人脑只占身体质量的2%，但却消耗了20%的能量。大脑依赖复杂的血管网络来提供足够的氧气和养料供应，以满足神经活动的能量需求。脑血管的病理性变化会引起供血不足等后果，进而影响脑功能，并导致中风、阿尔茨海默病等神经退行性疾病。基于磁共振血管造影，对人颅内血管进行分割（即将血管和非血管组织加以区分）和三维重建，并在此基础上对血管形态特征进行多种定量分析，可以深入了解血管变化对脑健康的影响，对于预防、诊断和治疗与脑血管功能障碍及相关的认知衰退具有重要意义。

图1FFCM-MRF脑血管分割方法流程图

　　已有的脑血管分割方法存在很大的局限性，例如基于深度学习的方法依赖训练数据集的数量和标注质量，难以保证跨数据集和跨物种的泛化性等。针对上述问题，日前以中国科学院自动化研究所脑图谱与类脑智能实验室余山团队牵头的联合研究组在计算机与生物医学跨学科应用领域知名期刊Computers in Biology and Medicine上发表了题为“FFCM-MRF: An accurate and generalizable cerebrovascular segmentation pipeline for humans and rhesus monkeys based on TOF-MRA”的研究论文，提出了一种自动、精准和可泛化的基于磁共振血管造影图像的颅内血管分割方法“FFCM-MRF”。该方法首先利用均值聚类对脑血管进行高效快速的初步分割，再结合血管增强图与马尔可夫随机场对分割结果进行优化，实现了高精度的血管自动。

　　该研究使用了来自9个数据集的123例人类和44例猕猴的1.5 T、3 T和7 T MRI扫描的MRA图像来开发和验证该方法。FFCM-MRF在多个独立数据集上取得的良好的效果，与之前最好的方法相比有明显的提升。进一步的分析表明，FFCM-MRF能够准确分割位于大脑底部威利斯环中的动脉血管和远端软脑膜小动脉，同时能够有效降低图像噪声和图像间差异的影响，具有高度的准确性和可靠性，并且在很大程度上不受核磁共振设备参数和物种的变化的影响。本研究提出的脑血管分割工具箱（https://github.com/YueCui-Labs/FFCM-MRF）已经开源，此外本研究还公开了一批高质量猕猴脑血管成像标注数，以促进脑血管分割和相关神经退行性疾病的研究。

图 2 脑血管分割结果及与其他方法的对比

图 3 基于FFCM-MRF的脑血管分割工具箱界面

　　此研究由中国科学院自动化研究所、首都医科大学和北京灵赋生物科技有限公司等单位合作完成，自动化所副研究员崔玥、研究生黄海滨为共同第一作者，崔玥副研究员、余山研究员为共同通讯作者，研究得到了科技创新2030 -“脑科学与类脑研究”重大项目、国家自然科学基金委项目的资助。

　　原文链接：

　　https://doi.org/10.1016/j.compbiomed.2024.107996

　　参考文献

　　Yue Cui, Haibin Huang, Jialu Liu, Mingyang Zhao, Chengyi Li, et al. FFCM-MRF: An accurate and generalizable cerebrovascular segmentation pipeline for humans and rhesus monkeys based on TOF-MRA, Computers in Biology and Medicine, 170: 107996, 2024.