近日，复旦大学类脑智能科学与技术研究院青年研究员张孝勇课题组联合德国亥姆霍兹慕尼黑研究中心，在《IEEE医学影像汇刊》(IEEE Transactions on Medical Imaging，TMI) 发表了题为 MouseGAN++: Unsupervised Disentanglement and Contrastive Representation for Multiple MRI Modalities Synthesis and Structural Segmentation of Mouse Brain 的研究成果，提出无监督解耦和对比学习表征算法解决小鼠大脑精细脑区分割的难题。作为最重要的模式生物之一，小鼠在神经科学、肿瘤学和药学等领域发挥着不可替代的作用，是实现基础研究到临床应用转化的重要桥梁。由于小鼠和人类大脑在进化上具有保守性，小鼠大脑已被证明是理解人类大脑的重要基石之一。基于磁共振成像（MRI）数据，对小鼠大脑精细结构进行准确分割是理解小鼠大脑脑区功能的重要分析步骤。然而，迄今为止这仍是一项具有挑战性的任务。首先，脑结构的精确分割通常需要高分辨率的多模态MRI数据，但采集多模态数据的时间成本往往过高。再者，从模型设计上如何高效融合多模态MRI信息也面临着方法学上的挑战。其次，目前尚缺乏用于小鼠脑结构自动分割和标注的工具箱。为解决这一问题，张孝勇课题组提出了一种新型深度学习框架，MouseGAN++（图1），完成“合成+分割”的任务。模型利用属性空间和个体空间的对比损失来度量样本间的相似度，同时使对抗学习和对比学习在训练过程中同步交替进行，以更好地解耦出脑结构语义特征，使MRI在模态生成前后能保持结构一致性，进而促成高效的多模态图像融合来实现小鼠大脑结构的精细分割。具体来说，针对多模态MRI自身的性质，我们将所有模态的图像分别解耦到属性空间和内容空间。现有的解耦方法通常使用高斯先验来约束属性隐空间的分布，但若用于多模态数据，可能会面临来自不同模态的属性特征之间解耦不充分的情况。为了克服这一问题，本文提出一种新的归纳偏置，即利用对比学习先验来指导网络学习属性空间的分布。同时，考虑到脑结构的解剖特点（对称的左右脑半球的解剖结构应该具有相似的特征），若使用patch-level的训练方式，就会使网络在内容空间里区分它们，从而导致假阴性结果（错误的负样本对）。因此，本文采用轴位（slice-level）的训练方式以纳入全局语义信息。此外，对比学习通常需要设计额外的pretext-task进行预训练，pretext-task的设计质量以及它与下游任务之间的差距也会影响到模型的最终效果。图1：MouseGAN++模型图。给定任意模态作为网络的输入，（a）模态生成模块：训练基于特征解耦和对比学习表征来合成所有模态。（b）重用内容编码器并将模态生成模块作为辅助网络插补缺失模态。
针对以上问题，MouseGAN++包含一个模态生成模块，在该模块引入两个新颖的对比损失函数，可将多模态图像特征投射到共享内容隐空间（用来编码模态无关的脑结构特征），以及模态相关的属性空间。随后，将内容隐空间中的向量与其他模态的属性特征向量相结合，以插补生成其他模态的图像。内容对比损失可以迫使网络在图像生成过程中避免混淆结构信息。同时，在对抗性训练期间重用属性和内容编码器，以同步优化对抗损失和对比学习损失。共享的内容空间还有助于分割模块中的解码器训练。此外，使用该模型插补模态也可以扩增训练数据集，使网络能够在多模态数据里学习模态无关的结构语义特征，从而增强多模态融合的效果。MouseGAN++在生成和分割任务上都实现了显著的性能提升。本深度学习框架的源代码已开源：https://github.com/yu02019。在未来的工作中，一个有前景的研究方向是将开发的大脑提取工具（BEN）与MouseGAN++集成，形成一个鲁棒的、高通量的、端到端的神经影像处理流程。复旦大学类脑智能科学与技术研究院张孝勇青年研究员为文章的通讯作者，德国亥姆霍兹慕尼黑研究中心彭廷莹研究员为共同通讯作者，复旦大学类脑智能科学与技术研究院冯建峰教授对本文做出重要指导。复旦大学类脑智能科学与技术研究院博士研究生余子奇为第一作者。原文链接：
https://ieeexplore.ieee.org/document/9966838
制版人：十一
Yu, Ziqi, et al. "BEN: a generalizable Brain Extraction Net for multimodal MRI data from rodents, nonhuman primates, and humans." bioRxiv (2022).（elife 接收）
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
