本研究由 Juan E. Iglesias 作为通讯作者主导，其所属机构包括麻省总医院和哈佛医学院的 Athinoula A. Martinos 生物医学影像中心 (Athinoula A. Martinos Center for Biomedical Imaging)、伦敦大学学院 (University College London) 的医学影像计算中心以及麻省理工学院 (Massachusetts Institute of Technology) 的计算机科学与人工智能实验室 (CSAIL)。该研究成果于 2023年2月1日 发表在国际顶级期刊 Science Advances 上。
研究背景 该研究属于神经影像学和人工智能交叉领域。在全球范围内，每年医院都会产生数百万张临床用途的脑部磁共振成像（Magnetic Resonance Imaging, MRI）扫描。这些数据蕴含着巨大的潜力，可能彻底改变我们对许多神经系统疾病的理解。然而，由于临床扫描通常采用二维（2D）采集，层间距大（5-7毫米），导致图像在三维空间中分辨率各异向（anisotropic resolution），无法满足主流神经影像学自动化分析工具（如 FreeSurfer, FSL, SPM）对高分辨率各向同性（通常为1毫米）扫描的严苛要求，从而限制了其在大规模形态测量（morphometry）研究中的应用。现有的基于深度学习（deep learning）的图像合成与超分辨率（super-resolution, SR）技术虽然为解决此问题提供了可能，但面临三大障碍：一是临床数据在扫描方位、分辨率、磁共振对比度上的巨大差异导致的“域偏移（domain shift）”问题，使网络性能下降；二是不同扫描协议需要重新训练或适配模型，缺乏可“开箱即用”的方法；三是现有方法对临床影像存档与通信系统（Picture Archiving and Communication Systems, PACS）中存在的多样化病理（如肿瘤、中风）缺乏鲁棒性。为了打破这一壁垒，研究者致力于开发一种通用的人工智能工具，能够将任意临床脑部MRI扫描转化为可供现有工具直接分析的高清、各向同性T1加权图像。
研究工作流程详述 本研究主要分为两个阶段：模型训练与模型测试评估。
第一阶段：模型训练流程与创新方法 SynthSR模型的核心是一个基于卷积神经网络（Convolutional Neural Network, CNN）的回归网络，其训练过程完全依赖合成数据，包含多项关键创新。 1. 训练数据集与生成模型：模型使用来自开放获取系列影像研究（Open Access Series of Imaging Studies, OASIS）数据集中的20例1毫米各向同性3D MPRAGE扫描及其密集神经解剖学标签（涵盖大脑和颅外区域）进行训练。在每次迭代中，研究者会随机选取一个扫描及其标签图，首先通过随机线性和非线性（微分同胚）变形进行几何增强。然后，利用一个受贝叶斯分割方法启发的生成模型，基于变形后的标签图合成具有随机对比度的扫描。这个模型将每个标签视为一个类别，通过随机设定其高斯分布的均值和方差来模拟任意的磁共振（MR）对比度，并加入乘性偏置场（bias field）和加性噪声。 2. 领域随机化（Domain Randomization, DR）策略：这是实现通用性的核心。不同于以往模拟特定采集参数的方法，研究者在训练时完全随机化了合成数据的各项参数，包括：MR对比度（各组织区域的均值和方差）、扫描方位（矢状面/轴状面/冠状面）、层间距、层面厚度、偏置场以及噪声水平。通过让CNN在每次迭代中都面对不同的对比度、方位和分辨率组合，强制使其学习提取与这些变化无关的底层解剖结构特征，从而赋予了模型“开箱即用”处理异构数据的泛化能力。 3. 病理建模与修复（Inpainting）：为了解决病理鲁棒性问题，研究者从ADNI、ATLAS和BRATS数据集中获取了真实病灶（如脑萎缩、中风、脑肿瘤）的分割标签，并将其随机叠加到训练集的健康标签图上。在生成合成输入图像时，这些病灶区域会呈现出随机的异常信号。然而，对应的回归目标（Ground Truth）则是经过病灶修复处理的“干净”MPRAGE扫描。这迫使网络在学习超分辨率和对比度合成的过程中，能够主动识别并将病理组织修复（inpaint）为外观正常的健康组织，使输出结果能直接被FreeSurfer等不支持严重病灶的处理流程所接受。 4. 辅助分割任务与网络架构：SynthSR架构在回归U-Net后级联了一个预先训练好并冻结参数的3D分割U-Net。总损失函数是回归损失（L1范数，即绝对误差和）与由分割网络提供的分割损失（Soft Dice系数）的加权和。这种设计鼓励回归网络不仅预测准确的体素强度，更要生成那些边界清晰、能让分割网络正确识别的图像，从而显著提升了后续形态测量的准确性，避免了单纯依赖强度损失导致的边界模糊问题。整个模型在GPU上进行约25万次迭代训练。
第二阶段：模型测试评估流程 研究者在多个大规模、异构数据集上对SynthSR的性能进行了全面验证，测试流程为直接加载训练好的模型进行推理，无需任何额外训练或微调，输出的1毫米各向同性合成MPRAGE图像随后被用于不同的下游任务。 1. 图像分割与体积测量（Image Segmentation and Volumetry）：研究者首先在麻省总医院（Massachusetts General Hospital, MGH）数据集中进行了测试，该数据集包含1110名患者的9146次未经筛选的临床脑部MRI扫描，其采集参数极为多样。同时，其中41名患者（共435次扫描）还拥有关键的“金标准”——1毫米各向同性T1扫描。实验流程为：使用SynthSR将全部临床扫描转化为合成MPRAGE，再用FreeSurfer对其进行自动化分割。将合成图像的分割体积与通过真实高分辨率扫描得到的分割体积进行相关性分析。 2. 疾病萎缩效应检测（Alzheimer‘s Disease Volumetry）：研究者在阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative, ADNI）数据集上进行了测试，挑选了50名阿尔茨海默病（AD）患者和50名对照。实验流程为：使用SynthSR将5毫米层厚的轴位FLAIR扫描转化为合成MPRAGE，再用FSL进行海马体分割并提取体积。同时，使用FSL直接处理1毫米各向同性MPRAGE扫描作为真实体积参考（Ground Truth）。通过比较两组的体积、计算Wilcoxon秩和检验的p值及ROC曲线下面积（AUROC），并与全监督U-Net、消融模型（去除病理修复或域随机化）进行对比。 3. 图像配准（Registration）与脑肿瘤分析：研究者使用脑肿瘤序列配准（BRATS-Reg）数据集，包含140名胶质瘤患者术前及术后的多模态扫描及对应解剖标志点。实验流程为：分别对原始异构临床扫描和使用SynthSR修复肿瘤后的合成MPRAGE扫描，利用NiftyReg软件包进行配准，然后计算并比较两组配准结果相对于手动标注标志点的目标配准误差（Target Registration Error, TRE）。此外，还在包含1251例手动标注胶质瘤的BRATS数据集上，利用合成图像构建了无偏群体模板和肿瘤概率图。 4. 中风MRI的分割与配准：研究者应用SynthSR处理ATLAS数据集，该数据集包含655例带有手动分割中风病灶掩膜的T1扫描。实验流程为：利用SynthSR修复病灶，然后用FreeSurfer进行分割，比较患侧与健侧在多个皮层下结构（如丘脑、壳核）的体积差异，并计算病灶体积与这些结构体积的相关性，以此验证方法在病理条件下的形态学测量合理性。
详细研究结果 1. 分割与体积测量的相关性结果：在MGH数据集上，合成MPRAGE的分割结果与真实高分辨率扫描结果之间展现出高度相关性。在单次扫描水平上，白质、皮层灰质等大类组织的相关系数（r）达到约0.8，脑室的相关系数高达0.99，而海马体的相关系数也达到了0.76。当汇总到受试者层面（取多次扫描的中位数）后，几乎所有组织的相关性都提升到了非常强的水平（r约0.9），除了壳核和苍白球（r为0.72-0.75），这主要是由于T1对比度在这些区域边界固有不足。当按层间距分组时，相关性随层间距增大而下降，但即便是层间距大于6毫米的扫描，汇总到受试者层面后的相关性仍高于仅用薄层扫描的平均水平。消融实验证实，移除辅助分割任务会导致大多数脑区的相关性下降，尤其是边界模糊的皮层和杏仁核。基于这些分割结果绘制的衰老轨迹曲线，准确地再现了白质在30岁左右达到峰值、灰质更早下降以及脑室的非线性变化模式，与基于超过10万例高分辨率扫描的元分析结果高度一致。 2. 阿尔茨海默病的海马体萎缩检测结果：在ADNI数据集中，合成MPRAGE与真实MPRAGE的海马体体积之间存在强相关性（ρ = 0.83, p < 10⁻²⁴）。在区分AD患者与对照的任务中，使用合成图像进行FSL分析得到的组间差异非常显著（p值约为10⁻⁶），AUROC达到0.76。这仅比使用理想化的真实1毫米T1扫描的结果（中位数差异543立方毫米，AUROC=0.81）损失了5个AUROC百分点和12%的组间分离度。与针对该特定FLAIR数据训练的全监督U-Net（性能上限）相比，SynthSR仅损失2个AUROC百分点。消融研究进一步揭示，引入域随机化（DR）的性能（AUROC=0.76）优于固定仿真该FLAIR参数的策略；移除病理修复模块后性能略有下降（AUROC=0.75），证明修复过程不仅没有对疾病萎缩效应的敏感度产生负面影响，反而是鲁棒性的保障。 3. 脑肿瘤配准结果：在BRATS-Reg数据集中，直接对原始异构图像进行配准时，由于肿瘤区域外观和分辨率的巨大差异，NiftyReg算法会错误地试图匹配伪影和病灶边界，导致扭曲的变形场。而使用SynthSR修复肿瘤并统一分辨率后的合成图像进行配准，产生的变形场更加正则、合理。定量结果表明，在所有控制点间距和MR对比度组合下，使用SynthSR均能将平均目标配准误差降低10%至20%。这种鲁棒性使得在某些情况下（如T1ce或FLAIR图像），使用更具侵略性的低控制点间距配准也能获得优于原始图像的配准精度。基于BRATS数据集构建的群体模板清晰锐利，尤其在主采集方向（轴状面）上，揭示了胶质瘤的额颞叶空间分布模式及其沿白质浸润的趋势。 4. 中风数据的结果：在ATLAS数据集上，SynthSR成功修复了中风病灶，使得FreeSurfer能够顺利完成分割。分析发现，患侧与健侧的体积不对称模式与文献一致：未在患侧和健侧发现显著海马体积不对称，但在丘脑、壳核等结构观察到了强烈的由病灶引起的体积缩减不对称（效应量达0.79-1.02）。患侧这些结构与病灶体积的负相关系数（r约为-0.3到-0.49, p极显著）也与先前报道的数值相当，而健侧则无显著相关性，这符合中风对脑结构影响的空间特异性预期。
研究结论与价值 本研究成功开发并验证了一个名为SynthSR的公开AI工具，该工具能够将来源于临床、参数极为异构的脑部MRI扫描，不受其原始方位、分辨率和MR对比度限制，“开箱即用”地转化为可用于几乎所有现有神经影像分析工具的1毫米各向同性合成T1加权图像。其科学价值在于，通过创新的领域随机与病理修复训练策略，首次有效解决了长期阻碍临床大数据用于脑形态学研究的域偏移和病理鲁棒性两大核心挑战。应用价值上，SynthSR架设了一座桥梁，使全球医院PACS系统中沉睡的数百万乃至上千万张临床扫描得以被定量分析，这有望极大提升神经科学研究的统计效力，尤其对于发现疾病早期细微效应，以及满足全基因组关联分析等对超大样本量的需求具有革命性意义。此外，该方法还能改善临床场景下的三维形态测量（如纵向变化评估），并有助于促进在研究中纳入在常规前瞻性研究中通常代表性不足的少数群体。该工具已作为开源软件FreeSurfer的一部分免费发布，仅需一行命令即可轻松调用，极大降低了使用门槛。
研究亮点 1. 通用性：首创性地将领域随机化策略应用于脑MRI的超分辨率和合成任务，使得同一个模型无需任何再训练或适配即可处理现实中几乎涵盖所有采集方式的异构临床数据，实现了真正的“开箱即用”。 2. 病理鲁棒性：通过在训练中创新性地引入实际病变标签并学习将其修复为正常组织，解决了目前绝大多数形态测量工具和已有合成方法无法处理严重病灶的痛点，且实验证明该修复过程不影响对疾病相关萎缩的敏感度。 3. 方法论创新：通过级联一个预训练的分割网络，在损失函数中引入高级的皮质分割约束，有效地纠正了单纯依赖像素级回归损失所带来的边界模糊缺陷，显著提升了合成图像在下游形态学测量任务中的准确性。 4. 大规模验证与可重复性：研究在涵盖AD、脑肿瘤和中风等多种病理，且超过一万次真实世界扫描的多个大规模公开和院内数据集上，全面验证了SynthSR在分割、体积测量、配准和模板构建等多种核心任务中的效能和稳健性，结果均与基于真实高分辨率扫描的分析高度一致。