AgGAN：一种基于解剖结构的生成对抗网络，用于在模拟微重力环境下合成动脉自旋标记图像，以测量脑血流量

《Medical Journal Armed Forces India》：AgGAN: Anatomy-guided generative adversarial network to synthesize arterial spin labeling images for cerebral blood flow measurement under simulated microgravity

　　针对微重力环境下CBF量化难题，本研究提出解剖学引导的生成对抗网络AgGAN，通过融合脑解剖结构先验与边界感知损失函数，有效合成模拟微重力条件下的ASL-MRI图像，实验验证其CBF预测精度显著优于传统方法，为太空任务提供非侵入性评估工具。

　　在太空探索日益深入的背景下，宇航员在微重力环境下的健康问题备受关注。特别是微重力引起的头部向上的体液转移，会对脑血流（Cerebral Blood Flow, CBF）产生显著影响，进而可能导致认知功能下降和神经退行性疾病。为了保障宇航员的健康并确保人类航天任务的成功，对微重力环境下CBF的精确测量变得尤为重要。然而，目前在太空站上部署磁共振成像（MRI）设备仍然面临诸多挑战，包括技术、后勤和载荷限制等因素。因此，探索替代性的CBF测量方法成为关键。

在现有的CBF测量技术中，动脉自旋标记（Arterial Spin Labeling, ASL）磁共振成像因其非侵入性和非放射性特点，被认为是唯一能够定量评估全球和区域性CBF的工具。ASL利用动脉血中的磁标记水作为内源性示踪剂，通过对比信号来测量CBF的值，通常以毫升每百克每分钟（ml/100g/min）为单位。这一技术在临床实践中已获得广泛应用，并且在宇航员等特殊人群中特别适用，因为使用放射性示踪剂或外源性造影剂存在一定的风险。

尽管ASL在地面研究中已经取得了显著成果，但在实际应用中，尤其是在太空环境中，仍然存在一些限制。例如，ASL图像的空间分辨率通常较低，难以清晰区分脑组织的边界，这会导致部分容积效应（Partial Volume Effect, PVE）的出现。PVE是指一个像素可能包含多种组织类型的信号，从而影响CBF的测量精度。此外，由于ASL图像的生成过程复杂，传统的图像合成方法在处理微重力模拟条件下的图像时，往往无法准确还原CBF的分布特征。

为了解决这些问题，研究人员提出了一种基于深度学习的图像合成方法——解剖引导生成对抗网络（Anatomy-guided Generative Adversarial Network, AgGAN）。AgGAN通过整合解剖学知识和结构边界信息，来生成更符合实际的ASL图像，从而提高CBF测量的准确性。这一方法的核心在于，利用预定义的脑解剖图谱作为引导，使网络能够学习不同脑区的特征表示。同时，AgGAN还引入了区域感知的损失函数，以增强对复杂解剖结构区域的合成效果。

在具体实现上，AgGAN采用了端到端的训练方式，结合了深度学习的图像生成能力和医学影像分析的特征提取能力。研究团队通过一个7天的-6°头下垂卧床（Head-down Tilt Bed Rest, HDTBR）实验，模拟了微重力环境下的体液转移和血流变化。HDTBR是一种广泛使用的地面模拟实验，能够有效再现微重力对人体血流动力学的影响。在该实验中，研究人员采集了基线状态下的ASL图像，并将其与模拟微重力条件下的ASL图像进行对比，以评估AgGAN的性能。

AgGAN的训练过程包括多个关键模块。首先是位置感知模块，该模块通过整合已知的脑解剖结构信息，使网络能够更准确地识别不同脑区的特征。其次是区域自适应特征提取模块，该模块能够更好地捕捉不规则脑区的细节信息，从而提高合成图像的质量。此外，AgGAN还引入了区域感知的焦点损失函数，以增强对复杂解剖结构区域的合成效果。最后，结构边界感知损失函数被用来鼓励模型保留更多的边界细节，从而有效减少部分容积效应，提高CBF测量的准确性。

实验结果显示，AgGAN在模拟微重力条件下的ASL图像合成方面表现出色，不仅在客观评估中取得了优异的性能，还在主观评估中得到了医学专家的认可。研究人员通过视觉评估对合成图像进行了分析，认为AgGAN生成的图像在解剖结构和功能特征上都较为接近真实情况，能够为宇航员在太空飞行中的CBF预测提供可靠的数据支持。这些结果表明，AgGAN在医学影像处理和空间医学研究中具有广阔的应用前景。

AgGAN的研究成果不仅为太空医学提供了新的工具，也为医学影像处理领域带来了新的思路。传统的图像合成方法往往关注于像素级的差异，而AgGAN则从解剖学和功能学的角度出发，强调对脑区的整体特征进行学习和还原。这种新的方法在处理复杂解剖结构和不规则区域时表现出更强的适应性，能够更准确地反映CBF的分布情况。此外，AgGAN还通过引入结构边界感知损失函数，有效提高了图像的边界清晰度，从而减少了部分容积效应带来的误差。

AgGAN的实现基于PyTorch框架，并在NVIDIA GeForce RTX 3090 GPU上进行训练。训练过程中，研究人员采用了Adam优化器，并设置适当的批处理大小和初始学习率，以确保模型的稳定性和收敛性。同时，为了提高模型的泛化能力，研究人员还使用了自动解剖标记（Automated Anatomical Labeling, AAL）图谱作为解剖学先验信息，并将其调整为与ASL图像尺寸一致。这种解剖学先验的引入，使AgGAN能够更好地理解不同脑区的结构特征，从而提高合成图像的准确性。

除了技术上的创新，AgGAN的研究还具有重要的临床意义。在医学影像分析中，医生通常关注的是区域层面的血流变化，而不是孤立的像素或体素。因此，AgGAN通过区域感知的特征提取和损失函数设计，能够更准确地反映不同脑区的血流特征，从而为临床诊断提供更可靠的数据支持。此外，AgGAN生成的图像质量较高，能够满足医学专家的视觉评估需求，为未来的研究和应用奠定了基础。

AgGAN的研究还得到了多个资助机构的支持，包括中国载人航天工程的“空间医学实验项目”、北京市医院管理局的“青年人才创新工作室资助”以及“北京学者”计划。这些资助不仅体现了该研究的重要性，也为其进一步发展提供了资源保障。此外，研究团队还得到了多位医学专家的参与和支持，他们对AgGAN生成的图像进行了主观评估，认为其在临床应用中具有较高的实用价值。

总的来说，AgGAN为微重力环境下CBF的测量提供了一种新的解决方案。它不仅克服了传统MRI设备在太空环境中的局限性，还通过深度学习和医学影像分析的结合，提高了CBF测量的准确性和可靠性。这一方法的应用，将有助于更好地理解微重力对脑血流的影响，为宇航员的健康保障和航天任务的成功提供科学依据。同时，AgGAN的研究也为医学影像处理领域带来了新的技术思路，具有重要的理论和应用价值。