NeuroPrint：面向多模态MRI中风差异分类的无参数空间递推图编码——支持联邦与集中式架构

《Expert Systems with Applications》：NeuroPrint: Parameter-Free Spatial Recurrence Plot Encoding for Federated and Centralised Stroke Differential Classification in Multimodal MRI

　　

- NeuroPrint将T1/T2/FLAIR MRI转换为单一的空间复归图（SRP）。
- SRP使轻量级CNN能够在卒中分诊中与复杂的多分支融合架构相媲美。
- NeuroPrint在KURDI-MRI上达到F1=85.4%，在BraTS 2020上达到F1=90.1%。
- 无参数的SRP编码在无需修改协议的情况下，为联邦非独立同分布条件提供了形式化的稳定性边界。
- KURDI-MRI：首个用于三类卒中分类的专家标注三模态数据集。

引言

在单一表示中联合编码多种MRI序列，同时不增加模型复杂度或丢失跨模态依赖性，其难度远非表面看起来那么简单。在神经影像中，T1、T2和FLAIR序列之间的关系是非线性的，无法通过标准的拼接或加权方案充分捕获，这意味着当前架构往往无法提取数据中实际蕴含的信息（Guo, Wang, Chen, Wang, Zhang, Zhu, 2022; Guo, Wang, Zeng, Han, Jin, Wang, 2025）。这一点在分类错误会带来真实临床代价的领域尤为关键。卒中是全球导致长期残疾的主要原因之一，将其与影像上表现相似的情况（如肿瘤、出血或正常解剖变异）区分开来，所需的精度是现有自动化方法难以稳定达到的（Guo et al., 2024; Zafari-Ghadim, Rashed, Mohamed, & Mabrok, 2024; Zhang, Meng, Jin, Wang, & Hou, 2024）。鉴别特征分散在多个模态中，且三类之间存在相当程度的重叠。深度学习在此类问题上已取得实质性进展（Borchert, Azevedo, Badhwar et al., 2023; Esteva et al., 2021），但仍有四个障碍阻碍着其进一步发展：（i）缺乏用于测试表示学习方法的平衡三模态数据集；（ii）多分支融合架构的内存和计算成本；（iii）缺乏能够与标准单流CNN配合使用而无需架构修改的紧凑确定性编码；以及（iv）数据治理限制阻止原始MRI数据离开机构，使隐私保护的多中心训练成为实际需求而非可选功能。

三种标准MRI序列各自提供不同的信息：T1捕获解剖结构，T2突出水肿，FLAIR抑制脑脊液以使病变显现（Butcher et al., 2025; Hagiwara et al., 2023）。如何在表示层面上联合编码这三种序列，而不依赖并行编码器或学习到的融合权重，仍是神经表示学习中的一个开放问题。

当前的融合方法以不同方式处理这一问题，但每种方法都有明显的局限。早期融合将多模态数据堆叠为多通道输入，方法简单高效，但对配准误差和强度差异敏感（Kamnitsas et al., 2017; Kong et al., 2022）。中期融合使用模态专属编码器配合注意力或基于Transformer的聚合，以更丰富的跨模态结构为代价，带来显著更高的内存和数据需求（Guo et al., 2025; Hu et al., 2020; Liu et al., 2025; Qiu et al., 2024）。晚期融合对独立单模态模型的预测结果取平均，对缺失模态具有鲁棒性，但丢失了卒中鉴别最关键的低层跨模态模式（Guo et al., 2022）。其他方法，如跨模态相似度矩阵或联合潜在投影，生成的表示难以解释且往往与现成分类器不兼容。在基准测试方面，现有数据集要么针对病变分割（Hernandez Petzsche et al., 2022; Maier et al., 2017; Winzeck et al., 2018），要么仅提供二元标签（Absher et al., 2024），要么不公开（Baazaoui, Engelter, Gensicke, Enz et al., 2025），导致缺乏用于三类鉴别诊断且覆盖完整三模态的开放资源。

综合来看，这些问题揭示了当前工作尚未充分解决的四个空白。首先，不存在用于三类卒中鉴别分类的平衡且公开可获取的三模态基准（Birnbaum et al., 2025; Tasci, 2023）。其次，现有融合方法将T1、T2和FLAIR之间的跨对比度关系视为线性组合问题，忽略了携带诊断信息的非线性强度动力学。第三，复归图等非线性动力学表示在时间序列分析中已取得显著成果（Miyamoto, Ueno, Yamashiro, Hira et al., 2023; Ryu et al., 2024），但从未被应用于静态多模态MRI融合。第四，现有多模态神经影像方法无法在不修改聚合协议的情况下提供联邦非独立同分布条件下的形式化稳定性边界。

为填补这些空白，我们提出了NeuroPrint，一个通过确定性无参数编码算子将配准后的T1/T2/FLAIR MRI切片转换为SRP的框架。SRP是一种标准灰度图像，将跨模态强度复归编码为结构化纹理，使其可被任何标准单流CNN直接学习，无需架构修改。与NeuroPrint一同发布的KURDI-MRI是首个专门为卒中、其他病变和正常三类鉴别分类设计的专家标注三模态MRI数据集。

本研究的主要创新在于表示层面：我们将此前局限于时序生物医学信号的复归图理论重新诠释为用于静态配准多模态MRI的空间跨模态编码算子。将希尔伯特曲线扫描与基于复归的编码相结合的方法学先例源自单通道遥感工作（Wang, Xu, & Song, 2021）；NeuroPrint将这一范式发展为三模态医学影像，引入了形式化的Lipschitz稳定性保证，并建立了与联邦学习协议的结构性兼容性。三模态MRI呈现T1、T2和FLAIR之间独特的非线性跨对比度依赖关系，线性融合无法捕获；NeuroPrint将这些依赖关系编码为跨段复归块，使其可被标准单流CNN访问。这一编码创新自然带来了三个下游优势：（i）与标准单流CNN的即插即用集成，（ii）在非独立同分布联邦训练下的鲁棒性，以及（iii）固有的临床可解释性，下文将分别详述。

我们的主要贡献如下：
1. 新表示范式。NeuroPrint是首个将复归图理论应用于静态多模态MRI融合的方法，将一种已在脑电图和心电图中证明有效的技术适配到新领域，为可解释的多模态编码确立了原则性方向。
2. 架构效率。作为SRP编码的直接结果，NeuroPrint将多模态MRI转换为单张二维灰度图，使标准单流CNN能够取得与复杂多分支融合基准相当甚至超越的性能。这使得推理时间降至3秒以下，并在十一种测试骨干网络上将内存使用降低约3倍，相对于中期融合。
3. 联邦部署路径。由于编码无参数，NeuroPrint可直接集成到联邦学习（FL）中而无需修改协议，提供的是模拟联邦鲁棒性而非经过验证的多中心部署。提供了非独立同分布条件下的形式化稳定性边界（推论4.7），模拟结果证实NeuroPrint在跨客户端数据异质性增加时，相比早期融合退化程度显著更低（在KURDI-MRI上α=0.1时分别为-3.5个百分点对比-8.2个百分点）。
4. 校准与可解释性。NeuroPrint将期望校准误差降低约17%（12.6%→10.5%），相对于最佳逐骨干融合基准。复归量化分析定量确认了SRP的类别判别模式，盲法专家评审定性确认（κ=0.78，n=30）。
5. 基准资源。KURDI-MRI是首个用于三类鉴别分类（卒中/其他病变/正常）的专家标注三模态数据集，为多模态神经表示学习提供了可复现的基准。

章节摘要

卒中MRI数据集：多模态基准中的空白

公开神经影像数据集推动了卒中自动分析的发展（Absher et al., 2024; Hernandez Petzsche et al., 2022; Maier et al., 2017; Winzeck et al., 2018），但没有一个支持覆盖完整T1/T2/FLAIR的平衡三类鉴别分类。卒中预后优化项目（SOOP）包含1,715名受试者的配准T1/T2/FLAIR/DWI数据，但仅区分AIS与非卒中对照，未包含经证实的替代病理（如肿瘤或……

KURDI-MRI数据集

我们引入KURDI-MRI，一个专家标注的三模态（T1/T2/FLAIR）MRI数据集，旨在作为三类鉴别分类的可复现基准：卒中、其他病变（如肿瘤、出血）和正常。图1概述了数据集工作流及其与NeuroPrint的集成。

该匿名回顾性MRI数据集（伊拉克埃尔比勒；2021–2023）经武汉理工大学学术伦理委员会批准（补充文件1），并豁免知情同意。

方法

我们提出NeuroPrint，一个神经表示学习框架，将配准后的T1/T2/FLAIR MRI切片转换为单张二维SRP——一种将跨模态强度复归编码为与现成CNN兼容的结构化纹理的灰度图，从而消除对任务专属多分支融合架构的需要。通过将多模态融合重新表述为表示层面的变换，NeuroPrint实现了即插即用的单流分类，同时保留了……

数据集与评估协议

我们在两个数据集上评估了NeuroPrint：KURDI-MRI和BraTS 2020的平衡子集（Bakas et al., 2018）（160名受试者：80例高级别胶质瘤，80例低级别胶质瘤；随机种子固定）。纳入BraTS 2020严格作为域外病理压力测试，以检验NeuroPrint的表示在具有不同病理特征和采集条件数据集上的有效性，而非作为外部卒中验证。在KURDI-MRI上，我们在患者层面采用分层5折交叉验证，报告均值±标准差。

讨论

NeuroPrint将多模态MRI融合重新框架化为一个闭式确定性编码问题，生成单张标准化SRP，下游CNN可直接分类而无需架构修改。概念验证与标准可视化工具的集成见补充S1。

NeuroPrint的可解释性直接源于Φ的确定性结构。由于SRP模式是输入强度的数学函数而非学习的注意力权重……

结论

我们提出了NeuroPrint，一个确定性无参数框架，将配准后的T1/T2/FLAIR MRI转换为单张空间复归图，使标准单流CNN能够匹配或超越可行的多分支融合基准的性能，同时内存使用较中期融合降低约3倍，推理时间低于3秒，期望校准误差降低约17%，并经专家验证的可解释性（κ=0.78）。随附的KURDI-MRI数据集提供了首个公开、专家标注、平衡的……

未引用引用缺失——表7。

CRediT作者贡献声明

Suzanne Hussein：概念化、软件、调研、撰写——初稿。Zhishu Shen：方法论。Musa Eldow：撰写——审阅与编辑。Jingling Yuan：监督、经费获取。

利益冲突声明

作者声明不存在已知的可能影响本文研究结果的财务利益或个人关系。

Suzanne Hussein|Zhishu Shen|Musa Eldow|Jingling Yuan