基于深度学习的MRI三叉神经自动分割研究报告
这篇文章题为《Deep learning-driven MRI trigeminal nerve segmentation with SEVB-Net》，由Chuan Zhang、Man Li、Zheng Luo、Ruhui Xiao、Bing Li、Jing Shi、Chen Zeng、Baijintao Sun、Xiaoxue Xu和Hanfeng Yang撰写，主要来自中国的几所研究机构，包括First Affiliated Hospital of Jinan University（广州，中国）和North Sichuan Medical College（南充，中国）。该研究发表于2023年10月18日的《Frontiers in Neuroscience》期刊。
本研究聚焦于神经科学领域，特别是基于磁共振成像（Magnetic Resonance Imaging, MRI）的三叉神经影像分割技术。三叉神经痛（Trigeminal Neuralgia, TN）是一种极具挑战性的神经病理性疼痛疾病，患者在面部触碰、说话和进食时都会感到难以忍受的疼痛，这种疼痛不仅严重影响患者的生活质量，甚至与某些患者的自杀风险相关。通过高分辨率MRI，医生可以清晰观察三叉神经从脑干到其三大分支（眼神经、上颌神经和下颌神经）的整体解剖结构。然而，目前对三叉神经的影像分割主要依赖于放射科医生的手动标记。尽管这种方式被视为金标准，但其主观性强且极为耗时。
深度学习技术近年来在医学影像分析中获得了广泛的应用，包括分割、分类等任务。然而，当前针对三叉神经全面自动分割的相关研究仍较少，特别是在复杂的三维三叉神经T2影像数据上。本研究旨在开发一种全新的基于V-Net的全自动框架（SEVB-Net），以高效完成三叉神经的影像分割任务，提高临床效率。
研究目标聚焦于以下几点： 1. 提出并开发基于V-Net的SEVB-Net架构，用于三叉神经的自动分割。 2. 比较SEVB-Net与现有主流网络（如nnU-Net）的性能差异，评估模型分割准确性和效率。 3. 优化分割算法的网络架构与损失函数，提升模型在三叉神经分割中的表现水平。 4. 探讨自动分割结合手动修正方式的时间效率，并验证其临床应用的可行性。
研究团队从2020年至2022年间收集了来自四种不同MRI扫描仪器的232名实验对象数据，这些仪器分别为UMR 790 3.0T、GE Discovery 750 3.0T、Magnetom Aera 1.5T以及Magnetom Skyra 3.0T。由于部分低质量图像限制了神经结构的清晰呈现，研究团队剔除了42名样本，并最终筛选出187个高质量的MRI数据集，其中152个用于训练，35个用于测试。在手动分割部分，两位具有超过10年经验的影像医生通过3D Slicer软件完成了三叉神经从脑干到周围分支的分割，并将手动分割结果作为模型训练的“标签”。
为了优化影像显示及模型输入数据，一系列预处理手段被应用： 1. 偏场校正（Bias Field Correction）：针对由于设备和成像方案差异导致的局部灰度不均问题，研究团队采用N4ITK算法对所有MRI数据进行校正。 2. 感兴趣区域划分（ROI Based on Connected Domains）：医生将三叉神经区域分割为左、右两个部分，从而增强模型训练数据并减少GPU内存消耗。 3. 重采样与裁剪（Resampling and Cropping）：将所有影像数据重采样至一致的体素分辨率，并通过随机裁剪生成统一尺寸的模型输入数据块。 4. 数据增强（Data Augmentation）：利用旋转、镜像、缩放等几何变换，结合高斯噪声、亮度调整等图像增强技术，扩大数据训练集的多样性。 5. 强度归一化（Intensity Normalization）：将影像灰度值标准化到特定范围内，以确保神经特征的对比度均衡。
本研究提出的SEVB-Net在传统V-Net结构基础上进行了优化，额外引入了以下组件： 1. 瓶颈结构（Bottleneck Structure）：通过两个1×1×1卷积核对通道维度进行缩放，改善计算效率并降低网络参数量。 2. SE模块（Squeeze-and-Excitation）：通过通道注意力机制提升特征提取的精准性。 3. 多分辨率训练：结合粗分辨率与高分辨率的SEVB-Net模型，先实现粗定位，再细化分割结果。 4. 损失函数优化：与传统的Dice Loss不同，本研究设计了一种加权双重损失函数（ωDoubleLoss），通过权重调整，增强网络对难分割区域的关注。
网络的性能通过以下指标评估，包括Dice相似系数（Dice Similarity Coefficient, DSC）、敏感性（Sensitivity）和精确性（Precision）。此外，通过统计测试比较手动分割与自动分割结合手动修正的时间差异。
测试集上的实验表明： 1. SEVB-Net结合ωDoubleLoss的DSC范围为0.6070至0.7923，敏感性和精确性均高于0.7，与专家标注结果高度一致。 2. 与v-net和nnU-Net相比，SEVB-Net体现了显著的轻量化特性：减少了参数数量（2.20百万）、内存消耗（11.41 MB）及前向推理时间（15.42秒/100次试验），同时保持了解析度和性能。
自动分割结合手动修正的时间明显短于纯手动分割。35例测试数据中： - 手动分割平均耗时95分钟； - 自动分割结合手动修正平均耗时仅为35至40分钟（p < 0.001）。
在分割边界上，SEVB-Net的结果比手动标注更平滑，避免了人工分割的突兀跳动；在三维重建中，SEVB-Net改进了三叉神经远端分支的连接性和完整性。
该研究提出的SEVB-Net模型是一种高效、轻量且准确的三叉神经自动分割方法。相比于传统深度学习方法，SEVB-Net凭借其SE和瓶颈模块以及改进的损失函数，既实现了分割性能的提升，又减小了模型的复杂度，尤其适合未来的云端或移动端医学应用场景。通过显著减少分割时间，SEVB-Net为高效临床诊断提供了技术支持。
其科学价值体现在三叉神经从根部到三大主要分支的全面自动分割，填补了深度学习在这一领域的研究空白。此外，本研究的多设备、多群体数据集增强了模型的泛化能力，为医学影像分割技术设立了新标杆。
最终，本研究不仅在医学影像处理领域贡献了创新方法，还提出了多分辨率优化与轻量化架构结合的高效解决方案，为未来深度学习在医疗计算中的应用打开了新局面。