Symbrain: 新生儿脑对称性分析的大规模 MRI 图像数据集
内容提要
本文综述了多项脑影像人工智能研究，涵盖脑肿瘤分割、胎儿脑MRI多组织分割数据集与基准、基于孪生架构的左右半球不对称检测、小鼠脑多属性表征的自监督学习、无需配准的人脑MRI自动分割、胎儿MRI与高分辨率超声图像的自监督合成、围产期结构连接组时空平均基线、大规模小儿脑肿瘤多参数MRI数据集，以及多标记胎儿脑分割模型。
延伸解读
数据集主题与内容范围
文章标题指向新生儿脑对称性分析的大规模MRI数据集，但正文实际综述了多项脑影像AI研究，涵盖脑肿瘤分割、胎儿脑MRI多组织分割、左右半球不对称检测、小鼠脑自监督学习、无需配准的人脑MRI分割、胎儿MRI与超声图像合成、围产期结构连接组基线、小儿脑肿瘤多参数MRI数据集以及多标记胎儿脑分割模型。这些内容与标题中的“新生儿脑对称性”直接相关的仅孪生架构不对称检测一项，其余多为胎儿、小儿或成人脑影像研究，读者需注意标题与正文范围存在偏差。
对称性编码的实际应用
文中提到将脑部对称性编码进神经网络用于脑肿瘤分割，并在脑肿瘤分割挑战赛数据集上验证，新模型比原模型更高效地提取训练图像信息。另一项研究使用孪生架构将左右半球分割映射到正常非对称嵌入空间，通过量化嵌入距离来研究正常大脑非对称性和神经变性疾病诊断。这两项工作表明对称性既可作为分割任务的先验知识，也可作为异常检测的量化指标，但文章未提供具体性能数值或临床验证结果。
围产期连接组基线的价值与局限
文章介绍了基于时空平均的计算框架，用于建立围产期结构连接组的可靠参考基线，分析了166名受试者33至44周月经后的数据，发现全局和局部效率增加、特征路径长度减小以及连接广泛增强等趋势。该基线有助于评估早期结构连接的正常与异常发展。但文章也指出，围产期脑快速发育、图像难度高和主体间变异性大使得建立可靠基线困难，且结果基于特定连接权重方法，推广时需谨慎。
Q&A
Symbrain数据集主要包含什么内容？
Symbrain是一个大规模新生儿脑对称性分析的MRI图像数据集，旨在支持脑对称性编码和分割研究。
如何将脑部对称性编码到神经网络中用于脑肿瘤分割？
通过将脑部对称性编码进现有神经网络，并应用于医学成像分割的最新网络，在脑肿瘤分割挑战赛数据集上验证，新模型比原模型更高效地提取训练图像信息。
有哪些公开的胎儿脑MRI数据集可用于多组织分割研究？
有一个公开可用的病理和非病理胎儿磁共振脑体积重建数据库，覆盖20至33周孕龄和7个组织类别，并包含对多种自动多组织分割算法准确性的量化评估。
如何利用孪生架构检测大脑左右半球的不对称性？
通过异常检测和表征学习，使用孪生架构将大脑结构的左右半球分割映射到正常非对称嵌入空间中，量化未见样本对中心的嵌入距离，从而研究正常大脑非对称性和神经变性疾病诊断。
围产期结构连接组基线是如何建立的？
开发了一个基于时空平均的计算框架，使用166个主体从33到44周月经后的结构连接数据，分析连接权重，揭示围产期结构连通性发展的明确趋势，并建立可靠参考基线。
小儿脑肿瘤多参数MRI数据集有哪些特点？
该数据集是多机构、大规模的，包括23,101个多参数MRI检查，适用于1,526名脑肿瘤患者，包含纵向MRI、临床信息、数字病理学切片和组织基因型及组学数据，旨在加速AI模型发现和儿童精准医学。
