《Scientific Reports》：Application of improved graph convolutional network for cortical surface parcellation
編輯推薦：
準確的大腦皮層表面分區對揭示大腦奧秘意義重大。為解決現有分區方法的不足，研究人員提出注意力引導的深度圖卷積網絡（ADGCN）。實驗顯示其 Dice 系數達 88.53%，準確率 90.27% ，有助于提升神經系統疾病診斷準確性和療效評估客觀性。
大腦，這個人體最神秘的 “指揮官”，掌管著認知、視覺、感知等諸多重要功能。而大腦皮層表面，就像是藏著無數秘密的 “寶藏地圖”，它的變化能為疾病的早期發現、診斷和治療提供關鍵線索。比如說，在阿爾茨海默病和自閉癥等神經精神疾病的研究中，大腦皮層的形態特征，像腦溝深度、皮層厚度和表面積等，都是極為重要的指標。然而，這張 “寶藏地圖” 并不好解讀，它高度折疊的復雜結構，以及不同個體之間的巨大差異，讓分析大腦皮層表面數據成為了一項極具挑戰的任務。
目前的研究方法，就像在迷霧中摸索。傳統的基于體積的方法，在研究腦組織體積特征時表現不錯，但在處理大腦表面數據時，卻因為忽略了大腦表面的幾何形狀而顯得力不從心；基于表面的方法，大多采用圖譜配準的思路，把大腦皮層表面映射到球形空間進行處理，可這不僅計算負擔重、效率低，還會因為大腦表面和球體之間的度量失真，導致分割結果不理想。深度學習技術的出現，原本給這個領域帶來了新希望，可傳統的卷積神經網絡（CNN）在處理大腦皮層這種非歐幾里得結構的數據時，還是面臨著諸多難題。
在這樣的困境下，陸軍軍醫大學第一附屬醫院的研究人員挺身而出，開展了一項意義非凡的研究。他們提出了一種注意力引導的深度圖卷積網絡（ADGCN），專門用于大腦皮層表面的端到端分區。經過在公共數據集上的嚴格測試，這個模型取得了令人矚目的成績，Dice 系數達到 88.53%，準確率達到 90.27%。這一成果，就像是為大腦皮層表面分區研究點亮了一盞明燈，為神經系統疾病的診斷和治療效果評估提供了更精準、更客觀的依據，有望推動神經科學領域向前邁出一大步。該研究成果發表在《Scientific Reports》上。
為了開展這項研究，研究人員主要運用了以下關鍵技術方法：首先，使用 FreeSurfer 軟件對結構磁共振成像（sMRI）圖像進行預處理，獲取白質（WM）表面和形態特征，并構建腦圖；其次，以圖卷積網絡（GCN）為基礎模型，結合具有對稱 U 形結構的深層圖卷積層和擠壓激勵（SE）模塊，增強模型的特征提取能力和分區性能；最后，采用 5 折交叉驗證對模型進行訓練和測試，并使用 Dice 系數和準確率作為評估指標。研究使用的樣本隊列來自 Mindboggle - 101 數據集，包含 100 名受試者的大腦圖像數據。
研究結果
- SE 模塊和隱藏層層數的影響：通過消融實驗發現，GNN 層的數量對網絡性能影響顯著。增加隱藏層層數，ADGCN 能夠捕獲更多全局特征，提升分割性能。例如，當隱藏層層數為 7 時，相比只有 1 層隱藏層的模型，Dice 系數和準確率都有明顯提高。同時，引入 SE 模塊也能在一定程度上提升性能，當 SE 模塊的縮減比為 4 時效果較好1。
- 定性結果分析：觀察不同 ADGCN 模型變體的定性結果可知，增加隱藏層層數可以減少腦區標簽的混淆和分割異常；SE 模塊起到了特征篩選的作用，有助于提高模型的魯棒性。不過，即使使用了 ADGCN 網絡，腦區邊界不清晰的問題仍然存在23。
- 不同腦區的 Dice 系數：分析不同 ADGCN 模型變體在各個腦區的 Dice 系數發現，ADGCN 在某些腦區的分區性能有明顯提升，如后扣帶回、舌回和外側眶額回等區域。但在一些結構復雜、邊界模糊的腦區，如三角部，ADGCN 的性能相對較差4。
- 與其他方法的性能比較：將 ADGCN 與其他多種方法對比，結果顯示基于球形域的方法總體表現較好，但存在映射復雜、耗時以及對拓撲噪聲敏感等問題，不適合神經系統疾病患者。在原始域中，ASEGAT 目前分區性能最佳，ADGCN 雖然略遜一籌，但它能直接利用圖結構信息，訓練過程穩定，易于收斂56。
研究結論與討論
研究提出的 ADGCN 為大腦皮層表面分區提供了一種有效的新方法。它通過對稱 U 形結構的深層圖卷積層，有效保留和傳播了原始腦圖的特征，SE 模塊則增強了對重要特征的敏感度。不過，該方法也存在一些不足，比如沒有充分利用皮層表面的內在結構信息和腦區的全局信息，對表面重建質量敏感，且僅利用了基于表面的形態特征，缺乏對微觀結構和功能特征的反映。
針對這些問題，研究人員計劃在后續研究中采取一系列改進措施。例如，基于局部結構復雜性計算初始采樣率或使用非剛性配準方法，減少結構信息的損失；開發拓撲保持的迭代優化算法，降低表面重建質量對分區精度的影響；結合基于體素和基于表面的形態特征，提升對皮層形態變化的檢測精度。此外，研究人員還打算在更大、更多樣化的 Autism Brain Imaging Data Exchange（ABIDE）數據集上驗證該方法，探索其在臨床診斷中的潛力。
總的來說，這項研究為大腦皮層表面分區研究開辟了新的道路，雖然目前還存在一些需要完善的地方，但隨著后續研究的深入，有望為神經系統疾病的診斷和治療帶來更多突破，讓我們對大腦這個神秘器官有更深入的認識。
