腦區分割是醫學圖像處理的主要任務，對神經科學研究和臨床診斷都有著深遠的影響。精確的腦區分割對于分析不同的腦區至關重要，因為它們的體積、表面積和形態與各種神經系統疾病有關，比如帕金森病和阿爾茨海默病等。PET/MR成像系統則是一種有效的腦部疾病診斷工具，它結合了PET代謝成像和MR結構成像的優點，可以在疾病早期觀察到特定大腦區域的代謝異常和結構變化，從而將功能和代謝雙模態信息相結合用于腦疾病診斷。
然而，人工分割腦區圖像費時費力，且分割結果容易受到個體差異和操作人員主觀因素的影響。因此，急需引入自動分割技術來解決分割中高成本和長耗時的問題，促進基于醫學影像的腦科學研究。
2025年3月，醫學成像科學與技術系統全國重點實驗室、中國科學院深圳先進技術研究院醫學人工智能研究中心胡戰利研究員團隊，開發了一種基于交叉融合機制的PET/MR雙模態全腦區自動分割技術，該方法在分割過程中高效整合PET與MR的功能和結構信息，實現了更精確、更全面的腦區分割。研究成果以“Automatic Brain Segmentation for PET/MR Dual-modal Images through a Cross-Fusion Mechanism”為題，發表在醫學成像領域TOP期刊IEEE Journal of Biomedical and Health Informatics上，論文同時被選為期刊2025年3月的“封面文章”。提出方法創新性地引入交叉融合機制，充分利用PET和MR的互補特性來實現腦區自動分割，為醫學影像分析和神經系統疾病的診斷提供了全新思路。
隨著人工智能技術的迅速發展，深度學習以其強大的特征表達能力活躍在計算機視覺的各個領域，也大量地被應用于醫學圖像領域。深度學習方法通過對大量數據進行學習，訓練深層學習網絡，可以實現端到端的輸出，具有廣泛的應用前景。然而，現有基于深度學習的方法在PET/MR腦區分割任務中仍存在一定局限性。單模態方法僅依賴單一信息源，難以提供完整的腦部結構信息，而現有的雙模態方法大多只是將PET與MR數據簡單拼接，缺乏深度融合，未能充分利用兩種模態的優勢。因此，如何有效結合PET和MR信息，提高腦區自動分割的精度和魯棒性成為了研究人員關注的重點。
研究團隊提出了一種基于交叉融合機制的全腦區自動分割方法，通過融合功能和結構信息以提高腦區分割的準確性。該網絡同時處理PET和MR圖像，在編碼部分，首先采用UX-Net進行特征提取，然后利用基于交叉注意力機制的融合模塊進行結構和功能特征融合，以增強分割網絡對多模態信息的適應性，提高分割效果。
實驗從視覺、定量、臨床、額外數據驗證以及消融實驗五個方面展示分割結果，以驗證模型的有效性。實驗結果表明，所提出方法實現了精確的全腦區分割，有利于腦部疾病的臨床診斷和分析。該方法對其它多模態融合分割任務表現出良好的通用性和適用性，未來也可將該方法應用于分割其它多模態或組織和器官的任務中。
中國科學院深圳先進技術研究院胡戰利研究員、河南省人民醫院王梅云副院長為論文共同通訊作者，中國科學院深圳先進技術研究院碩士生唐紅艷、副研究員黃振興和博士生李文博為論文共同第一作者。該研究得到了國家自然科學基金（數學天元重點專項）、國家重點研發計劃（重大科學儀器設備研發重點專項）、廣東省自然科學基金（卓越青年團隊項目）和深圳醫學科學院（原創探索項目）等項目的資助。
圖1：論文被選為IEEE JBHI期刊2025年3月封面文章
圖2：提出方法的總體技術路線圖
圖3：提出方法與現有分割方法效果對比
圖4：不同方法分割結果的SUV相關性評估
附件下載：