维度网讯，德国雷根斯堡大学研究人员开发出一种序贯两阶段分层深度学习框架，仅利用弥散磁共振成像导出的输入参数，即可实现Desikan-Killiany（DK）脑区自动分割。这些输入参数包括迹（T）、分数各向异性（F）、球形度（S）和最大特征值（E1）。该框架在来自人类连接组计划（Human Connectome Project，HCP）数据集的100名健康年轻成人上以50:30:20的比例进行训练、验证和测试，参与者平均年龄29.1岁，其中46名为男性。

第一阶段执行粗分割，将脑部划分为七个广泛解剖区域；第二阶段利用五个专用的三维卷积神经网络，将分割细化为101个详细的DK图谱标签。外部验证在来自神经精神表型联盟（Consortium for Neuropsychiatric Phenomics，CNP）数据集的214名参与者上进行，包括健康对照个体以及精神分裂症、双相情感障碍和注意力缺陷/多动障碍患者，平均年龄33.2岁，114名为男性。主要结局指标包括Dice相似系数（DSC）和95百分位Hausdorff距离，并计算每个分割区域内扩散导出指标的相对标准差（RSD）。

在HCP数据集上，该分层框架实现了平均DSC为82.09%（标准差0.05），经Bonferroni校正后具有统计学意义（P = .00468）。最优的四参数输入组合T + F + S + E1在二维筛选中取得平均DSC 76.52%，优于先前使用的参数配置，校正后具有统计学意义。在CNP数据集上，该模型在所有三个扩散指标上的RSD值均低于解剖MRI配准，显示出分数各向异性（P < .0001）、平均弥散率（P < .0001）和球形度（P < .0001）的方法效应具有统计学显著性。新模型利用最大-中位数体素计数比减少了类别不平衡，该比值从原始101标签问题中的43.6下降到七类别粗阶段的1.2；在大结构以及尾状核等较小区域均观察到改善。

研究人员指出，在CNP数据集上，由于缺乏可靠的体素级扩散空间DK参考标签，较低的RSD值提供了无标签证据，表明该框架在异质性采集条件下产生更均匀的分割，同时与HCP上的监督评估保持互补。他们补充说，所提出方法通过避免在推理时需要进行解剖MRI和个体特异性解剖-扩散配准，向基于dMRI的实用脑部分割迈出了一步。本研究由雷根斯堡大学Yousef Sadegheih领导，于2026年6月3日在线发表在《科学报告》（Scientific Reports）上。研究局限性包括模型主要在年轻健康成人HCP数据集上训练、外部验证数据集在扩散空间中缺乏可靠的体素级DK参考标签、由于无法获取辅助采集数据而无法应用磁敏感致畸变EPI校正，以及输入参数仅限于单壳层b = 1000 s/mm²的扩散张量。本研究得到了埃尔朗根国家高性能计算中心（由联邦和巴伐利亚州政府资助）以及德国研究基金会（German Research Foundation）的支持，作者报告无相关利益冲突。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com