编者按

中国科学院深圳先进技术研究院胡战利教授与河南省人民医院王梅云教授团队联合联影一体化PET/MR设备uPMR790，研发出一种融合PET功能代谢与MRI解剖结构信息的新型人工智能3D全脑自动分割技术。研究成果以“Automatic Brain Segmentation for PET/MR Dual-modal Images through a Cross-Fusion Mechanism”为题，发表于医学信息学权威期刊IEEE Journal of Biomedical and Health Informatics。该技术通过深度学习实现多模态特征交叉融合，显著提升脑区分割精度，有望推动脑疾病诊断向智能化、精准化发展。

研究背景

精确的脑区自动分割是神经系统疾病检测与诊断的关键基础。传统人工分割效率低且主观性强，难以满足临床需求。随着一体化PET/MR技术的发展，PET功能代谢成像与MRI结构成像可实现同步采集，为多模态神经影像分析提供新可能。然而，现有分割方法多依赖单一模态数据，未能充分挖掘双模态信息的互补优势。为此，研究团队提出一种基于交叉融合机制的全自动3D脑分割模型，旨在整合PET与MRI多维特征，提升分割准确性。

研究方法

研究团队构建了一种基于U形架构的3D卷积神经网络，包含编码器与解码器两部分。编码器引入两个核心模块：用于独立提取多层级特征的UX-Net模块，以及实现PET与MRI特征深度融合的交叉融合模块。PET和MRI图像并行输入后，经UX-Net提取特征，再通过多通道交叉注意力机制在四个阶段完成跨模态特征融合，最终由解码器生成分割结果（图1）。

图1. 研究方法概述。(a) 双模态脑分割网络，(b) UX-Net模块，(c) 交叉融合模块。

UX-Net结合分层Transformer与深度卷积，增强感受野并保留局部细节；交叉融合模块则有效捕捉PET代谢活性与MRI解剖结构间的复杂关联。研究纳入110例来自联影uPMR790的¹⁸F-FDG PET/MR图像，采用FreeSurfer生成45个脑区标签作为金标准。训练中应用归一化、裁剪与数据增强策略提升模型鲁棒性，并对比多种主流CNN与Transformer模型（如UNet3D、SwinUNETR等），使用Dice系数、Jaccard指数、Hausdorff距离等指标评估性能，确保实验公平性。

研究结果

（1）全脑定量评估

视觉对比显示，所提方法与金标准一致性更高，尤其在边缘细节还原方面表现突出（图2）。

图2. 全脑分割结果对比，涵盖轴状面、冠状面和矢状面。

定量结果显示，该方法平均Dice系数达85.73%，Jaccard指数76.68%，灵敏度85.00%，精确度83.26%，Hausdorff距离4.4885，各项指标均优于对比模型，表明其具备更优的整体分割精度。

表1. 不同方法的定量性能比较。

（2）特定脑区评估

针对壳核、海马、尾状核等关键区域的分析表明，该方法在各视角下均能精准还原细微结构，边缘清晰度显著优于其他模型（图3）。对于体积较小的右下侧脑室，该方法分割轮廓完整、贴合度高，而多数对比方法存在模糊或断裂问题（图4）。

图3. 关键脑区（壳核、海马、尾状核）分割效果对比。

图4. 小型脑区（右下侧脑室）分割结果对比。

（3）一致性与相关性分析

在脑干、左侧海马及杏仁核的SUV分布分析中，该方法结果与金标准高度一致（图5）。SUV相关性分析进一步显示，在右脑白质、右侧脑室和丘脑区域，其拟合线最接近理想参考线（y=x），验证了分割结果在功能代谢量化上的可靠性（图6）。

图5. SUV分布小提琴图对比。

图6. SUV相关性分析，红线为拟合线，蓝线为理想参考线。

研究展望

本研究提出了一种基于交叉融合机制的PET/MR双模态3D全脑分割方法，充分利用PET功能代谢与MRI解剖结构的互补信息，显著提升了分割精度。该技术不仅为阿尔茨海默病、帕金森病等脑部疾病的早期诊断与疗效评估提供了可靠工具，也为多模态医学影像智能分析开辟了新路径。未来有望集成至临床影像系统，服务于个性化诊疗与科研应用。