通过全局和局部分解方法，从非对比磁共振成像序列中合成脑部血容量层次结构图

《Engineering Applications of Artificial Intelligence》：Hierarchical cerebral blood volume map synthesis from non-contrast magnetic resonance imaging sequences via global and local decomposition

基于脑肿瘤血管生成的无对比CBV映射方法，提出分层合成框架HierSynth，通过全局解剖结构生成与残差域局部病理细节优化，结合生理一致性约束提升血管纹理保真度，实验显示其区域相似度指数较现有模型提高0.0192。

　　

陈一华|丁王斌|林国奇|熊陆魁|王新辉|刘嘉欣|朱文涛|林照华|李东明|佘德军|李铁强

福建医科大学医学影像学院，福州，350005，中国

摘要

脑血容量（CBV）成像对于评估脑肿瘤血管生成具有重要意义，但目前依赖于含钆的造影剂，而这些造影剂存在健康风险。生成式人工智能（AI）为无造影剂成像提供了有前景的替代方案；然而，传统的单一模型存在根本性的结构局限——它们难以同时保持整体解剖结构的连贯性和保留细微的病理细节，这常常导致关键血管特征的“纹理模糊”现象。

为了解决这一问题，我们提出了HierSynth，这是一个分层框架，将合成过程分为全局和局部两个阶段。全局合成模块首先生成一个连贯的解剖基础，然后局部合成模块仅在残差域中对高频血管纹理进行精细化处理，从而可以在不牺牲大尺度结构的情况下独立优化细节。

为了保持诊断准确性，我们引入了灌注感知约束（PaC），该约束在残差域中通过特定的灌注特征（如血管异质性线索）来监督局部精细化过程，确保对病理灌注模式的忠实再现。

在内部和外部数据集上的评估表明，HierSynth的性能明显优于现有的单一模型，显著提高了感兴趣区域（ROI）的忠实度（例如，结构相似性指数（SSIM）从0.4606提高到了0.4798）。这在临床应用中意味着能够更好地保留肿瘤血管纹理，从而实现更可靠的无造影剂血管生成评估。通过将解剖结构与病理细节在结构上分离，HierSynth推动了更安全的灌注成像，并为需要多尺度细节保留的其他诊断模式提供了一个通用的分层合成范式。

引言

原发性颅内肿瘤的侵袭性与异常血管生成密切相关（Plate等人，2012年），这是世界卫生组织（WHO）肿瘤分级、治疗评估和精准医疗的关键标准（Zhang等人，2022年）。脑血容量（CBV）成像通过动态 susceptibility contrast perfusion-weighted imaging（DSC-PWI）实现，可以无创地评估肿瘤的微血管环境。然而，DSC-MRI的临床应用受到含钆造影剂（GBCAs）的严重限制。除了众所周知的安全风险（包括肾源性系统性纤维化（NSF）和长期脑部沉积（Woolen等人，2020年）外，造影剂注射的要求也带来了显著的可行性障碍。这大大增加了扫描成本，由于注射准备时间延长，而且对于肾功能受损或严重过敏的患者，灌注成像是严格禁忌的。这些限制限制了其在脆弱人群中的应用，因此迫切需要安全高效的、无造影剂的CBV成像方法。

基于深度学习的医学图像合成技术应运而生，它利用非造影序列（如T1、T2、ADC）生成生理相关的CBV图谱。早期的研究集中在优化输入模态上；例如，Wu等人（2025年）证明将动脉自旋标记（ASL）与标准MRI结合可以有效近似灌注参数（Wu等人，2025a）。在此基础上，最近的结构创新试图提高合成质量。新兴模型如Mamba-GANs（Jin等人，2025a）引入了状态空间模型来捕捉长距离依赖性，而分层粒度网络（X. Yu等人，2025年）提高了特征区分能力。然而，尽管有这些进展，这些方法仍存在一个核心的结构局限：它们主要作为“单一”的生成模型运行，试图在一个复杂的网络中学习从低频整体解剖到高频局部细节的整个医学图像谱。这导致了特征之间的纠缠，模型常常为了保持整体稳定性而牺牲局部诊断细节，结果表现为肿瘤核心的过度平滑或伪影的产生，从而影响临床应用（Hu等人，2020年）。

为了解决这些局限，本研究的主要目标是开发HierSynth，这是一个新的分层框架，它明确地将全局解剖生成与局部病理精细化过程分开。具体来说，本研究追求三个关键目标：（1）使用基于StyleGAN的全局合成模块（GSM）构建一个结构连贯的解剖基础；（2）使用专门的局部合成模块（LSM）在残差域中重建高频诊断细节，如清晰的病变边界；（3）通过新的灌注感知约束（PaC）确保合成灌注模式的生理一致性。通过实现这些目标，本研究有助于解决单一生成模型中固有的“忠实度-细节”权衡问题，从而建立一个稳健的无造影剂神经成像框架，保证诊断的可靠性。

这种分离使得每个模块都能专注于自己的任务，实现了全局忠实度与局部精度之间的最佳平衡。

本研究的贡献有三个方面：

• 我们提出了HierSynth，这是一个分层框架，它将图像生成分为全局结构合成和局部细节精细化两个阶段，解决了单一模型中的权衡问题。
• 我们设计了一个LSM，在残差域中合成高频细节，提高了病变边界的清晰度和内部纹理的忠实度。
• 我们提出了PaC，这是一种对比监督机制，它促进了合成灌注模式的结构和临床一致性，提高了诊断的可靠性。

相关研究

相关工作

我们的工作涵盖了医学图像合成、分层生成建模和对比表示学习。下面，我们回顾了这些领域的关键文献，强调了我们的HierSynth框架通过其显式的生成器侧分解和针对灌注的对比监督机制所解决的空白。

数据集和预处理

这项回顾性多中心研究使用了2009年1月至2023年12月期间收集的内部数据集，重点关注病理学上确诊的原发性颅内肿瘤。纳入标准包括完整的成像数据；排除标准包括严重的 susceptibility 异常或缺失的序列。研究方案已获得福建医科大学伦理委员会的审查和批准（编号[2023]493）。我们严格遵循赫尔辛基宣言和当地关于使用

实验和结果

为了严格验证所提出的框架及其假设，我们的实验设计分为四个部分。首先，我们评估了全局和局部合成质量（第4.4节），以测试分层分解是否解决了解剖稳定性与高频细节之间的权衡问题。其次，我们通过神经放射科医生的评分和下游的胶质瘤分级任务来评估临床影响（第4.5节），以验证残差域

方法学意义

我们的结果实证验证了显式的全局-局部分解优于单一模型的多尺度医学图像合成。正如消融研究所示，单一模型存在明显的“能力权衡”：它们难以同时优化低频解剖结构的连贯性和高频纹理细节，导致U-Net和Pix2Pix中观察到的过度平滑现象。

结论

在本文中，我们提出了HierSynth，作为一个通用的医学图像合成分层范式，尽管在这里特别针对高保真CBV成像进行了验证。我们明确区分了我们的贡献范围：双阶段架构分解（GSM和LSM）是一种不受领域限制的解决方案，用于解决解剖连贯性和局部细节之间的普遍权衡问题，而灌注感知约束（PaC）则是针对特定任务的调整

CRediT作者贡献声明

陈一华：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源管理、项目管理、方法学研究、数据分析、概念化。丁王斌：撰写 – 审稿与编辑、验证、监督、软件、资源管理、项目管理、数据分析、概念化。林国奇：撰写 – 审稿与编辑、可视化、验证、监督、软件、资源管理、

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本工作部分得到了福建医科大学科研启动基金（资助编号：XRCZX203013）和福建省健康科技项目（编号：2025CXA015）的支持。作者感谢福建医科大学第一附属医院放射科和医学影像学院的技术和临床支持。同时，我们也感谢卡罗林斯卡大学医院在研究合作方面的支持