7月10日，上海科技大学生物医学工程学院沈定刚教授团队在Nature旗下期刊《npj数字医学》（npj Digital Medicine）发表题为“BrainSeg: A Generalized Framework for Comprehensive Multimodal Brain Tissue Segmentation, Parcellation, and Lesion Labeling”的研究论文。研究基于25,493名受试者的45,998例扫描，覆盖26个数据集、10种成像模态以及14孕周至100岁的人群，提出通用脑影像分割框架BrainSeg，以统一模型完成脑组织分割、脑区分区和脑病灶标注，并适配不同单模态与多模态输入场景。
脑影像分割是神经影像研究和临床诊疗中的基础环节，广泛应用于脑发育评估、脑区结构分析、脑病变评估等场景。真实临床数据具有高度复杂性，现有脑分割模型通常针对特定年龄、特定模态或特定任务单独设计，难以在复杂真实世界场景中实现稳定、统一和可推广的应用。
BrainSeg整体框架及其在脑组织分割、脑区分区和脑病灶标注中的应用示意图
为此，研究团队提出了通用脑影像分割框架BrainSeg。该框架以统一模型支持三类核心脑影像分析任务，包括：脑组织分割，自动识别脑脊液、灰质和白质；脑区分区，进一步完成基于Desikan-Killiany图谱的106个皮层及皮层下脑区精细分区；脑病灶标注，对脑肿瘤、脑卒中等异常区域进行自动识别。与传统上针对特定年龄、特定模态或特定任务分别开发模型的方式不同，BrainSeg面向跨年龄、跨模态和跨任务场景学习统一的脑结构表示，减少模型切换造成的分析偏差及重复开发成本。
团队在25,493名受试者的45,998例扫描上对BrainSeg进行了系统验证，数据来自26个数据集，覆盖14孕周至100岁及10种成像模态。内部测试中，BrainSeg在脑组织分割、脑区分区和病灶标注任务上的最高平均Dice分别达到96.94%、94.25%和91.06%；外部测试中，脑组织分割和脑区分区的平均Dice仍达到94.01%和91.20%。在不同数据集和实验设置下，BrainSeg在脑组织分割任务中相较于UNet、UNETR、SwinUNETR和MedNeXt等基线方法，Dice的最大提升为7.25个百分点；在脑区分区和病灶标注任务中，相较于SynthSeg，Dice的最大提升分别为18.08和74.18个百分点。其中，脑肿瘤和脑卒中标注Dice分别达到91.06%和83.91%，同时明显减少假阳性病灶。消融实验进一步证实，B-Syn与B-CLIP分别从数据多样性和语义引导层面提升模型的精度、稳定性与跨域泛化能力。
BrainSeg的综合分割示例
这项工作不仅实现了“用一个模型完成多项分割任务”，更重要的是为跨年龄、跨模态脑影像建立统一分析入口。BrainSeg可连续处理从胎儿发育到脑老化、从正常解剖到病理改变的数据，对于统一的多模态和全生命周期的脑影像分析提供了一个精准有效的工具，为大规模人群队列、全生命周期脑图谱、多中心临床研究及神经系统疾病定量评估提供一致的结构化结果。面向临床转化，该框架可作为影像后处理和辅助决策工具，但仍需在更多真实临床流程和疾病类型中进一步验证。
研究团队还进一步完善了代码、模型权重、预处理说明和运行环境配置（https://github.com/IDEALab-Brain/BrainSeg/tree/main），并提供了可复现的容器化环境（docker pull brainseg/brainseg:v1），以提升方法的开放性和可重复性。这将有助于推动BrainSeg在不同研究团队、不同数据中心和不同临床场景中的进一步验证和应用。
上海科技大学博士研究生黄世杰、连梓锋，澳门理工大学贾灯强，上海科技大学孙开聪教授，上海科技大学硕士研究生李笑也，上海科技大学博士毕业生刘家蒙为本文的共同第一作者。上海科技大学沈定刚教授（同时任联影智能联席CEO）、上海联影智能石峰（同时任上海科技大学生物医学工程学院特聘研究员）、上海科技大学张寒教授、西北工业大学计陈耿教授、杭州市第一人民医院丁忠祥主任为本文共同通讯作者。上海科技大学为第一完成单位。
论文链接：https://www.nature.com/articles/s41746-026-02894-
沪公网安备 31011502006855号