《NeuroImage》：PRMix: Primary region mix augmentation and benchmark dataset for precise whole mouse brain anatomical delineation
编辑推荐：
为解决小鼠大脑区域精准描绘难题，提升自动分割模型在密集前景任务中的性能，研究人员开展了“主区域混合”(PRMix)增强方法与“双荧光小鼠脑显微成像”(DMBM)数据集构建的研究。该方法能有效扩充数据集、增强合成数据真实性并减少区域重叠，结合DMBM数据集，在小鼠大脑分割任务上实现了优于现有方法的性能，为脑成像研究设立了新基准。
小鼠大脑因其与人类大脑在结构和功能上的高度相似性，已成为研究神经系统疾病、突触多样性和脑区功能特异性的关键模型。然而，一个核心挑战横亘在研究者面前：如何将分子影像精确地对准到标准脑图谱上？这一过程严重依赖于大脑各区域边界的准确描绘。传统方法，如基于尼氏染色的Allen脑图谱和Paxinos脑图谱，提供了细胞构筑层面的信息，但缺乏分子结构或突触连接的高分辨率细节。手动描绘脑区不仅费时费力，还容易引入操作者间的差异性，限制了研究的可重复性和规模化。尽管自动分割方法提供了高通量、标准化的替代方案，但其性能又高度依赖于高质量、多样化的训练数据集，而整合了分子信息的解剖学精确标注数据尤为稀缺。面对边界模糊、样本量不足等挑战，一项旨在革新小鼠全脑精细解剖描绘的研究应运而生。
该研究发表在神经影像学领域的权威期刊《NeuroImage》上。为了攻克上述难题，研究团队主要采用了以下几项关键技术方法：首先，构建了“双荧光小鼠脑显微成像”(DMBM)基准数据集，该数据集包含来自96只小鼠（48雄，48雌）的102张高分辨率大脑旁矢状面切片的双荧光图像，并由专家手动标注了118个解剖亚区，为模型训练提供了前所未有的分子与结构细节。其次，提出了一种名为“主区域混合”(PRMix)的新型数据增强方法，该方法通过“离线困难样本挖掘”(HSM)、“主区域采样”(PRS)和“重叠感知增强”(OAA)三个核心模块，在扩充数据集的同时，最大限度地保持了大脑的全局解剖拓扑结构并减少了区域间的重叠，从而生成了更真实、更具挑战性的合成数据。最后，利用先进的医学图像分割框架nnUNet对所有方法进行了公平、系统的评估，通过5折交叉验证和严格的统计检验，验证了PRMix方法的优越性。
研究结果
数据集构建与特性：研究团队成功构建了DMBM数据集，其图像中位分辨率高达6383 × 12531像素，包含了118个定义明确的解剖亚区。展示了数据集中的示例图像，包括分别标记兴奋性突触后关键支架蛋白SAP102和PSD95的单通道图像、双通道合成图像及其对应的人工标注。该数据集前景与背景像素比约为0.84，挑战性高但信息丰富。进一步展示了各亚区像素数量的分布以及不同图像中亚区的出现情况，揭示了数据的不平衡性和复杂性。
PRMix方法设计与比较：针对现有数据增强方法（如MixUp, CutMix, CarveMix）在应用于全脑密集分割任务时忽视全局解剖结构、易造成区域重叠的问题，研究团队提出了PRMix方法。清晰地展示了PRMix的三个核心模块。首先，PRS模块将118个亚区依据解剖和功能标准归并为11个“主区域”（如小脑、丘脑、皮层等），并以主区域为基本单元进行混合，既保留了大脑解剖结构，又避免了亚区级混合可能带来的重叠。其次，HSM模块通过计算掩膜重叠度分数，为每个目标图像筛选出结构差异较大的“困难”样本进行混合，增加了模型学习的挑战性。直观对比了“简单”与“困难”样本混合的效果。最后，OAA模块对查询区域（待插入区域）施加随机仿射变换，并通过贪婪搜索优化其大小、方向和位置，以最小化与目标图像中相应区域的交叠，确保合成的解剖合理性。与生成式方法如MouseGAN++相比，PRMix生成的图像在保持全局结构的同时，更好地保留了局部纹理和强度细节，这对于依赖精细强度信息的全脑描绘至关重要。通过示例结果对比，凸显了PRMix在生成图像真实感和多样性上的优势。
实验验证与性能评估：在严格的实验设置下，PRMix展现出了卓越的性能。在完全使用合成数据（20×扩增）训练后，PRMix在独立的测试集上取得了最高的F1分数（74.66）和平均交并比（mIoU，61.78），显著优于基线方法及其他对比方法（包括MouseGAN++, MixUp, CutMix, CarveMix）。统计配对t检验表明，PRMix相对于大多数基线方法的性能提升具有统计学显著性。通过可视化结果对比，定性展示了PRMix在分割欠代表性区域（如UVUgr）和具有挑战性的皮层区域时，其预测结果与真实解剖标注更为吻合。此外，系统的消融研究验证了PRMix各组件（HSM, PRS, OAA）的必要性与协同作用，并确定了最佳实践参数，如使用80%的困难样本、混合3张源图像以及利用双荧光通道信息。
研究结论与意义
本研究成功构建了首个整合双突触标记分子（SAP102和PSD95）高分辨率信息的小鼠全脑精细解剖数据集DMBM，为神经科学研究提供了一个前所未有的基准资源。更为重要的是，针对该领域数据稀缺和现有增强方法不适用于全脑密集分割任务的痛点，创新性地提出了PRMix数据增强方法。该方法通过主区域级别的语义感知混合和重叠优化，在极大扩充数据多样性的同时，严格保留了大脑的全局解剖拓扑和分子共定位模式，从而生成了既真实又具有挑战性的训练样本。
实验结果表明，结合DMBM数据集与PRMix增强，能够训练出性能显著优越的自动脑区分割模型，其分割精度在多项指标上均超越了现有方法，为解决小鼠大脑区域精准、自动化描绘这一长期难题提供了高效方案。由此产生的自动描绘工具将处理时间缩短了超过10倍，有效解决了边界模糊问题，并最大限度地减少了人工标注的不一致性，极大地降低了创建大规模、高精度脑图谱的门槛。
这项工作的意义深远。在方法论上，PRMix为处理其他具有复杂解剖结构的密集分割任务（如其他器官或物种的组织学图像分析）提供了可借鉴的框架。在应用层面，DMBM数据集与高性能分割模型的结合，为深入研究大脑发育、衰老、疾病模型（如神经发育障碍）下的突触组（synaptome）变化，以及连接组学（connectomics）和功能研究奠定了坚实的技术基础。展望未来，该框架有望推广至其他组织染色模态和物种，并与空间转录组学等技术结合，推动我们对大脑架构更全面、更深入的理解。
