《NeuroImage》：The evolution of T1-weighted lesion inpainting tools in patients with brain injury: A scoping review
编辑推荐：
本文是2026年发表的一篇系统性综述，全面回顾了用于T1加权磁共振成像（MRI）的病灶修复工具的发展。文章首先阐述了病灶修复的定义、在MRI预处理中的重要性及其对后续分析（如配准、分割、脑区分割）准确性的提升作用。随后，作者将检索到的24篇文献系统分类为“传统方法”（包括局部/全局扩散、基于搜索/先验的块匹配、低秩稀疏分解）和“深度学习方法”（卷积神经网络、生成对抗网络、去噪扩散模型）两大类，并详细讨论了每种方法的技术原理、优缺点及其在多种获得性脑损伤（ABI）中的应用。最后，为促进病灶修复在临床神经科学研究中的更广泛采用，文章为工具的选用和未来发展提供了切实建议。
获得性脑损伤（ABI）如创伤、疾病、感染或缺氧所导致的局灶性脑病灶，在T1加权磁共振成像上表现为异常信号强度区域。这些病灶会干扰那些基于健康大脑开发的自动化神经影像处理算法，导致诸如将损伤的白质错误分类为灰质、或病灶周围健康区域标记错误等问题，从而影响结构描绘和测量准确性。病灶修复（或称图像修复）技术应运而生，其核心目标是用近似健康组织的信号强度替换病灶体素，生成一幅“无病灶”的图像，以作为下游图像处理算法的输入，从而减少病灶诱导的误差。这项技术不仅关乎图像视觉真实感，更关键的是为了支持更精准的临床神经科学分析。
病灶修复方法的演进
从2008年首度应用于神经影像的镜像标准化法开始，病灶修复工具经历了从传统方法到深度学习框架的显著演变。本文通过对截至2025年11月的文献进行系统性检索与筛选，共纳入了24项研究，并根据其核心技术原理进行了清晰分类。
传统方法
传统修复方法在单个体素层面操作，利用低层次图像特征（如强度梯度、边缘信息、纹理模式）来指导修复过程。这些方法可进一步细分。
- •
扩散修复：该方法从一个定义的“邻域”区域采样健康信号强度来替换目标病灶区域。其又可分为：
- •
局部扩散：从紧邻病灶的体素中选择邻域，优先考虑信号强度的平滑传播。例如，局部白质修复确保了填充仅使用正常的白质，改善了与非修复或成本函数掩蔽相比的配准精度。
- •
全局扩散：从图像的更大范围（或整个白质掩模）选择邻域。例如，全局白质修复使用全脑平均白质信号强度来填充所有病灶。虽然计算更快，但对白质区域强度变化的敏感性较低，可能降低修复精度。
- •
优缺点：扩散方法适用于被正常白质包围的小型白质病灶。但其假设病灶应仅用白质填充，限制了其在涉及多种组织类型或大型病灶情况下的性能，且可能导致修复区域模糊或过度平滑。
- •
基于块匹配的修复：该方法基于图像包含许多相似特征的假设，在图像剩余部分（或模板图像）中搜索与目标区域最相似的“块”用于填充。
- •
先验块匹配：依赖于大脑半球间的相对对称性，从患者自身的健康对侧半球或健康模板的对应位置预定义区域选取填充块。例如镜像标准化和虚拟脑移植。
- •
搜索块匹配：在图像内（目标区域外）通过搜索算法寻找与目标区域邻域最相似的块。例如非局部均值方法。
- •
优缺点：能更好地捕捉纹理和区域变异，且不限于仅用白质填充，对较大病灶和灰质病灶也有效。但计算时间较长，且当病灶过大或分布过广时，可能难以在图像内找到合适的匹配块。
- •
低秩稀疏分解：该方法无需预先分割病灶掩模。它将图像分解为低秩成分（“正常表现”区域）和稀疏成分（异常或病灶），然后使用低秩成分来填充由稀疏成分识别的病灶区域。
- •
优缺点：其优势在于无需病灶掩模且不预设病灶性质，擅长改善含病灶图像的配准精度。但计算成本高，且在大型病灶中仍可能引入模糊等伪影。
深度学习方法
深度学习方法在潜在特征空间中操作，通过神经网络学习健康和病灶组织的高层次语义特征表示，并据此推断病灶区域的内容。
- •
卷积神经网络：包含编码器（提取和学习图像特征）和解码器（利用学习信息填充目标区域）。例如，SynthSR工具在统一图像对比度和分辨率的过程中，隐式地完成了病灶修复。但CNN可能产生模糊或解剖结构不合理的重建，且其性能严重依赖于训练数据的规模和多样性，在未见过的异构数据集上泛化能力可能受限。
- •
生成对抗网络：由生成器（执行修复）和判别器（评估生成图像的真实性）组成，通过对抗训练生成更逼真的图像。例如，对称深度神经修复框架整合了对称约束以指导异常区域的修复。尽管GAN能生成视觉上逼真的结果，但其训练不稳定、计算成本高，且同样存在泛化挑战。
- •
去噪扩散模型：这是最新兴且快速发展的方法。DDM包含前向扩散（逐步用高斯噪声破坏图像）和反向去噪（学习逆转破坏以重建原始图像）两个过程。例如FastSurfer病灶修复工具，它利用跨视图的扩展空间上下文，严格约束在掩模区域内重建健康外观的结构。DDM的迭代特性支持对复杂边界的平滑过渡重建，通常能产生更解剖学合理、细节更丰富的输出。然而，这是以显著增加的计算需求为代价的。
临床应用的考虑与建议
修复工具的有效性因病变特征、下游分析任务和所用分析流程的稳健性而异。在病变可能导致关键下游步骤失败或产生重大偏差的情况下，修复可被视为不可或缺的，例如大面积、复杂、跨组织病变。对于小型局灶性病变，现代分析流程可能足够稳健，修复的额外益处不一定能抵消其计算负担。此外，区域形态测量、基于表面的脑区分割和连接分析比全脑粗测量更容易受到病变引起的误差影响，因此更可能从修复中受益。
为了推动修复工具在临床神经科学研究中的更广泛采用，未来的开发应注重：提高方法的可及性和易用性；致力于开发能够处理各种病变类型、大小和位置的通用化工具；建立标准化、透明的基准测试和报告规范；以及将修复步骤更无缝地集成到现有的神经影像处理流程中。
