积和实质百分比；(ii) 缺血核心体积和百分比，并结合局部定量T₂弛豫时间；(iii) 胶质母细胞瘤肿瘤边界的绝对值。与现有最先进文献相比，该框架在不同病理表型中实现有竞争力的几何准确性和稳健性（需注意泛化性是在多多队列数据集的采集参数范围内评估的，外部协议尚待测试）。通过用自动、确定性方法替代人工描画，该流程消除了评分者间和评分者内变异性。结合近瞬时执行窗口，它提供了可靠、可扩展和可重复的资源，以支持高通量转化神经影像研究。为促进开放科学合规并推动标准化临床前基准测试，完整参数化数据集和计算流程公开获取于 https://github.com/NOBEL-MRI/Rat-Datasets。