近日，首都医科大学附属北京天坛医院刘亚欧教授团队在国际期刊《Medical Image Analysis》发表题为“A transfer learning approach to few-shot segmentation of novel white matter tracts”的研究论文。该研究基于预训练-微调框架提出了一种改进的迁移学习方法，用于小样本新类别白质纤维束分割。北京理工大学的卢琪硕士、刘婉博士和首都医科大学附属北京天坛医院卓芝政研究实习员为共同第一作者，首都医科大学附属北京天坛医院刘亚欧教授与北京理工大学叶初阳教授为共同通讯作者。

卷积神经网络(Convolutional neural network,CNN)在基于弥散磁共振成像的白质纤维束分割方面取得了良好的性能。然而，训练基于CNN的分割模型通常需要大量的人工标注，这具有较高的时间成本且需要具有脑解剖知识的专家。在实际的研究中，虽然可以通过长时间的积累，专门为一组感兴趣的白质纤维束耗费大量资源标注丰富的训练数据，但是仍然会需要对新类别白质纤维束的研究并对其进行分割。这时，重新为新类别白质纤维束进行大量人工标注训练分割模型往往不具备可行性，基于小样本的新类别白质纤维束分割方法的研究是一个待解决的重要问题。

刘亚欧教授团队长期从事神经影像学研究。本研究中团队与北京理工大学合作，提出了一种迁移学习的方法，即运用预训练-微调策略将学到的分割已有白质纤维束的知识迁移到新类别白质纤维束的分割中。此方案利用大量现有白质纤维束的标注数据获得预训练模型，并使用少量的新类别白质纤维束的标注训练样本对模型进行微调。然而，在经典的微调方法中，预训练模型的任务特定层中与现有白质纤维束的分割任务相关的信息被完全丢弃。因此，在该研究基于预训练-微调框架，提出了一种改进的迁移学习方法，用于小样本新类别白质纤维束分割。其中，预训练模型中的所有知识都被纳入到微调过程中。具体来说，根据分割现有白质纤维束的预训练任务特定层的权重，推导并得到了对新类别白质纤维束分割模型的任务特定层更好地进行初始化的方案。此外，为了进一步改进任务特定层的初始化，设计了一个简单而有效的数据增广策略，该策略根据白质纤维束分布区域进行图像混合生成带标注的图像。为了验证所提出方法的有效性，利用多个数据集在不同的设置下进行了实验。结果表明，提出的方法提升了在只有少量标注的情况下新类别白质纤维束的分割性能。

应用此种方法可显著减少人工纤维束标注、自动快速高效追踪科研和临床新关注的白质纤维束，在揭示脑重大疾病白质微观病理机制和探索新的影像标记物方面具有重要应用前景。

该研究受青年北京学者、北京市自然科学基金项目(L192058)、国家自然科学基金自助项目(81870958 & 81571631)、北京市杰出青年科学基金(JQ20035)、北京市医院儿科医学协调发展中心专项(XTYB201831)支持。

刘亚欧，主任医师、博导、双博士学位，现任首都医科大学附属北京天坛医院党委委员、放射科学科带头人，国际视神经脊髓炎学会(GJFNMO)委员，亚太多发性硬化学会(PACTRIMS)中央委员会委员，神经影像专业期刊Neuroradiology编委、北京医学会放射学分会常委。入选国家“万人计划”青年领军人才、青年北京学者、北京市自然科学基金杰青项目，主持国家自然科学基金和北京市自然科学基金项目等多个基金项目。在在《Immunity》《Nature Protocol》《Brain》《Neurology》《Journal of Neurology》《Neurosurgery and Psychiatry》《Radiology》等知名期刊上发表论文100余篇。曾获神经影像、多发性硬化领域国际和国内奖励和基金20余项。