随着神经影像学的快速发展，人们对基于MRI的丘脑容积测定越来越感兴趣，以多发性硬化症(MS)患者的评估最为显示。丘脑是多发性硬化症过程中最早出现萎缩表现的脑结构之一，基于MRI的丘脑体积是预测从临床孤立的综合征到临床明确的多发性硬化症的一个重要标志。此外，丘脑萎缩是预测多发性硬化症认知障碍最有力的指标之一，因此可以作为多发性硬化症治疗试验中认知能力评估的替代性指标之一。

众所周知，专家的手工划线是基于MRI的丘脑体积测量的基础。现阶段，临床上已经开发出丘脑的自动分割方法以促进丘脑体积的自动测定。然而，自动脑容量测定方法对MRI扫描和采集协议的细节十分敏感。这限制了站点和扫描仪之间正常数据库和截止点的共享，这反过来又减损了自动脑容积测定法在临床上的广泛使用。多项研究发现，卷积神经网络(CNN)在许多医学成像任务中的表现优于传统的机器学习方法。

近日，发表在European Radiology杂志的一项研究开发了一种在T1WI中准确进行丘脑分割的全自动人工智能方法，该人工智能方法无需严格统一采集方案和/或扫描仪特定的正常数据库，实现了该技术在临床范围内的广泛使用。

本项研究在170台MRI扫描仪的1975个T1w容积上训练了一个三维卷积神经网络(3D-CNN)，使用FSL-FIRST生成的丘脑掩模作为参考，并用18个手动标记的专家掩模评估了准确性。使用123台MRI扫描仪扫描的一个健康受试者的477个T1w容积评估了扫描内和扫描间的稳定性。用127名多发性硬化症(MS)患者和一个由160台扫描仪扫描的4872个T1w容积组成的正常数据库测试了基于3D-CNN的容积估计在检测丘脑萎缩方面的敏感性，并将3D-CNN与公开的2D-CNN(FastSurfer)和FSL进行了比较。

所有测试方法的自动丘脑分割与人工专家划线的Dice相似系数相似(3D-CNN和FastSurfer 0.86 ± 0.02，FSL 0.87 ± 0.02)。对于同一MRI扫描仪上的重复扫描(0.08 mL，FastSurfer 0.09 mL，FSL 0.15 mL)和不同扫描仪上的重复扫描(0.28 mL，FastSurfer 0.62 mL，FSL 0.63 mL)，单一健康主体丘脑体积估算的标准偏差最低。在3D-CNN中，丘脑体积明显减少的MS患者比例最高(24%，FastSurfer 16%，FSL 11%)。

本项研究表明，研究所提出的3D-CNN提供了准确的丘脑分割，对于MRI扫描仪和方案的变化都表现的特别稳健，提高了在多部位/多扫描仪环境下检测疾病相关丘脑萎缩的敏感性，且不需要扫描仪特定的正常数据库。