💻 computer science

Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

本文提出了一种用于 AIMS-TBI 2025 挑战赛的深度学习解决方案，该方案利用增强了自适应脑实质归一化的 nnU-Net 框架，在分割中度至重度创伤性脑损伤中的异质性病变方面取得了具有竞争力的性能。

原作者： Inhwa Son, Gaeun Lee, Sohyeon Sim, Kwang-Hyun Uhm

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Inhwa Son, Gaeun Lee, Sohyeon Sim, Kwang-Hyun Uhm

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的大脑就像一座繁忙的城市，而创伤性脑损伤（TBI）就像一场突如其来的、混乱的暴风雨，在身后留下了一片由坑洼、淹水街道和坍塌建筑组成的混乱景象。有些损伤巨大且显眼，而另一些则是隐藏在路面下的微小、零星的裂缝。问题在于？每一场风暴留下的狼藉都各不相同。有的城市可能有一个巨大的陨石坑，而另一座城市则可能有成千上上个细小的裂缝。试图自动绘制这些损伤，就像是试图用一把单一且僵硬的尺子，去测量一座不断改变形状和大小的城市。

这正是 AIMS-TBI 2025 挑战赛 试图解决的难题。研究人员收集了来自 13 个不同国家的 875 名患者的 MRI 扫描图像，创建了一个庞大且混乱的数据集，其中“损伤”（病灶）在不同人身上看起来迥然不同。目标是什么？是构建一个计算机程序，能够自动在脑部扫描图像上勾勒出这些损伤的轮廓。

“一刀切”的错误

长期以来，计算机程序尝试通过观察整个图像（包括头骨和头部以外的空白区域）来对这些脑部扫描进行“归一化”（或标准化）。这就像是通过听电台周围静电中的杂音来调节广播音量，而不是只听音乐本身。因为每个人的头骨厚度和亮度都不同，这种方法会让计算机感到困惑。这就像是在一个墙壁颜色不断变化的房间里试图听清一声低语。

本文作者反对这种旧的方法。他们证明了当你将头骨和背景纳入计算时，会引入过多的“噪声”，从而使 AI 更难发现实际的损伤。

“仅限大脑”过滤器

相反，团队构建了一种聪明的策略，称为自适应归一化（Adaptive Normalization）。想象你是一名正在房间里寻找线索的侦探。你不是在观察整个房子（包括阁楼和地下室），而是戴上了一副特殊的眼镜，这副眼镜只能让你看到线索所在的客厅。

在他们的方法中，计算机首先绘制一个掩模（mask）来隔离出仅有的脑组织（实质），忽略头骨及其他一切。然后，它仅基于该脑组织计算亮度和对比度。这就像是根据仅有音乐的部分来调节收音机的音量，忽略掉静电。通过这样做，即使扫描图像来自不同的医院或使用不同的机器，计算机也能更清晰地分辨出健康脑组织与受损部位之间的差异。

重型搬运工：nnU-Net

为了完成寻找损伤的实际工作，他们使用了一个强大的 AI 框架——nnU-Net，具体是一个带有“残差编码器（Residual Encoder）”的“大型（Large）”版本。你可以把它想象成一个设计精巧、极具韧性的渔网，旨在捕捉各种各样的鱼，从微小的鱼苗（小病灶）到巨大的鲨鱼（大血肿）。这个网络经过训练以识别模式，但它需要那个“仅限大脑”的过滤器才能正常工作。

结果：一份平衡的成绩单

当他们在隐藏的“期末考试”（测试集）上测试该方法时，结果令人印象深刻，尽管并不完美。

总体得分： 他们实现了 0.6305 的总体 Dice 系数。在这个领域的挑战中，这使他们处于所有参赛队伍中 5.5 的平均排名位置，表现非常具有竞争力。
好消息： AI 在识别健康脑组织方面表现得极其出色，非病灶区域的得分达到了 0.9324。这意味着它很少会对非损伤区域做出错误判断。
难点： 识别实际的损伤（病灶）要困难得多，得分仅为 0.4805。作者解释说，这个较低的数字反映了任务本身的艰巨性；由于损伤的大小和形状如此多样，即使是最优秀的 AI 也很难捕捉到每一个。

论文明确指出，虽然其他一些团队在寻找病灶方面的得分略高，但他们往往通过在健康组织上制造更多错误（即产生“虚假警报”）来实现。作者的方法找到了一个平衡点：它非常谨慎，不会将健康的脑组织误判为“受损”，同时在寻找真实损伤方面也做得相当出色。

这意味着什么（以及不意味着什么）

作者认为，他们的“仅限大脑”过滤器是处理混乱的脑损伤扫描图像的一个强大工具。然而，他们也谨慎地表示，这并非万能灵药。他们承认，寻找那些最微小、最弥漫性的损伤仍然是一个挑战。他们并不是说这解决了 TBI 问题；而是展示了这一特定技术如何让计算机的“眼睛”在观察这些复杂的扫描图像时变得更加锐利。

简而言之，通过教会计算机忽略头骨并专注于大脑自身的“光影”，该团队构建了一个稳健、可靠且能够帮助研究人员更好地理解这些损伤的系统。这是一个进步，而非终点，但它是朝着正确方向迈出的非常有力的一步。

技术摘要：中重度创伤性脑损伤中的病灶分割

问题陈述
从中度至重度创伤性脑损伤（msTBI）的 T1 加权 MRI 中进行病灶分割，在临床和计算层面都提出了显著的挑战。与中风或肿瘤等其他病理不同，msTBI 病灶在大小、形状、位置以及组织涉及范围（跨越灰质、白质和脑脊液）方面表现出极高的异质性。这种变异性，结合损伤经常跨越双侧区域及多种组织类型的特性，使得标准的图像配准、归一化和分区变得复杂。现有的自动化工具往往难以泛化到这些多样化的模式中，导致研究人员不得不依赖耗时耗力的手动分割，或者排除具有严重损伤的患者，从而限制了大样本研究的统计效力。AIMS-TBI 2025 挑战赛的设立，旨在通过在多中心、多队列数据上基准测试鲁棒的分割算法来解决这些障碍。

方法论
作者提出了一种基于 nnU-Net 框架的深度学习解决方案，具体使用了 Residual Encoder Large (resencL) 变体。其核心创新在于预处理流水线，引入了受限于脑实质的**自适应归一化（Adaptive Normalization）**策略。

数据来源： 本研究使用了 AIMS-TBI 2025 数据集，包含来自 13 个国际站点（ENIGMA 联盟）的 875 份 T1 加权 MRI 扫描件，覆盖年龄 5-85 岁。数据集涵盖了多样化的损伤病理（挫伤、血肿、脑软化症等），并分为训练集（500）、验证集（100）和测试集（275）。
解剖约束自适应归一化： 传统的归一化是在整个图像体积（包括颅骨和背景）上计算均值和标准差。作者认为这会因非脑结构引入个体间差异。因此，他们的方法如下：
1. 使用 HD-BET 提取脑实质掩模。
2. 仅在掩模内的脑实质区域内计算归一化统计量（ $\mu_{brain}$ 和 $\sigma_{brain}$ ）。
3. 使用这些针对脑部的统计量进行体素强度归一化。
4. 该方法旨在减少个体间差异并减轻非脑结构的伪影，使模型能够专注于病理区域。
训练策略： 模型使用混合损失函数（Dice loss + Cross-Entropy）进行端到端训练。训练过程中采用了广泛的数据增强（随机旋转、缩放、翻转、强度扰动、弹性变形、伽马校正和高斯噪声），以增强泛化能力。
推理： 应用了测试时增强（TTA），通过沿空间轴镜像图像，并对预测结果取平均值以提高鲁棒性。

核心贡献

自适应归一化： 主要贡献在于实现了受限于脑实质的强度归一化策略。这解决了 msTBI 数据中非脑结构可能扭曲全局强度分布的异质性问题。
nnU-Net 配置： 应用了 nnU-Net 的 resencL（残差编码器大型）变体，该变体利用残差块来改善特征表示和梯度流，专门针对 msTBI 复杂的病灶模式进行了优化。
平衡性能： 该方法展示了一种特定的权衡策略：优先保证非病灶组织的准确保留，同时维持具有竞争力的病灶检测能力，从而实现稳健的整体性能指标。

结果
该方法在 AIMS-TBI 2025 挑战赛的留出测试集上进行了评估，使用了四个官方指标：平均位置、病灶 Dice、非病灶 Dice 和总体 Dice。

最终性能： 所提方法（“DA5 + Adaptive Norm.”）实现了 0.6305 的总体 Dice 系数，在排行榜上的平均排名为 5.5。
组成部分拆解：
- 病灶 Dice： 0.4805。作者指出，这一得分反映了检测高度异质性病灶的固有难度。
- 非病灶 Dice： 0.9324。这一高分表明模型在正确识别非病灶体素方面具有很强的特异性。
消融实验： 初步开发结果（表 1）显示，将广泛的数据增强（DA5）与自适应归一化相结合，在开发阶段和最终测试阶段均获得了最高评分，优于仅使用增强策略的方法。
对比： 虽然一些竞争团队实现了更高的病灶 Dice 分数，但它们往往以降低非病灶准确性（即产生更高的假阳性）为代价。作者的方法保持了均衡的性能，避免了过度分割。

意义与主张
论文声称，在 nnU-Net 流水线中加入解剖约束归一化是应对 msTBI 病灶分割复杂性的强大且有效的策略。结果表明，通过专注于脑实质来减少个体间强度差异，可以显著提高模型在异质性、多中心 MRI 数据上的鲁棒性。

作者对病灶检测能力（Dice ~0.48）持谨慎态度，承认检测微小或弥漫性病灶仍然困难。然而，他们强调，其方法成功地平衡了病灶分割与健康组织保真度之间的关系。他们总结道，准确的自动化分割是高级神经影像分析（如连接性、预后预测）的前提，未来的工作应侧重于通过多尺度特征和多模态整合来增强对微小/弥漫性病灶的敏感性，同时不损害非病灶区域的特异性。