通过位置引导扩散模型合成伪健康图像以定位局灶性皮层发育不良病灶

为何发现微小脑部瘢痕至关重要

对于许多癫痫患者来说，即便使用强力药物，发作仍会持续。一个常被忽视的元凶是称为局灶性皮层发育不良的小片畸形脑组织。这类病灶若能被发现，常可以通过手术治愈。但在常规脑部扫描上，这些病灶可能极其微小，以致连经验丰富的放射科医师也会漏诊。本研究提出了一种新的人工智能（AI）技术，它“想象”出若病人的脑部扫描完全健康会是什么样子，然后用真实图像与之对比，借此揭示难以察觉的病灶，可能为更多患者打开手术治疗的大门。

在重大问题中的微小病灶

癫痫影响全球超过7000万人，大约三分之一患者在尝试多种药物后仍会持续发作。对儿童而言，局灶性皮层发育不良是主要原因之一——局部一小片脑组织发育异常。在 MRI 扫描上，这些区域可能表现为皮层轻度变厚或灰白质边界模糊——这些变化极容易被忽视。由于逐层标注这些微妙异常既费时又在不同医院间不一致，几乎没有大规模、注释完备的数据集可用于训练传统的监督式 AI 工具。因此，作者们采用了弱监督异常检测方法，该方法学习正常组织的模式并标记任何看起来不寻常的区域，而不需要对每个病灶进行详尽的手工描绘。

一种会问“健康脑会是什么样子？”的 AI

该方法的核心思想是生成患者脑部扫描的“伪健康”版本，然后衡量其与真实图像的差异。为此，团队基于扩散模型构建——这是一类强大的图像生成器，先向图像逐步加入噪声，再学习如何逆转该过程。在这项工作中，模型被训练将一种 MRI 序列（强调解剖结构的 T1 加权图像）转换为另一种序列（对某些病灶特征特别敏感的 FLAIR 图像）。在逆向生成过程中，模型被温和引导去将可疑区域变换为更像健康组织的样子，同时基本保持正常区域不变。原始 FLAIR 扫描与生成的“净化”FLAIR 之间的差异构成了一张异常图，用于突出可能的病灶位置。

结合两种扫描类型与粗略位置提示

不同的 MRI 序列以不同方式显示局灶性皮层发育不良。T1 图像更能揭示皮层的形态变化，而 FLAIR 则倾向于使富含水分的异常组织以更亮的信号和模糊边界突显出来。作者利用这种互补性，在生成 FLAIR 图像时将 T1 图像作为引导，鼓励模型在保持一种模态的结构信息同时使用另一种模态的信号变化。他们还加入了第二种引导来源：一个训练好的分类器，用以识别异常所在的大致脑区（例如额叶或颞叶），或判断扫描是否正常。这种区域性信息引导扩散过程将“修复”重点放在病灶最可能出现的区域，从而在不大幅改变全脑图像的前提下，提高弱小癫痫灶显现的几率。

修正亮度偏移并在真实患者上测试

生成模型可能会微妙地改变图像的亮度或对比度，这有可能混淆医生或掩盖真实异常。为应对这一点，研究者使用了直方图匹配——一种标准的图像处理技术，使生成的 FLAIR 图像具有与原始扫描相同的总体强度分布。这样既保留了图像的熟悉外观，又在局部保留模型引入的病灶相关差异。该方法在波恩大学医院的公开数据集上进行了测试，包含85例局灶性皮层发育不良 II 型患者的 MRI 扫描及85名健康对照。在细致的预处理和训练后，新方法优于四种竞争的异常检测方法，在图像层面上具有较高的召回率（能在大多数受累扫描中找到病灶），并在像素级与专家标注的病灶图更好地对齐。

这对癫痫患者意味着什么

研究表明，AI 不仅可用于对脑部扫描进行分类，还能生成逼真的“如果健康会怎样？”图像，从而让隐匿的病灶更加显著。该方法无需耗时的逐体素标注，结合多模态 MRI、粗略位置线索以及谨慎的强度校正，比若干现有工具更可靠地检测到微妙的癫痫瘢痕。尽管并不完美——不同扫描类型间的差异仍可能引入误报，且一些病灶可能仍与正常组织过于相似——这一方法使该领域更接近于为放射科医师提供可依赖的自动化支持。从长远看，此类技术或能更早、更稳定地识别手术靶点，改善对药物难治性癫痫患者的治疗效果。

引用: Li, Y., Pan, Y., Zhang, X. et al. Pseudo-healthy image synthesis via location-guided diffusion models for focal cortical dysplasia lesion localization. Sci Rep 16, 8101 (2026). https://doi.org/10.1038/s41598-026-38981-y

关键词: 癫痫, 脑部 MRI, 局灶性皮层发育不良, 医学影像人工智能, 异常检测