机器学习新工具问世：为医生提供更精细的胎儿3D健康图像

对于孕妇来说，超声波检查是一种信息丰富的（有时也是必要的）程序。它们通常会产生胎儿的二维黑白扫描图像，可以揭示关键信息，包括生物性别、近似大小以及心脏问题或唇裂等异常情况。如果医生想看得更仔细，他们可能会使用磁共振成像（MRI），它利用磁场捕捉图像，然后将这些图像组合起来创建胎儿的3D视图。

然而，MRI并非万能的；3D扫描很难被医生充分解读以诊断问题，因为我们的大脑视觉系统不习惯处理3D体积扫描（换句话说，就是一种显示主体内部结构的环绕式观察）。这时，机器学习便可派上用场，它可以通过数据更清晰、更准确地模拟胎儿的发育——尽管此前还没有任何算法能够模拟其相当随机的运动和多样的体型。

直到麻省理工学院CSAIL、波士顿儿童医院（BCH）和哈佛医学院提出了一种名为“Fetal SMPL”（胎儿SMPL）的新方法，才为临床医生提供了更详细的胎儿健康图景。该方法改编自计算机图形学中用于捕捉成人身体形状和姿势的3D模型“SMPL”（Skinned Multi-Person Linear model，蒙皮多人物线性模型），用以准确表示胎儿的身体形状和姿势。随后，Fetal SMPL通过对20,000个MRI体积数据进行训练，以预测胎儿的位置和大小，并创建出雕塑般的3D表示。在每个模型内部，有一个包含23个关节的“运动树”骨架，系统利用它来摆出和移动姿势，就像它在训练期间看到的胎儿一样。

Fetal SMPL所学习的广泛的真实世界扫描使其具备了极高的精度。想象一下，蒙着眼睛走进一个陌生人的脚印，不仅完美贴合，你还能准确猜出他们穿的是什么鞋——同样地，该工具与它从未见过的MRI图像中的胎儿位置和大小高度吻合。Fetal SMPL的平均偏差仅约3.1毫米，这个差距比一粒米还小。

这种方法可以使医生精确测量婴儿头围或腹围等指标，并将这些指标与同年龄的健康胎儿进行比较。Fetal SMPL在早期测试中已展现出临床潜力，在小样本的真实世界扫描中取得了准确的对齐结果。

首席作者、MIT博士生兼CSAIL研究员Yingcheng Liu SM ’21说：“估计胎儿的形状和姿势可能很困难，因为它们被挤在子宫的狭小空间内。我们的方法通过一个由相互连接的骨骼组成的系统克服了这一挑战，这些骨骼位于3D模型的表面之下，真实地代表了胎儿的身体及其运动。然后，它依靠一个坐标下降算法来进行预测，本质上是在棘手的数据中交替猜测姿势和形状，直到找到可靠的估计值。”

宫内生活

研究人员将Fetal SMPL在形状和姿势准确性方面与他们能找到的最接近的基准——一个名为“SMIL”的婴儿生长模型——进行了对比。由于子宫外的婴儿比胎儿大，研究团队将SMIL模型缩小了75%，以保持公平的比较基础。

在该系统针对波士顿儿童医院24至37周胎龄的胎儿MRI数据集的测试中，Fetal SMPL的表现优于该基准。Fetal SMPL能够更精确地重建真实扫描，因为它的模型与真实MRI图像高度吻合。

该方法在模型与图像对齐方面表现高效，仅需三次迭代即可达到合理的对齐效果。在一项统计Fetal SMPL在得出最终估计值之前所做错误猜测次数的实验中，其准确性从第四步开始趋于平稳。

研究人员刚刚开始在现实世界中测试该系统，初步的临床测试也产生了同样准确的模型。尽管这些结果令人鼓舞，但研究团队指出，他们需要将结果应用于更大的人群、不同的胎龄和各种疾病案例中，以更好地了解该系统的能力。

仅停留在表面

Liu还提到，他们的系统目前仅有助于分析医生在胎儿表面能看到的内容，因为模型下方只有骨骼状结构。为了更好地监测婴儿的内部健康状况，例如肝脏、肺部和肌肉的发育情况，研究团队打算使该工具具备体积测量能力，从扫描中建模胎儿的内部解剖结构。这样的升级将使模型更接近真实的人体，但当前版本的Fetal SMPL已经为3D胎儿健康分析带来了一种精确且独特的升级。

未参与该论文的哈佛医学院儿科学副教授、BCH胎儿-新生儿神经成像和发育科学中心新生儿医学部研究员Kiho Im表示：“这项研究介绍了一种专门为胎儿MRI设计的方法，可以有效地捕捉胎儿的运动，从而增强对胎儿发育和健康的评估。” Im补充说，这种方法“不仅将提高胎儿MRI的诊断实用性，还将为了解胎儿大脑早期功能发育与身体运动之间的关系提供见解。”

未参与该研究的格勒诺布尔阿尔卑斯大学副教授Sergi Pujades表示：“这项工作通过将参数化表面人体模型扩展到人类生命的最初形态——胎儿——达到了一个开创性的里程碑。”他进一步指出：“它使我们能够解耦人类的形状和运动，这在理解成人体型如何与代谢状况相关以及婴儿运动如何与神经发育障碍相关方面已被证明至关重要。此外，胎儿模型源于并兼容成人（SMPL）和婴儿（SMIL）体型模型这一事实，将使我们能够研究人类体型和姿势在长时间内的演变。这是一个前所未有的机会，可以进一步量化人类体型生长和运动如何受到不同状况的影响。”

Liu与三位CSAIL成员合作撰写了该论文：Peiqi Wang SM ’22, PhD ’25；MIT博士生Sebastian Diaz；以及资深作者Polina Golland（电气工程与计算机科学系的Sunlin和Priscilla Chou教授、MIT CSAIL的首席研究员和医学视觉小组的负责人）。BCH助理儿科教授Esra Abaci Turk、Inria研究员Benjamin Billot，以及哈佛医学院儿科学教授兼放射学教授Patricia Ellen Grant也是该论文的作者。这项工作得到了美国国立卫生研究院（National Institutes of Health）和MIT CSAIL-Wistron计划的部分资助。

研究人员将于九月在国际医学图像计算和计算机辅助干预会议（MICCAI）上展示他们的工作。

相关链接