技术摘要：无需洁净参考数据的胎儿大脑 MRI 解剖结构保持增强技术

问题陈述

胎儿脑部磁共振成像（MRI）是产前诊断的关键工具，提供了优于超声波的组织对比度。然而，胎儿 MRI 的采集过程本质上受到不可避免的胎儿运动和孕妇呼吸的影响，这使得必须使用超快速单次激发序列及随后的切片到体积重建（SVR）。这些过程引入了显著的损坏，包括高水平的噪声、几何畸变和拓扑不一致性，从而降低了诊断可靠性并阻碍了后续的自动化分析。

开发用于该模态的深度学习增强方法面临两个主要挑战：

1. 缺乏地面真值（Ground Truth）： 与成人 MRI 不同，胎儿扫描不存在洁净、无噪声的参考图像，使得监督训练无法实现。
2. 现有自监督方法的局限性： 当前的自监督方法（如 Self2Self、Zero-shot Noise2Noise）通常假设像素级独立的噪声（如高斯或 Rician 噪声）。然而，胎儿 MRI 的退化涉及由运动和 SVR 误差引起的空间粗糙、非传统的伪影，这使得这些方法在处理此类数据时存在根本性的不匹配。
3. 现有解决方案的局限性： 唯一现有的专门针对全生命周期 MRI 增强设计的模型 BME-X，依赖于三类组织分类网络。这种方法往往导致严重的过度平滑，使深灰质（dGM）与白质（WM）之间的对比度塌陷，并抹除关键的解剖特征（如皮层折叠模式和病理特征）。此外，BME-X 在病理病例上的评估不足，且缺乏跨领域泛化能力。

方法论：FetMRIE

作者提出了 FetMRIE，这是首个专为胎儿脑部 MRI 设计的全无监督图像增强框架，可在没有洁净参考数据的情况下运行。该框架利用一种自适应状态匹配去噪扩散方法，通过两个阶段的结构来平衡噪声抑制与解剖保真度。

第一阶段：基于 VAE 的初步去噪

第一阶段采用变分自编码器（VAE）将噪声输入体积压缩为正则化的潜在表示。

• 机制： 编码器将噪声图像 $x$ 映射到潜在分布 $\mathcal{N}(\mu, \sigma^2)$，解码器重建初始去噪估计值 $s_0$。
• 目标： 训练目标结合了重建保真度（$\ell_1$ 损失）、感知一致性（通过预训练的 3D SqueezeNet）和潜在正则化（KL 散度）。
• 功能： 受 KL 正则化的潜在瓶颈迫使网络学习大脑解剖结构的紧凑流形，从而在重建过程中有效地过滤掉主要的随机噪声。然而，这种压缩不可避免地会导致精细解剖细节的过度平滑。

第二阶段：基于扩散的结构恢复

为了恢复第一阶段丢失的细粒度结构，采用了去噪扩散概率模型（DDPM）。

• 在早期时间步上的无条件训练： 与模拟从洁净数据到高斯噪声完整轨迹的标准 DDPM 不同，FetMRIE 利用了 VAE 输出（$s_0$）已经部分去噪的事实。扩散模型仅在早期时间步（最高至 $T_{max} \approx 300$）上进行训练，这些时间步对应于残余噪声水平（$\epsilon_{res} = x - s_0$）。这减少了计算负担，并将模型重点放在中等噪声水平上。
• 自适应状态匹配推理： 一个核心创新是自适应状态匹配机制。系统不是对所有输入使用固定的去噪方案，而是动态估计每个测试样本的残余噪声水平，以确定反向扩散过程的最佳起始时间步（$t^*$）。这实现了针对特定病例的恢复，能够适应不同受试者、协议和中心之间异质的退化情况。

实现细节

该框架通过将全 3D 体积划分为重叠的 $64^3$ 块来处理体积，这些块由 VAE 和自适应扩散模型顺序处理，然后通过平均聚合以确保平滑过渡。

核心贡献

1. 首个无监督框架： FetMRIE 是第一个专为胎儿脑部 MRI 设计的无监督增强框架，成功打破了噪声去除与结构保真度之间的权衡，且无需洁净的训练数据。
2. 两阶段架构： 结合了基于 VAE 的初步去噪和基于自适应状态匹配扩散的结构恢复，有效解决了现有方法要么无法去除空间相关噪声，要么会导致解剖细节过度平滑的问题。
3. 全面的验证： 该方法在涵盖多种扫描仪（1.5-T 和 3.0-T）、序列（ss-FSE, TSE-SSH, HASTE, B-TFE）以及正常与病理病例（脑室扩大和生发层内脑出血）的 2,481 名胎儿 的 八个多中心数据集 上进行了验证。
4. 下游应用价值： 研究表明，FetMRIE 提高了三个临床关键下游任务的准确性和可靠性：胎龄预测、异常检测和生物测量。

结果

定量性能

FetMRIE 在四个无参考定量指标上达到了最先进（SOTA）的性能：

• 无监督 PSNR (u-PSNR) 和 MSE (u-MSE)： FetMRIE 在八个数据集中的七个上实现了最高的 u-PSNR，并在六个数据集上实现了最低的 u-MSE，展示了强大的跨领域泛化能力。
• 组织对比度 T 分数 (TCT)： FetMRIE 在所有数据集上均获得了最高的平均 TCT。相比之下，BME-X 虽然具有较高的 WM 对 cGM 的对比度，但由于过度平滑导致 WM 对 dGM 的对比度塌陷；而 BM4D 则表现出相反的偏差。
• 跨组织噪声一致性 (CNC)： FetMRIE 在所有数据集上均实现了最低的 CNC 值（表明空间均匀的噪声抑制），相对于次优方法（BM4D）的降幅高达 93.0%。

读者评估

一项涉及四名放射科医生（两名初级，两名高级）的研究显示，其具有很强的评分者间一致性（Pearson 相关系数：0.720–0.871），且一致认为 FetMRIE 在噪声抑制、解剖保真度和整体图像质量方面表现最佳。

• 评分： FetMRIE 的平均得分分别为 3.72 (WCT-Normal-Test)、3.71 (WCB) 和 3.81 (LFC)。
• 对比： 竞争方法如 BME-X 由于严重的过度平滑和结构改变，得分接近最低值（~1.0）。

下游任务性能

• 胎龄 (GA) 预测： FetMRIE 在 WCT-Normal-Test 数据集上实现了最低的绝对年龄差异 (AAD) 为 0.720 周，优于所有竞争对手和基准模型。
• 异常检测： FetMRIE 在检测脑室扩大 (0.757) 和生发层内脑出血 (0.843) 方面均获得了最高的 AUROC。易于过度平滑的竞争方法（如 BME-X）表现下降，表明其丢失了病理特征。
• 生物测量： 在 LFC 数据集上，FetMRIE 在横向小脑直径 (TCD)、小脑蚓部前后径 (VAD) 和小脑蚓部高度 (VH) 的测量中实现了最低的平均绝对误差 (MAE)（分别为 0.982 mm），优于基准模型及所有其他方法。

消融实验

消融研究证实了两个组件的必要性：

• 移除扩散阶段（无第二阶段）： 导致性能严重下降，特别是在病理数据集上（例如，WCT-GMH 的 uMSE 从 0.950 增加到 19.68），导致病灶边界模糊。
• 移除自适应状态匹配机制（无状态匹配）： 导致指标下降以及精细解剖细节（如皮层折叠）的丢失。

意义与主张

论文主张 FetMRIE 为胎儿脑部 MRI 图像质量这一关键瓶颈提供了一个鲁棒的无监督解决方案。其意义在于：

1. 临床可行性： 通过消除对无噪声参考数据的需求，FetMRIE 使高质量增强在无法获得洁净数据的回顾性和前瞻性研究中变得触手可及。
2. 病理保存： 与过度平滑的方法不同，FetMRIE 能够忠实地保留病理特征（如出血、脑室扩大），这对于准确诊断和异常检测至关重要。
3. 赋能自动化分析： 该框架提高了自动化下游任务（GA 预测、分割、生物测量）的可靠性，这些任务目前受限于异质性的图像质量。这促进了大规模定量的胎儿脑部分析和产前诊断。
4. 可扩展性： 无监督范式允许在不同中心、扫描仪和序列间部署，无需针对特定扫描仪进行微调，使其适用于资源有限的地区和多中心存储库。

作者承认了局限性，即模型是在单一机构的数据上训练的，尽管它在外部数据集上展示了强大的泛化能力。未来的工作建议探索多中心训练和领域自适应，以及优化两阶段架构的计算成本。