ScaleSurfer：人脑的多尺度解剖分割与分区

人脑磁共振成像（MRI）彻底改变了我们以无创方式探查个体间神经解剖差异的能力。反过来，这些解剖扫描也使我们能够精确定位功能性磁共振成像（fMRI）活动。然而，提取解剖学标签和结构特征（如皮层表面积或厚度）是一项计算需求极高的任务，每个脑体积通常需要数小时的处理时间。鉴于局部图像结构决定精细边界，而准确赋值又依赖于更广泛的解剖学背景，这一本质上是一个多尺度问题。在此，我们提出了ScaleSurfer，这是一种基于多尺度学习的三维卷积视觉Transformer模型。卷积模块用于捕捉局部解剖细节，而Transformer瓶颈层则整合分布式空间背景。该方法能够快速估计全脑形态测量特征，包括体积、皮层厚度、表面积和曲率。重要的是，ScaleSurfer实现这些任务的速度比当前流程快近五个数量级，耗时为150–500毫秒，而非约5小时。我们在多个数据集上验证了ScaleSurfer，结果表明其在异质性MRI数据集合上具有稳定的学习能力；同时，我们通过训练一个可解释的阿尔茨海默病分类器展示了其可行性，该分类器能够识别与健康对照相比主要位于内侧颞叶亚区的萎缩。ScaleSurfer将多尺度表征学习定位为实现更快速且解剖学上忠实的结构MRI处理的一条切实可行路径，而其速度也为扫描过程中近实时的解剖质量控制铺平了道路。

人类脑部磁共振成像（MRI）彻底改变了我们以无创方式探查个体间神经解剖差异的能力。反过来，这些解剖扫描也使我们能够精确定位功能性磁共振成像（fMRI）活动。然而，提取解剖学标签和结构特征（如皮层表面积或厚度）是一项计算需求极高的任务，对每个脑体积数据的处理通常需要数小时量级的时间。鉴于局部图像结构决定精细边界，而准确赋值又依赖更广泛的解剖学上下文，这本质上是一个多尺度问题。在此，我们提出ScaleSurfer，这是一种基于多尺度学习的三维卷积视觉Transformer模型。卷积模块捕捉局部解剖细节，而Transformer瓶颈层整合分布式空间上下文。该方法能够快速估计全脑形态测量特征，包括体积、皮层厚度、表面积和曲率。重要的是，相较于当前流程，ScaleSurfer的处理速度快近5个数量级，仅需150–500毫秒，而非约5小时。

我们在多个数据集上验证了ScaleSurfer，结果表明其在异质性MRI数据集合上表现出稳定的学习能力；同时，我们通过训练一个具有可解释性的阿尔茨海默病分类器展示了其可行性，该分类器能够识别与健康对照相比主要位于内侧颞叶亚区的体积减小。ScaleSurfer将多尺度表征学习定位为实现更快速且在解剖学上忠实的结构MRI处理的实用途径，其处理速度为扫描过程中近实时的解剖质量控制铺平了道路。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.01.735927v1?rss=1

🏷️ 脑MRI 解剖分割 多尺度学习 视觉Transformer 脑形态测量 阿尔茨海默病