大脑 MRI 扫描如何实现全脑与脑区级快速检索？

NeuroCBIR 检索的是相似扫描而非诊断

神经影像中的基于内容的图像检索（CBIR）旨在依据图像内在特征而非元数据，找出与查询扫描相似的大脑扫描。NeuroCBIR 是一个可对全脑和特定脑区的 3D T1w MRI 扫描进行快速、灵活检索的框架。它提取 103 个皮层与皮层下区域，因此用户既可以查询整个大脑，也可以查询单个解剖结构。

该系统并不输出诊断。它主要测量的任务是受试者重识别：给定一份查询扫描，系统能否把同一受试者的其他扫描排在不同于该受试者的扫描之前？这是一个检索问题，与后文描述的零样本下游任务分开评估。

VAE 与对比学习共同构建嵌入空间

NeuroCBIR 采用两阶段流程。第一阶段，变分自编码器（VAE）学习输入体积的潜在表示。作者分别为全脑数据和脑区数据训练了独立的 VAE 模型，采用编码器—瓶颈—解码器结构，潜在表示有 8 个通道。全脑输入的潜在形状为 [8,20,22,26]，脑区输入为 [8,8,8,8]。

第二阶段，这些预先计算的潜在表示被送入一个用对比学习训练的编码器—投影器模型。对比目标把同一受试者的图像拉近，把不同受试者的图像推远，从而生成用于相似度比较的紧凑嵌入。论文把这一组合模块称为查询到嵌入（Q2E）模块。推理时，查询图像被映射为嵌入，通过成对余弦相似度与参考嵌入数据库比较，返回最相似的前 k 张图像。

作者部分以显存开销作为采用潜在表示的理由：在他们的实验中，以批大小为 1 训练全脑 MRI 的 VAE 需要约 63 GB GPU 显存。训练完成后，仅用编码器提取嵌入。

重识别 mAP@5 至少达到 98.4%

最核心的检索结果在全脑和脑区两个层级都很高：前 5 张检索图像的平均精度均值（mAP@5）至少为 98.4%。论文报告了跨数据集和采集条件的稳健泛化能力。

评估使用了来自五个数据集的超过 26,000 份 MRI 扫描：ADNI、OASIS3、AIBL、MIRIAD 和 SLIM。ADNI 和 OASIS3 用于训练、验证和测试，AIBL、MIRIAD 和 SLIM 则仅用于外部测试。这些数据集涵盖多种采集协议、扫描仪厂商和场强，包括 1.5T 和 3.0T。

论文还报告了嵌入空间与 MS-SSIM 之间的 Spearman 相关性，作者以此作为证据，说明学到的嵌入保留了受试者间扫描中有意义的感知与语义相似性。该相关性支持对嵌入空间的解读，但它与 mAP@5 不是同一个指标。

零样本年龄与病理结果反映嵌入编码的结构

NeuroCBIR 并未针对年龄预测或病理分层进行训练。作者仍在没有任务特定监督的情况下评估了这些任务，以检验这些表示是否编码了具有临床意义的信息。

在零样本年龄预测上，该方法在所评估的脑区中平均绝对误差约为 4.3 年，Pearson 相关性约为 0.5。在外部 AIBL 队列上，NeuroCBIR 的 MAE 为 4.5 年，而 Rajabli 等人（2025）的监督式脑龄估计模型报告为 3.8 年。作者指出，他们的方法并非为年龄预测量身定制，并将其描述为对监督式脑龄回归的补充，可能通过检查查询与检索扫描之间的年龄差异来增加可解释性。

在零样本病理预测上，全脑嵌入在 CN、MCI 和 AD 三类上的平衡准确率为 56.3%，MF1 分数为 53.1%。在外部 AIBL 队列上，NeuroCBIR 在 CN/AD 分类任务中，使用全脑嵌入的平衡准确率为 75.2%，使用左侧杏仁核为 81.9%，且未进行重新训练或域适应。作者将 81.9% 这一数字与 Wen 等人（2020）监督式分类器报告的 84.0% 进行了比较。

论文还报告，CN 与 AD 之间的大多数误分类都偏向 MCI 类，作者将其解释为反映了 MCI 的中间临床状态。这是作者对混淆模式的解释，而非独立的临床验证。

脑区级检索结果因解剖结构而异

由于 NeuroCBIR 支持脑区级查询，论文报告了各个脑区的检索与分类性能。在基于脑区的方法中，对比损失按脑区独立计算，每次训练迭代从 103 个区域中随机选取 10 个区域加入批次。

对于论文报告的脑区级零样本分类结果，在 AIBL 查询集上，左侧杏仁核在 CN/AD 任务中达到 81.9% 的平衡准确率和 76.3% 的 MF1，左侧海马体达到 79.5% 的平衡准确率和 73.1% 的 MF1，左侧丘脑为 72.6% 和 63.1%，左侧侧脑室为 72.3% 和 64.3%。这些是脑区级数字，不应被当作全脑性能来解读。

作者把基于脑区的检索定位为在区域效应强于全局结构时有用，可聚焦于解剖上局部的模式，用于任务特定的分层。

嵌入提取是慢步骤，搜索几乎瞬时完成

论文区分了两项开销。在 4 核 CPU 上提取嵌入每份扫描约需 18.7 秒。相似度搜索实际上瞬时完成，报告为不到 0.01 秒。实际含义是，昂贵的一步在构建或扩展参考数据库时每份扫描只发生一次，而查询该数据库则很快。

NeuroCBIR 已公开可用，包含超过 26,000 份预计算的 T1w MRI 嵌入。作者指出，新扫描可以直接加入数据库而无需重新训练模型，因此随着更多数据可用，覆盖范围可以扩大。他们还指出，该框架在训练中只使用图像相似度，这有助于集成到 TheHiveDB 等系统中，在那里检索结果可以按诊断、年龄、性别、生物标志物、记忆测试或扫描仪等附加条件进一步筛选。

预处理与序列范围限定了当前证据

评估使用的是去颅骨、偏置场校正的 T1w 图像，按 FreeSurfer 流程处理，仿射配准到 FreeSurfer Talairach 空间，强度重标定到 [0,1]，并裁剪为 [160, 176, 208]。脑区掩膜对 ADNI 和 OASIS3 来自 TheHiveDB 中的 FreeSurfer v5.3.0，对 AIBL、MIRIAD 和 SLIM 来自 FastSurfer v2.4.2。

作者指出，尽管系统是在与训练数据预处理流程略有不同的数据上评估的，但模型对差异较大的预处理策略的稳健性仍不清楚。他们还指出，当前工作聚焦于 T1w MRI，未来工作应把框架扩展到 FLAIR 等其他临床相关序列。

论文将本研究描述为主要聚焦于 NeuroCBIR 的开发与技术验证。零样本年龄和病理评估属于探索性，作者呼吁对这些及其他临床应用开展更全面的研究。所报告的图像相似度、年龄与疾病状态之间的相关性被描述为值得进一步研究，而非已确立的因果关系。

脑区选择可能比全局分数更重要

这篇论文中最具决策相关性的比较，不是笼统的全脑检索与脑区级检索之争，而是查询哪个脑区。在外部 AIBL 的 CN/AD 任务上，全脑嵌入达到 75.2% 的平衡准确率，而左侧杏仁核在未重新训练或域适应的情况下达到 81.9%。这一差距表明，对于某个特定下游问题，脑区级查询可能比全脑嵌入携带更多判别信号。

与此同时，论文最强且最一致的结果仍是重识别，其 mAP@5 在全脑和脑区层级都至少为 98.4%。零样本年龄和病理数字更低，且明确属于探索性。因此，对于正在决定是否使用 NeuroCBIR 的读者，实际优先级是：把检索质量视为已验证的能力，把零样本临床分层视为有前景但尚未验证的延伸，并有意识地选择查询脑区，而不是假定全脑总是最佳默认选项。

本文引用的文献