记者从中国科学院深圳先进技术研究院了解到，近日，该院医学成像科学与技术系统全国重点实验室研究员胡战利团队，开发了一种基于交叉融合机制的PET-MR双模态全脑区自动分割技术，该方法在分割过程中高效整合PET与MR的功能和结构信息，实现了更精确、更全面的脑区分割，为医学影像分析和神经系统疾病的诊断提供了全新思路。相关成果以封面文章的形式发表于《IEEE生物医学与健康信息学》。

脑区分割是医学图像处理的主要任务，对神经科学研究和临床诊断都有着深远的影响。精确的脑区分割对于分析不同的脑区至关重要，因为它们的体积、表面积和形态与各种神经系统疾病有关，比如帕金森病和阿尔茨海默病等。PET-MR成像系统则是一种有效的脑部疾病诊断工具，它结合了PET代谢成像和MR结构成像的优点，可以在疾病早期观察到特定大脑区域的代谢异常和结构变化，从而将功能和代谢双模态信息相结合用于脑疾病诊断。

然而，人工分割脑区图像费时费力，且分割结果容易受到个体差异和操作人员主观因素的影响。因此，需引入自动分割技术来解决分割中高成本和长耗时的问题，促进基于医学影像的脑科学研究。

随着人工智能技术的迅速发展，深度学习以其强大的特征表达能力活跃在计算机视觉的各个领域，也大量地被应用于医学图像领域。然而，现有基于深度学习的方法在PET-MR脑区分割任务中仍存在一定局限性。单模态方法仅依赖单一信息源，难以提供完整的脑部结构信息，而现有的双模态方法大多只是将PET与MR数据简单拼接，缺乏深度融合，未能充分利用两种模态的优势。因此，如何有效结合PET和MR信息，提高脑区自动分割的精度和鲁棒性成为了研究人员关注的重点。

研究团队提出了一种基于交叉融合机制的全脑区自动分割方法，通过融合功能和结构信息以提高脑区分割的准确性。该网络同时处理PET和MR图像，在编码部分，首先采用UX-Net进行特征提取，然后利用基于交叉注意力机制的融合模块进行结构和功能特征融合，以增强分割网络对多模态信息的适应性，提高分割效果。

该研究从视觉、定量、临床、额外数据验证以及消融实验五个方面展示分割结果，以验证模型的有效性。实验结果表明，研究团队所提出的方法实现了精确的全脑区分割，有利于脑部疾病的临床诊断和分析。该方法对其它多模态融合分割任务表现出良好的通用性和适用性，未来也可将该方法应用于分割其它多模态或组织和器官的任务中。

相关论文信息：https://ieeexplore.ieee.org/document/10795140