基于2000+动物MRI数据验证，多校团队打造全自动卒中影像分析流程

缺血性卒中是全球范围内致死、致残的重要原因之一。过去数十年间，数以千计的候选干预手段曾在动物实验中展现出治疗潜力，但真正成功转化为临床有效疗法的成果却十分有限。一个重要原因是，许多临床前研究受限于单中心、小样本，以及实验设计、操作流程和疗效评价标准不统一，研究结果的可靠性和可重复性因此难以得到充分保障。

为提高临床前卒中研究的严谨性与可重复性，美国国立卫生研究院（NIH）资助建立了卒中临床前评估网络（Stroke Preclinical Assessment Network，SPAN）。这一多中心临床前试验网络参照临床试验规范，通过随机分组、盲法评估和标准化操作流程，在多个研究中心开展大规模动物实验，并引入磁共振成像（MRI），对脑组织损伤进行更加客观、可重复的定量评估。

然而，当 MRI 真正应用于大样本、多中心、纵向研究时，新的挑战也随之出现。不同中心的扫描设备、磁场强度和成像条件存在差异，而数千只动物产生的海量影像数据，也使传统依赖人工的分析方式难以兼顾效率、一致性与可重复性。如何让来自不同中心、不同时间点的 MRI 数据能够被统一、快速、可靠地分析，成为 MRI 能否真正服务于大规模临床前研究的关键。

针对这一问题，南加州大学、哈佛医学院、耶鲁大学等的联合研究团队开发了一套部署于 SPAN 的全自动卒中 MRI 分析流程，可自动完成梗死体积、脑萎缩、脑室容积和中线偏移等指标的定量分析，并同时适用于小鼠和大鼠。该流程在超过 2,000 只动物的数据集上完成验证，为大规模临床前卒中研究提供了一套标准化、可扩展的影像分析方案。

相关研究成果以「A robust and reproducible automated MRI pipeline for quantifying tissue outcomes after experimental stroke in multi-center preclinical networks」为题，已发表于 Imaging Neuroscience。

查看论文：
https://direct.mit.edu/imag/article/doi/10.1162/IMAG.a.1328/137726

构建多中心纵向卒中影像数据集

这套分析流程所面对的，并不是来自单一实验室的标准化数据，而是一个具有明显多中心、多设备和纵向特征的大规模影像队列。

该研究依托 SPAN 网络，在约翰・霍普金斯大学、爱荷华大学、耶鲁大学、麻省总医院、得克萨斯大学麦戈文医学院休斯顿分校和奥古斯塔大学 6 个实验中心开展数据采集，并由南加州大学协调中心统一管理动物入组和干预分配。所有中心均采用统一的 60 分钟短暂大脑中动脉闭塞（MCAO）模型，并纳入小鼠和大鼠两种实验动物。

各研究中心磁共振设备与扫描环境参数

最终研究队列包括 1,772 只小鼠和 670 只大鼠。小鼠中，1,452 只完成卒中术后第 2 天 MRI 扫描，1,055 只完成第 30 天的第二次扫描；大鼠中，588 只完成第 2 天扫描，563 只完成第 30 天扫描。这意味着研究不仅获得了超过 2,000 只动物的影像数据，其中部分动物还在卒中急性期和恢复期接受了重复扫描，从而能够观察脑组织损伤随时间发生的变化。

与此同时，这些影像并非在完全相同的条件下采集。6 个中心共使用 6 台磁共振扫描仪，磁场强度覆盖 7T、9.4T 和 11.7T，射频线圈、设备型号和具体成像环境也存在差异。研究通过 T2 和表观扩散系数（ADC）成像获取脑组织信息，并进一步计算 R2 等定量参数图，为后续病灶识别和脑组织变化测量提供基础。

六中心四定量参数图示例

所有原始影像均以 DICOM 格式上传至南加州大学神经影像实验室的影像数据归档系统，并保留扫描中心、磁场强度、扫描时间和序列参数等元数据，使来自不同中心的影像能够进入同一套数据处理体系，也为后续评估分析流程的跨中心稳定性提供了基础。

除大规模 MRI 数据外，研究团队还设置了一个独立的预实验，用于建立传统病理学参照。6 个中心各选取 6 只小鼠，共 36 只，在术后第 2 天完成 MRI 后立即进行 TTC 染色，共获得 746 张组织切片图像，并由人工完成梗死区域标注。根据这些组织切片得到的梗死体积，可以进一步检验 MRI 自动测量结果与传统病理学结果之间的一致程度。

从原始 MRI 到脑损伤指标，建立标准化的自动分析流程

面对这样一个跨中心、跨设备、跨物种的数据集，研究团队建立了一套由多个处理环节组成的自动化分析流程，而不是直接训练一个从 MRI 图像预测最终指标的单一模型。如下图所示，整个流程涵盖影像采集、影像上传归档、影像重建、非线性局部均值降噪、质量评估、参数映射、参数归一化、脑区提取、图谱配准分区、病灶与脑脊液分割、中线偏移估算、报告生成等环节。

影像分析流程整体示意图

原始 DICOM 数据进入系统后，首先被统一转换为 NIfTI 格式，并进行坐标校正和重采样，最终统一到 150 微米的各向同性分辨率，使三个空间方向具有一致的尺度，为后续三维配准和图像分析建立统一基础。随后，系统进行非局部均值降噪、前景提取和图像质量评估，并通过 T2 和扩散加权成像拟合得到 R2、ADC 等定量参数图。

对于多中心 MRI 研究而言，一个不能回避的问题是不同设备产生的信号差异。即使采用相同的成像序列，不同磁场强度、扫描仪和成像条件也可能导致正常脑组织的信号分布出现系统性变化。如果未经处理直接进行分析，这些设备差异就可能混入最终的研究结果。

为降低这种影响，研究团队设计了全局信号归一化方法，以每张图像中正常脑组织信号分布的众数作为基准，对整张图像进行缩放。经过处理后，不同中心之间的信号差异明显降低。以小鼠为例，R2 速率的中心间变异系数由 13.64% 降至 2.00%，ADC 速率由 16.09% 降至 1.99%；大鼠数据也分别由 11.67% 和 10.46% 降至 1.23% 和 1.21%。这一结果表明，归一化能够有效压缩由扫描设备和成像条件带来的系统性差异，为后续统一分析提供更加稳定的数据基础。

在完成影像标准化后，下一步是提取脑组织。对于大鼠，研究采用基于阈值、梯度、图论和形态学处理的传统算法进行脑组织提取。小鼠由于颅骨边界更容易受到部分容积效应影响，传统算法在部分样本上容易产生误差，因此研究团队进一步开发了基于 U-Net 的深度学习模型。

U-Net 是医学图像处理中较为常用的分割模型，其任务是根据图像中的局部和整体特征，对不同组织进行像素或体素级别的区分。该模型基于 PyTorch 构建，采用 5 层编码—解码结构，以二维 MRI 切片作为输入，并分别从横断面、冠状面和矢状面三个方向进行预测，最终对三个方向的结果取平均，以获得更加稳定的脑组织分割结果。

模型采用 Adam 优化器和交叉熵损失函数训练，并通过平移、旋转、缩放、对比度变化和形变等数据增强方式，提高模型面对不同成像条件时的稳定性。研究团队从传统算法能够较好完成脑提取的样本中选取 180 例用于训练，另有 30 例用于验证和测试，并确保数据覆盖 6 个成像中心和两个扫描时间点，因此模型学习到的并非某一个中心或某一台扫描设备的特定影像特征。

完成脑组织提取后，系统进一步将影像配准到标准小鼠脑图谱，使不同动物、不同中心和不同时间点的脑结构进入统一的解剖坐标系。在此基础上，算法利用 R2 速率、ADC 等多种参数共同识别梗死区域。

病灶识别同样不是简单设置一个固定的灰度阈值。系统首先通过 Sigmoid 函数将不同 MRI 参数转换为病灶概率，再对多种参数进行联合判断，并结合种子区域生长、形态学处理以及脑图谱提供的解剖信息，最终确定梗死区域。

在梗死区域之外，系统还可以自动提取脑脊液、左右脑半球等结构，并据此计算脑组织损伤相关指标。术后第 2 天主要评估缺血性水肿，术后第 30 天则用于评估远期组织丢失和脑萎缩；同时，系统根据脑室位置建立解剖中线基准，计算中线偏移，并输出脑室容积、脑组织容积等指标。

小鼠第 2、30 天半球、脑室、梗死分割示意图

由此，从原始影像进入系统开始，到最终得到梗死体积、脑萎缩、脑室容积和中线偏移等指标，整个分析过程均可以按照统一的标准自动完成，从而减少不同研究中心、不同分析人员之间可能产生的操作差异。

从病理学对照到跨中心测试，检验流程的可靠性

建立自动化分析流程只是第一步。对于一套用于多中心临床前研究的影像分析方法而言，更重要的是证明它的结果足够准确，并且能够适应不同研究中心和成像条件。因此，研究团队分别从病理学一致性、模型泛化能力和大规模实际应用三个层面进行了验证。

首先，研究团队利用 36 只小鼠开展 MRI 与 TTC 染色的对照实验。TTC 染色是临床前卒中研究中常用的梗死组织学评价方法，因此可以作为MRI测量结果的独立参照。

研究人员根据 746 张组织切片的人工标注结果计算三维梗死体积，并与 MRI 自动分析得到的梗死体积进行比较。结果显示，MRI 自动测量的梗死体积与 TTC 染色结果具有较高的一致性，表明这套自动化流程能够较为准确地识别和量化卒中梗死区域。

这一结果的重要意义在于，MRI 并非只是提供了一组“看起来合理”的影像结果，而是能够与传统组织学方法得到相互印证。这为后续在大规模动物队列中使用 MRI 作为定量疗效指标提供了依据。

第二项验证针对的是U-Net脑组织分割模型的泛化能力。研究团队比较了不同MRI参数组合对分割结果的影响，并进一步设计了跨中心测试：使用约翰・霍普金斯大学、爱荷华大学和耶鲁大学的数据进行训练，而将奥古斯塔大学、麻省总医院和得克萨斯大学麦戈文医学院休斯顿分校的数据完全作为独立测试集。

这样的设计意味着，测试数据来自模型训练过程中没有接触过的研究中心，可以更真实地反映模型面对新设备、新扫描条件时的表现。

结果如下图所示，经过多中心数据训练后，U-Net 在独立测试中心的数据上仍能保持较好的脑组织分割性能，说明模型并未严重依赖某一中心或某一台扫描设备的特定影像特征，具有一定的跨中心泛化能力。

小鼠 U-Net 脑提取性能

研究团队随后又将模型应用于 SPAN 第一阶段的 1,368 例真实样本，并对整个队列进行人工质量控制。大规模实际运行进一步表明，该模型能够在真实研究环境中持续完成脑组织提取，而不是只能在规模有限、条件理想的测试数据上工作。

第三项验证则针对整套分析流程中的多中心标准化能力。不同扫描设备和磁场强度可能造成 MRI 信号整体偏移，因此研究团队重点考察了归一化处理前后不同中心之间的参数差异。结果非常直观：归一化后，小鼠 R2 速率的中心间变异系数由 13.64% 降至 2.00%，ADC 速率由 16.09% 降至 1.99%；大鼠则分别由 11.67% 和 10.46% 降至 1.23% 和 1.21%。

容积标准化与 R2 速率、ADC 速率归一化效果

这意味着，归一化处理显著压缩了不同扫描设备和成像条件造成的系统性差异，使来自不同中心的 MRI 数据更加接近统一的测量尺度。对于后续使用统一算法进行病灶分割和定量分析，这是非常关键的一步。

在此基础上，研究团队进一步对病灶、脑室、左右脑半球以及水肿、脑萎缩和中线偏移等指标进行质量控制，其中中线偏移测量流程还经过专业解剖学家的全队列人工验证。

最终，这套自动化流程在超过 2,000 只动物构成的大规模 SPAN 数据集中完成验证，并能够处理来自多个研究中心、不同扫描设备和多个时间点的 MRI 数据。因此，这项研究最终验证的并不是某一个单独的 AI 模型，而是一整套能够从原始 MRI 数据出发，经过标准化、分割和定量分析，最终稳定输出卒中影像学指标的完整流程。

写在最后

该研究的意义并不只是将原本需要人工完成的 MRI 分析实现自动化，更重要的是，它尝试解决了大规模临床前影像研究中的一个核心问题：当研究从单中心、小样本走向多中心、大样本时，如何保证同一种影像指标仍然能够被一致地测量。通过统一数据处理、信号归一化、脑组织提取、病灶分割和定量测量，这套流程使 MRI 有望从小规模动物实验中的辅助观察工具，进一步成为多中心临床前试验中稳定获取影像学终点的研究工具，为提高卒中研究的严谨性、可重复性和临床转化价值提供支持。