一种用于MR图像海马分割及其轻度认知障碍诊断价值的边缘感知显著上下文融合与精炼网络

《Frontiers in Neurology》：An edge-aware salient context fusion and refinement network for hippocampal segmentation in MR images and its diagnostic value for mild cognitive impairment

　　

背景：阿尔茨海默病（Alzheimer’s disease, AD）早期诊断与疾病监测中，海马体积准确评估具有重要临床价值。然而，由于海马在MR图像中呈细长不规则形态、边界模糊、与周围组织对比度低及个体间解剖变异性大，自动分割仍具挑战性。方法：研究人员提出边缘感知显著上下文融合精炼网络（Edge-aware Salient Context Fusion Refinement Network, ESCFR-Net）。该网络基于经典U形编码器-解码器架构，采用显著特征增强器（Salient Feature Enhancer, SFE）抑制背景干扰并增强海马弱特征响应；引入全局通道上下文注意力（Global Channel Context Attention, GCCA）模块建模长距离空间依赖；利用多尺度上下文融合精炼模块（Multi-scale Context Fusion Refinement Module, MCFRM）提升多尺度特征利用；此外，边缘引导精炼注意力（Edge-Guided Refinement Attention, EGRA）模块协同增强边缘与语义特征以精确描绘弱边界。结果：在包含225例3D-T1 MRI扫描的自建数据集上，ESCFR-Net达到Dice系数0.9004，优于SwinUNETR与PMFS-Net等现有方法。在91例健康对照（healthy controls, HCs）与91例轻度认知障碍（mild cognitive impairment, MCI）患者的临床关联分析中，MCI组双侧海马体积显著小于HCs组（p < 0.001）。此外，总海马体积区分HCs与MCI患者的曲线下面积（area under the curve, AUC）达0.927，灵敏度与特异度分别达90.11%与83.52%。结论：本研究为AD早期诊断、疾病监测及临床决策提供了高精度、鲁棒的自动化海马分割工具。

该研究发表于《Frontiers in Neurology》。研究背景方面，阿尔茨海默病（Alzheimer’s disease, AD）是一种以认知功能进行性下降为临床特征的神经退行性疾病，是全球痴呆的主要病因，患病率上升带来日益严重的全球健康负担。在大多数情况下，AD初期表现为孤立性记忆丧失，被归类为轻度认知障碍（mild cognitive impairment, MCI），最终演变为明显痴呆。早期干预可延缓疾病进展，关键在于识别可靠生物标志物。多项研究发现，MCI早期阶段较低的海马体积与进展为AD痴呆相关，已成为AD所致MCI诊断标准中提示神经变性的生物标志物。因此，临床AD早期诊断、疾病追踪及治疗规划亟需稳健可靠的海马体积评估方法。磁共振（magnetic resonance, MR）图像分割可实现感兴趣结构体积评估，常用于测量海马，但人工分割作为临床金标准存在耗时、依赖评分者及受经验影响大的问题，其劳动密集型与操作者依赖性阻碍了临床应用。尽管已观察到海马体积变化与认知下降的关联，但体积-认知关系的系统性评估仍有限，因而亟需自动化、不依赖协议的海马分割方法以实现AD中体积-认知关系的大规模稳健评估。海马在脑内相对较小且形状不规则，MR图像中界限不清，个体间差异显著，给自动分割带来挑战。纯卷积方法虽擅长局部纹理与细粒度特征提取，但在全局拓扑感知弱、小海马结构缺失风险高、难以区分弱边界与邻近粘连组织方面存在局限；现有CNN与Transformer混合模型在全局上下文捕获上有改进，但普遍存在特征冗余高、结构复杂，对小海马目标与模糊边界适应性不足，难以同时满足临床高精度分割与实用性双重要求。针对小目标特征淹没、模糊边界区分难及全局拓扑建模不足的挑战，研究人员开展了本研究。

为开展研究，研究人员使用2023年6月至2025年5月于其医院采集的225例3D-T1序列MRI扫描自建数据集，按8:1:1分为训练集180例、验证集23例、测试集22例；其中182例参与者（健康对照91例、MCI91例）用于海马体积与认知障碍关联评估，MCI诊断依据不同教育程度简易精神状态检查（Mini-Mental State Examination, MMSE）截断值。关键技术方法包括：提出基于U形编码器-解码器架构的边缘感知显著上下文融合精炼网络（ESCFR-Net），集成显著特征增强器（SFE）、全局通道上下文注意力（GCCA）、多尺度上下文融合精炼模块（MCFRM）及边缘引导精炼注意力（EGRA）四大核心模块；采用类别加权多类交叉熵损失与多类Dice损失加权组合的损失函数（λ₁=0.4，λ₂=0.6及训练中λ₁=0.6，λ₂=0.5）；所有原始3D体积MRI分解为连续2D轴位切片并重调至512×512，输入张量格式为8×1×512×512；实验硬件为Intel i9-13900KF、NVIDIA RTX 4090，基于PyTorch 2.1框架，优化器为Adam（初始学习率1e-4，权重衰减1e-5），采用余弦退火学习率衰减、梯度裁剪与早停策略训练200轮；采用Dice相似系数（Dice Similarity Coefficient, DSC）、交并比（Intersection over Union, IoU）、95%豪斯多夫距离（HD95）、平均对称表面距离（Average Symmetric Surface Distance, ASD）进行量化评估；统计使用Shapiro–Wilk检验、独立样本t检验或Mann–Whitney U检验及ROC分析。

研究结果如下：

3.1 消融实验（Ablation experiment）：研究人员以标准U-Net为基线（Base），逐步嵌入SFE、GCCA、MCFRM、EGRA构建增量消融模型（Base、B+S、B+S+G、B+S+G+M、ESCFR-Net）并在相同条件下训练评估。结果表明，相较Base（Dice 0.8295，IoU 0.7095，HD95 5.7359 mm，ASD 2.4217 mm），SFE提升小目标弱特征与背景抑制（Dice 0.8369，IoU 0.7354，HD95 4.7602 mm，ASD 1.7517 mm）；加入GCCA进一步改善轮廓连续性（Dice 0.8720，IoU 0.7827，HD95 3.3074 mm，ASD 0.8368 mm）；加入MCFRM显著提升多尺度融合（Dice 0.8873，IoU 0.8317，HD95 2.1546 mm，ASD 0.6732 mm）；完整ESCFR-Net获最优结果（Dice 0.9004，IoU 0.8466，HD95 1.5895 mm，ASD 0.4625 mm），可视化显示各模块叠加逐步改善轮廓描绘与边界连续性，验证四模块互补协同增益及网络在高精度自动海马分割的有效性。

3.2 与医学图像分割方法的比较（Comparison with medical image segmentation methods）：研究人员在自建数据集上将ESCFR-Net与SwinUNETR、PMFS-Net、Light3DHS、DPNU-Net、FED-UNet++五种主流方法对比。定量显示ESCFR-Net的Dice 0.9004、IoU 0.8466、HD95 1.5895 mm、ASD 0.4625 mm均最优，显著优于其余方法（如SwinUNETR Dice 0.8460、IoU 0.7438；FED-UNet++ Dice 0.8992、IoU 0.84562、HD95 1.6207 mm、ASD 0.4630 mm），表明其整体分割重叠度与边界轮廓精度更高。可视化显示SwinUNETR易受背景噪声影响边缘与精细结构分割差，PMFS-Net与Light3DHS弱边界与粘连区处理能力有限致轮廓锯齿与欠分割，DPNU-Net与FED-UNet++边界精度改善但全局拓扑建模不足，而ESCFR-Net兼顾全局上下文建模与局部细节描绘，在保持细长海马结构拓扑完整性的同时实现弱边界与粘连区细粒度分割，轮廓与真实海马形态高度匹配，验证其在脑海马高精度分割任务中的优越性。

3.3 健康对照与MCI患者的参与者特征（Participant characteristics of healthy controls and patients with MCI）：91例MCI组与91例健康对照（HCs）在性别、年龄、体重指数（body mass index, BMI）、受教育年限无统计学显著差异（均p > 0.05），MCI组MMSE评分显著低于HCs组（p < 0.001），符合分组依据。

3.4 HC与MCI组海马体积比较（Comparison of hippocampal volumes between HC and MCI group）：HC组右、左、总海马体积均值分别为2957.8 mm³、2834.2 mm³、5792.0 mm³，MCI组分别为2274.1 mm³、2184.6 mm³、4458.7 mm³，MCI组三项体积均显著低于HCs组（均p < 0.001）。

3.5 海马体积区分健康对照与MCI患者的鉴别诊断性能（Differential diagnostic performance of hippocampal volumes in distinguishing between healthy controls and patients with MCI）：右、左、总海马体积AUC分别为0.913、0.897、0.927，对应灵敏度分别为83.52%、85.71%、90.11%，特异度分别为86.81%、79.12%、83.52%，三者均具有效鉴别诊断性能，总海马体积AUC与灵敏度最高。

讨论部分总结：研究人员指出海马分割对神经影像定量分析、脑病辅助诊断及临床评估具重要价值，但细长形态、尺度变异大、边界模糊、粘连及小目标特征易淹没致高精度自动分割困难。所提基于U形的ESCFR-Net集成SFE、GCCA、MCFRM、EGRA分别完成小目标特征增强、全局上下文建模、多尺度融合与弱边界精炼，并采用复合损失缓解类别不平衡，丰富有效特征表示并抑制背景干扰，提升分割性能与鲁棒性，Dice 0.9004、IoU 0.8466优于现有主流算法。研究发现海马体积缩小与认知障碍显著相关，MCI双侧海马体积显著小于HCs，总海马体积AUC 0.927、灵敏度90.11%支持其作为区分认知障碍与正常衰老的非侵入性影像生物标志物，双侧联合提供最强诊断力，与海马萎缩随疾病严重度进展一致，强化海马变性在认知障碍的核心作用及自动体积测定在临床评估的潜力。局限性包括脑MRI灰度对比低背景复杂致细微区域分割精度待提升，未来可引入粗分割后处理；数据集为单中心，未来需多中心临床数据跨设备场景验证以提升泛化；本研究证实海马体积与MCI横断面关联，其在纵向随访、预警及疾病进展预测的临床价值需大规模前瞻性队列进一步证实。

结论部分翻译：研究人员在本文中提出一种用于MR图像海马分割的边缘感知显著上下文融合精炼网络（ESCFR-Net）。通过有机整合显著特征增强、全局上下文建模、多尺度特征融合与边缘引导精炼四大核心模块，ESCFR-Net获得更精确的特征表示。这些模块互补协作精炼特征表示并获取准确特征描述。进一步临床分析揭示海马体积萎缩与轻度认知下降密切相关，双侧海马体积测量表现出良好的诊断判别效能。本研究为脑MRI自动化高精度海马分割提供了稳健可靠的技术方案，为AD及相关神经退行性疾病监测与评估的影像生物标志物临床应用铺平道路。