用于精确海马体体积测量的脑部MRI运动伪影超分辨校正的深度学习方法

更清晰的大脑扫描为何重要

随着人口老龄化，越来越多的人出现记忆问题和痴呆。医生常依赖脑部MRI扫描来发现位于深处的、对形成新记忆至关重要的小结构——海马体的早期变化。但MRI扫描需要时间，哪怕是一次喷嚏或短暂触碰面部也可能使图像模糊，从而让海马体看起来比实际更小或更大。本研究探讨了一种先进的人工智能方法能否“清理”这些运动模糊的脑部扫描，帮助医生在不需重复冗长且不舒适的检查的情况下更准确地测量海马体。

模糊图像与记忆衰退

在阿尔茨海默病等疾病中，海马体会在症状明显出现前数年逐渐萎缩。随时间追踪其体积可帮助医生更早诊断并监测疾病进展。不幸的是，MRI对运动非常敏感：在数分钟的扫描过程中短暂移动即可产生条纹和重影，类似于抖动的长曝光照片。这些伪影可能使计算程序高估或低估海马体积，进而将个体推过诊断阈值。因此，减少与运动相关的畸变是获得可信定量脑部测量的关键。

教计算机锐化扫描图像

研究者将注意力放在一种称为增强型深度超分辨网络（EDSR）的深度学习方法上。超分辨算法旨在从较低质量的图像重建出更清晰、更具细节的版本。在此研究中，团队用成千上万例高质量的老年人大脑扫描对EDSR进行了训练，让它学习细微大脑结构应有的样子。随后，他们为运动模糊图像设计了一个两步流程：首先，对模糊图像进行温和的下采样，以削弱运动引入的高频畸变；其次，EDSR从这一平滑后的版本重建出高分辨率图像，目标是在抑制伪影的同时恢复真实的解剖结构。

将方法付诸测试

为评估该方法的效果，研究者对24名健康年轻成人进行了三次扫描：一次完全静止，另两次在扫描过程中有意以现实的方式移动——如打喷嚏或短暂触碰面部。无运动的图像作为参考。随后将受运动影响的图像用EDSR处理，生成运动校正后的版本。通过自动化工具对三组图像提取海马体积，并比较运动图像和校正后图像相对于真实参考体积的偏差。研究组还计算了常见的图像质量评分，以衡量每次扫描在像素值和整体结构上与原始图像的相似程度。

哪些有所改善，哪些保持不变

基于AI的方法在影像外观上确有改善：无论是类似喷嚏的动作还是触碰面部的移动，校正后的扫描在与无运动参考比较时均表现出更高的相似性评分和更低的误差。换言之，EDSR生成的图像更接近若被试未移动时扫描仪会得到的结果。就海马体体积数值而言，情况更为复杂。多数情况下，总体误差并未发生显著变化，但在喷嚏类强烈运动的子组中，左侧海马体的测量在校正后变得显著更准确。在低运动情况下，EDSR通常仅产生很小的影响，且在一个子组中它甚至略微增加了右侧的误差，这表明在几乎干净的扫描上不加区分地使用该方法可能适得其反。

展望更好的脑部护理

总体而言，该研究表明深度学习可以让运动模糊的MRI扫描在外观上更接近无运动图像，并在某些高运动情形中使海马体测量更接近真实值。尽管这尚非完全解决之道——部分运动误差仍然存在，而且受试者为健康的年轻人——这项工作指向了一个前景：智能重建工具可在后台悄然修复不完美的扫描。若能在老年患者和现实世界移动情形中进一步优化与验证，此类技术可减少重复扫描的需要、缩短检查时间，并使基于海马体大小的早期痴呆评估对临床医生和患者更可靠。

引用: Yoshida, N., Kageyama, H., Akai, H. et al. Deep learning approach to super-resolution correction of brain MRI motion artifacts for accurate hippocampal volumetry. Sci Rep 16, 14493 (2026). https://doi.org/10.1038/s41598-026-44834-5

关键词: 脑部MRI, 运动伪影, 深度学习, 海马体体积, 痴呆影像学