NeuralShift 仅用术前 MRI 预测颞叶切除中的脑移位，Dice 达 0.97、标志点 TRE 低至 1.12 mm
核心概要
该研究提出 NeuralShift——一个基于 U-Net 的模型，仅以术前 MRI 和编码切除侧别的半球指示掩膜为输入，预测从术前到术中 MRI 的稠密位移场、术中脑掩膜及其符号距离函数；在 98 例癫痫颞叶切除患者的配对 T1 加权 MRI 上以 9 折交叉验证评估，预测掩膜与术中掩膜的 Dice 为 0.97±0.01（术前掩膜为 0.92±0.01），切除侧与中线标志点的 TRE 由未变形术前的约 4.58 mm 降至约 2.96 mm（左侧）和约 4.41 mm 降至约 2.89 mm（右侧），最低达 1.12 mm。
Fig. 1 Preoperative-to-intraoperative MRI preprocessing pipeline. Preoperative MRI (pMRI) is rigidly aligned to the MNI template, skull stripped, and affinely registered. Intraoperative MRI (iMRI), containing the post-resection cavity, is first reoriented using a subject-specific AC–PC–IH coordinate system defined by manually annotated landmarks, and then rigidly registered to the cor- responding pMRI in native space. The pMRI-to-MNI transformations are subsequently propagated to iMRI so that both modalities share a common MNI space. Finally, intensity normalisation, bias- field correction, and cropping are applied to produce standardised network inputs.
· 第 5 页深度剖析
提出一套术前到术中的配准预处理流程，能够处理术中 MRI 中的切除腔，并生成定量刻画脑移位的形变场。 既有配准工具在存在术后切除腔和强度不均时难以直接归一化到标准空间；该流程先用 AC、PC、IH 三个手工标志点建立个体化正交坐标系重定向 iMRI，再将其刚性配准到对应 pMRI，并把 pMRI 到 MNI 的变换传播到 iMRI，使两种模态共享同一 MNI 空间。 以两个代表性病例的 MNI 空间叠加图定性展示空间对应改善且保留切除腔；该流程同时作为后续监督信号的构建基础。
提出 NeuralShift，一个 U-Net 模型，联合预测稠密位移场、术中脑掩膜及其符号距离函数（SDF）。 作者指出此前仅有 Shimamoto 等的 W-Net 用于脑组织形变的深度学习，且其补偿仅针对切除前；该工作把预测目标扩展到颞叶切除后的形变，并引入掩膜与 SDF 的全局形状监督以补充逐体素位移回归。 训练采用多任务加权损失：位移的笛卡尔 MSE 与球坐标损失（仰角、方位角、幅值）、掩膜的 Dice 与边缘损失、SDF 的 MSE；由于缺乏逐体素物理真值，以 NiftyReg F3D 非刚性配准得到的位移场作为替代监督，作者明确说明这是“一致的替代而非精确的生物力学真值”。
在 98 例配对术前/术中 T1 加权 MRI 上以 9 折交叉验证给出定量验证，显示预测位移场一致降低标志点 TRE 并提高掩膜重叠。 评估同时覆盖全局形状（Dice）与局部几何精度（TRE），并在切除侧与中线标志点上报告，贴合颞叶切除中手术通道附近形变较大的临床特点。 预测掩膜与术中掩膜 Dice 为 0.97±0.01，高于术前掩膜与术中掩膜的 0.92±0.01；左侧切除 TRE 由 4.58±1.47 mm 降至 2.96±1.08 mm（P1）、4.31±1.39 降至 2.78±1.01（P2）、4.76±1.53 降至 3.05±1.09（P4）、4.49±1.46 降至 2.87±1.02（P6），右侧切除由 4.41±1.42 降至 2.89±1.03（P1）、4.18±1.35 降至 2.71±0.97（P2）、4.63±1.49 降至 2.98±1.04（P4）、4.32±1.41 降至 2.79±0.96（P6），中线标志点 P3、P5 的 TRE 最低为 1.12 mm。
启示与展望
该工作面向接受左侧或右侧颞叶切除的癫痫患者，输入仅为术前 T1 加权 MRI 与编码切除侧别的半球指示掩膜，输出为映射到术中空间的稠密位移场、术中脑掩膜及其 SDF，适用于术前规划场景。作者把预测脑移位拆为两步，本文只研究第一步——仅用术前数据学习移位；第二步纳入术中观测（如术中超声或电生理测量）留待后续。作者表示代码将在接收后公开于指定仓库，并计划在更大队列与任务特异性手术评估中检验临床效用。
监督目标来自 NiftyReg F3D 配准得到的位移场，作者明确称其为“一致的替代而非精确的生物力学真值”，因此 TRE 衡量的是与配准结果的一致性而非与真实脑组织的偏差。作者列出的开放问题包括：数据集规模有限可能影响跨病例泛化，队列可能未充分覆盖不同临床场景的变异性，仅用术前 MRI 可能遗漏术中超声或电生理等互补信息，TRE 与 Dice 只量化几何对齐与掩膜重叠而未完全反映临床可用性，尚需外科医生参与的前瞻性验证或手术结局分析。此外，术中 MRI 采集时机在不同手术间存在差异，而本文为回顾性研究。