MIT 等机构开发 E(3)-Pose：将对称性原理嵌入深度学习模型，提升胎儿脑部 MRI 诊断可靠性

尽管经历了数百万年的演化，人类胎儿的发育仍是一个复杂的过程，容易受到遗传、环境和代谢方面干扰的影响。这些干扰可能导致发育异常，首当其冲的便是胎儿体内最早开始发育、并在出生后继续发育的器官之一：大脑。

在常规产前超声检查中，超声技师会标记出可能的脑部异常，以便进行额外的磁共振成像（MRI）检查。但不完美的成像可能导致漏诊或误诊。 

为了协助这些异常的早期检测和治疗，MIT、波士顿儿童医院和 Inria 的研究人员开发并训练了一个名为 E(3)-Pose 的深度学习模型，该模型可在胎儿运动时对其头部进行成像，从而捕捉到可供放射科医生检查的高分辨率图像。关于这项工作的论文在2026 年欧洲计算机视觉大会上发表。 

“婴儿运动带来的问题之一是，所有切片的位置都乱七八糟，”第一作者 Ramya Muthukrishnan 说道。Muthukrishnan 是 MIT 的博士生，师从 Sunlin（1966）和 Priscilla Chou 电气工程与计算机科学讲席教授 Polina Golland。Golland 是MIT Abdul Latif Jameel 机器学习健康诊所（Jameel Clinic）以及 MIT 计算机科学与人工智能实验室（CSAIL）的首席研究员。

Muthukrishnan 所说的“切片”，是指胎儿 MRI 扫描过程中拍摄的一系列二维图像。这些二维平面叠加在一起，实际上就构成了胎儿头部的一幅高分辨率三维图像。但如果头部在成像过程中发生移动，每一张二维图像“切片”可能会从不同的角度拍摄，从而导致最终扫描结果出现空隙和异常的切片方向。这些问题可能会使审阅 MRI 的医生漏诊或误诊胎儿脑部的病变。

“有些非常细微的细节，你需要一幅非常清晰的大脑体积图像才能看到，”Muthukrishnan 解释道，“如果存在覆盖空隙，你就无法看到关键区域，而要检测出发育异常，你必须能看清楚。”

E(3)-Pose 之所以特别擅长追踪胎儿运动，是因为它专注于物理原理。研究人员并非仅仅训练模型从数据中学习物理规律，而是将物理学的基本原理直接嵌入到神经网络中：胎儿头部的左右对称性被嵌入到模型架构中，使模型更容易准确识别大脑的朝向。 

当 Muthukrishnan 在博士生涯伊始开始参与这个项目时，她没有任何物理学背景，更不用说 MRI 物理学了。她的大部分经验都在计算机科学领域。“当我不得不去扫描仪上实现它时，我感到很惊讶，”她回忆道，“我没想到自己会把扫描仪搞崩溃这么多次，因为把东西放到硬件上并让它在硬件上运行，和训练一个模型在 GPU 上运行数据完全是两码事。” 

尽管面临种种挑战，Muthukrishnan 依然坚持了下来。她回忆起在博士研究初期，跟随一位在波士顿儿童医院进行胎儿 MRI 扫描的放射科医生工作时的场景，她观察到患者和放射科医生共同的挫败感：这位准妈妈在 MRI 中待了一个小时后感到不适，只好中途放弃扫描；而放射科医生则无法获得完整、高质量的 MRI 图像来监测胎儿的发育情况。

“看到大家对此的挫败感，帮助我决定了博士期间想要研究的方向，因为这感觉就是一个痛点，”Muthukrishnan 说道。

幸运的是，她得到了帮助：共同作者 Borjan Gagoski 是哈佛医学院放射学助理教授，也是波士顿儿童医院的研究员，他开发了一种序列，通过获取额外的 MRI 扫描来辅助训练 E(3)-Pose，并与 Muthukrishnan 合作，在扫描仪崩溃时帮助排除故障。共同作者、波士顿儿童医院研究助理 Aryn Lee 招募了孕妇志愿者，并协助完成每一次 MRI 扫描的采集。帮助指导该项目的资深作者包括：MIT 电气工程与计算机科学教授 Elfar Adalsteinsson；哈佛医学院 Käthe Beutler 儿科学教授及放射学教授 Ellen Grant；以及 Golland。Inria 研究员、Golland 研究组前博士后 Benjamin Billot 帮助 Muthukrishnan 使用他开发的初始方法起步。

“Ramya 的工作巧妙地将等变性和对称性等几何概念与深度学习的力量结合起来，改变了 MRI 扫描仪采集图像的方式，并最终帮助医生在发育早期发现和治疗问题。这是一个令人印象深刻的研究项目，它在图像采集建模方面深入而基础，并具有明确的临床影响，”Golland 说道。

波士顿儿童医院胎儿新生儿神经影像与发育科学中心（FNNDSC）主任 Grant 补充说，Muthukrishnan 的工作“将实现胎儿脑部 MRI 的自动化，用更快、让母亲更舒适的扫描取代当今缓慢的手动流程，同时也为放射科医生提供更高质量的图像以供判读。”

E(3)-Pose 的应用可能超越胎儿 MRI 的运动追踪。它还可以辅助其他难以成像部位的成像，甚至应用于自动驾驶领域——在这些场景中，有限的传感器需要捕捉含噪的 3D 数据以追踪 3D 物体。

目前，Muthukrishnan 希望改进 E(3)-Pose，使其能够帮助对孕中期或更早期的胎儿进行成像，因为该模型主要是在孕晚期胎儿数据上训练的。Muthukrishnan 说，孕中期的胎儿“非常小，因为子宫内空间更大，他们会动得更多”。“他们更值得重点关注，因为越早发现脑部异常，就越容易进行干预。”

这项工作得到了 MIT Jameel Clinic、MIT Takeda Program、周氏家族变革性研究基金（Chou Family Transformative Research Fund）、国家生物医学影像与生物工程研究所（NIBIB）以及 Eunice Kennedy Shriver 国家儿童健康与人类发展研究所（NICHD）的支持。