《NeuroImage》：Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg
编辑推荐：
本研究针对胎儿脑MRI分割中因对比度差异和病理形态变异导致的领域偏移问题，开发了一种基于SynthSeg框架的数据驱动采样策略。通过提取21个形态学特征对训练模板进行聚类加权，并结合病理模板生成技术，显著提升了网络对严重脑室扩大病例的分割精度（p<1e-4），为临床异构数据下的自动化定量分析提供了可靠解决方案。
胎儿大脑磁共振成像（MRI）在神经发育研究和临床诊断中扮演着越来越重要的角色。然而，准确分割胎儿脑部结构却面临巨大挑战——不同医疗中心的扫描参数、磁场强度、图像对比度存在显著差异，更棘手的是，病理状态（如脑室扩大）会导致大脑形态发生剧烈改变。这种"领域偏移"现象使得基于深度学习的分割模型在临床应用中常常表现不佳。
传统解决方案多依赖于增加训练数据量，但胎儿MRI数据相对稀缺，且病理案例更难获取。面对这一困境，苏黎世大学儿童医院的研究团队在《NeuroImage》上发表了一项创新研究，他们巧妙地将数据驱动策略与合成数据生成技术相结合，开发出能够适应各种临床场景的胎儿脑MRI分割方法。
研究团队采用了几项关键技术：首先基于SynthSeg框架生成合成训练数据；其次创新性地提出数据驱动采样策略，通过提取脑组织体积、表面积等21个形态学特征，对训练模板进行聚类和加权采样；同时利用形态学操作生成模拟脑室扩大的病理模板；并采用背景细分技术处理非脑组织区域。这些方法共同作用于来自多个中心的759例胎儿脑MRI数据，包括FeTA挑战赛数据集和dHCP项目数据等。
主要研究结果
数据驱动采样提升病理病例分割效果
在包含严重脑室扩大的测试集上，单纯使用数据驱动采样（实验2）相比基线方法（实验1）将平均Dice分数从0.60显著提升至0.67（p<1e-4）。这种改善在脑室结构上尤为明显，证明该方法能有效增强模型对形态异常病例的识别能力。
合成病理模板平衡训练数据分布
通过为每个训练模板生成对应的脑室扩大版本（实验5），模型在病理病例上的分割性能得到进一步提升。值得注意的是，当合成模板与数据驱动采样结合时（实验6），模型在不同类型数据上的表现更加均衡，说明两种技术具有互补效应。
多中心数据验证方法普适性
研究在11个不同来源的测试集上验证方法有效性，包括不同MRI场强（0.55T-3.0T）、对比度（T1加权和T2加权）、重建方法和病理状态的数据。结果表明，虽然专门优化病理性能会轻微降低在正常病例上的表现（平均Dice降低0.03-0.04），但这种权衡对于临床应用是可接受的。
背景细分技术改善脑组织识别
使用包含丰富背景伪影的dHCP数据进行训练并结合背景细分技术（实验3、4、7、8）的模型，在含有大量非脑组织的图像中有效避免了过分割问题，提高了分割特异性。
讨论与结论
该研究的核心贡献在于首次将数据驱动的形状多样性平衡策略引入胎儿脑MRI分割领域。通过量化评估脑结构的形态学特征并针对性调整采样权重，该方法在不大幅增加数据需求的前提下，显著提升了模型对病理形态的适应性。特别值得关注的是，数据驱动采样与合成病理模板生成的协同作用，为解决临床数据分布不平衡问题提供了新思路。
与FetalSynthSeg等现有方法相比，该研究在严重病理病例上表现出比较优势（Dice分数提高0.07），而在常规病例上的性能下降控制在可接受范围内。虽然最新方法DRIFTS在整体性能上更优，但其训练数据与测试集存在重叠，且采用了不同的技术路线（结合真实图像微调），说明数据驱动采样作为一种独立策略，仍有进一步与其他先进方法融合的潜力。
这项研究的临床意义尤为突出。胎儿脑MRI定量分析对监测神经发育至关重要，但临床实践中常见的病理状态往往导致自动化工具失效。该工作提出的解决方案不依赖大量真实病理数据，仅通过智能采样和合成数据生成即可提升模型鲁棒性，为在多样化临床环境中部署可靠的分割工具铺平了道路。未来，将该策略应用于其他脑部病理形态（如小脑发育不良）以及与其他训练框架（如nnU-Net）结合，有望进一步推动胎儿神经影像分析的发展。
