编辑推荐：
为解决婴儿出生后早期（0-8个月）大脑经历剧烈变化，传统磁共振（MR）影像组织分割算法难以获得准确结果的问题，研究人员开发了基于深度学习的BIBSNet婴儿大脑分割网络。该网络利用数据增强和大规模手工标注图像，实现了快速、鲁棒且通用的皮质与皮质下结构分割，与联合标签融合法（JLF）相比，Dice相似系数（DSC）和衍生解剖学、静息态功能指标均显示出显著优势，为研究婴儿大脑典型与非典型发育提供了重要工具。
在生命最初的几年里，人类大脑经历着翻天覆地的变化。这个充满活力的时期，不仅是大脑结构飞速成长的黄金阶段，也深刻影响着个体一生的神经发育与心理健康。然而，想要“看清”这个微小而复杂的世界，科学家们面临着一个技术难题：如何精准地从婴儿大脑的磁共振（MR）影像中，将不同的组织（如灰质、白质、脑脊液）和各种精细的脑区分割开来？这看似简单的“描边”工作，却是后续所有高级脑科学研究，如计算皮层厚度、绘制脑功能连接图谱的基石。不幸的是，婴儿大脑的组织对比度会随着月龄剧烈变化，这使得为成人设计的主流分割算法在“小宝宝”这里频频失灵，要么速度极慢，要么错误百出。
为此，研究团队决心开发一款专为婴儿打造的大脑“智能分割神器”。他们创造了一个名为BIBSNet的深度神经网络，旨在为0-8个月大的婴儿提供快速、精准、且与广泛使用的FreeSurfer软件兼容的大脑组织分割方案。研究表明，BIBSNet不仅在分割准确度上大幅超越了传统主流方法，其效率更是提升了数百倍。这项重要的研究成果发表在《Developmental Cognitive Neuroscience》期刊上，为婴儿脑科学研究和大型队列研究（如HBCD计划）提供了强有力的工具。
为开展研究，团队整合了来自BCP和ALBERTs数据集的90名0-8月龄婴儿的T1加权和T2加权磁共振图像及手工标注的分割结果作为基础。研究核心是构建并评估BIBSNet模型，其关键技术方法包括：1）采用基于nnU-Net的3D卷积神经网络架构进行模型训练；2）利用SynthSeg软件对真实图像进行数据增强，生成大量合成图像以提升模型泛化能力；3）采用10折交叉验证策略避免数据泄漏；4）将BIBSNet的分割结果与当前婴儿处理流程中广泛使用的联合标签融合（JLF）算法以及另一个深度学习模型iBEAT的分割结果进行系统比较。比较指标包括分割重叠度指标（Dice相似系数DSC，95%豪斯多夫距离HD95）、脑区体积、皮层厚度以及静息态功能连接矩阵的相似性。
研究结果
BIBSNet应用高效：模型推断（分割）过程仅需约4分钟每人，所需计算资源（2个CPU，20GB内存）远低于JLF所需的2-3天。
Dice相似系数比较：BIBSNet在灰质（DSC = 0.849）和白质（DSC = 0.862）分割上与金标准（手工标注）的重叠度显著高于JLF（灰质DSC = 0.713， 白质DSC = 0.791）。在杏仁核和海马体等小尺寸皮质下结构上，两者性能无显著差异，但BIBSNet的结果变异性更小。与iBEAT的特别比较显示，在0-5月龄婴儿的灰质和白质分割上两者无显著差异，但在6-8月龄婴儿的白质分割上，iBEAT表现略优于BIBSNet。BIBSNet的表现与现有文献中的先进模型相当，并且其性能在0-8个月龄范围内保持相对稳定，而JLF的性能则随月龄波动较大。
体积、皮层表面和功能连接比较：
- •
体积：BIBSNet推断的灰质、白质、海马体和杏仁核体积与金标准的相似度（通过组内相关系数ICC和均方根误差RMSE衡量）均高于JLF推断的结果。
- •
皮层厚度：基于BIBSNet分割计算出的皮层厚度图与金标准的相关性显著高于基于JLF的结果。
- •
功能连接：使用BIBSNet分割数据生成的静息态功能连接矩阵，与金标准矩阵的相似度（斯皮尔曼等级相关）也显著高于JLF。BIBSNet与金标准功能连接矩阵的差异值更接近零，表明其影响更小。
- •
单案例对比：代表性案例图像直观显示，BIBSNet的分割结果与金标准高度一致，而JLF则在多个区域（特别是白质）存在明显错误标注。
研究结论与重要意义
本研究成功开发并验证了BIBSNet，这是首个开源的、预训练的深度神经网络模型，能够为0-8月龄婴儿生成包含29个FreeSurfer兼容标签的高质量皮质及皮质下脑区分割。其主要优势和创新点包括：1) 卓越性能：在分割精度上达到了与现有先进模型相当的水平，并在衍生形态学和功能学指标上显著优于目前广泛使用的JLF方法。2) 高效便捷：分割速度比JLF快约600倍，且对输入图像无需预先进行去颅骨等复杂预处理。3) 通用性强：模型覆盖了从新生儿到8月龄的宽年龄段，能适应大脑发育过程中组织对比度的剧烈变化。4) 良好的兼容性与实用性：其输出可直接集成到现有的标准化处理流程（如fMRIPrep Lifespan, DCAN婴儿流程）中，为大规模婴儿神经影像研究（如HBCD）提供了“交钥匙”解决方案。
BIBSNet的出现解决了婴儿脑影像分析中的一个关键瓶颈。准确的脑组织分割是计算皮层厚度、脑区体积、脑功能连接等高级指标的前提，而这些指标是研究婴儿大脑正常发育轨迹和早期识别神经发育障碍（如自闭症）的生物标志物的基础。该工具不仅提升了分析的准确性和效率，其开源和易用的特性也将促进研究方法的标准化和结果的复现性，从而加速整个婴儿脑科学领域的发展。未来，通过纳入更广泛年龄和更多样化采集参数的数据（如HBCD数据）进行训练，BIBSNet的性能和应用范围有望得到进一步扩展。
