脑区分割是医学图像处理的主要任务，对神经科学研究和临床诊断都有着深远的影响。精确的脑区分割对于分析不同的脑区至关重要，因为它们的体积、表面积和形态与各种神经系统疾病有关，比如帕金森病和阿尔茨海默病等。PET/MR成像系统则是一种有效的脑部疾病诊断工具，它结合了PET代谢成像和MR结构成像的优点，可以在疾病早期观察到特定大脑区域的代谢异常和结构变化，从而将功能和代谢双模态信息相结合用于脑疾病诊断。

然而，人工分割脑区图像费时费力，且分割结果容易受到个体差异和操作人员主观因素的影响。因此，急需引入自动分割技术来解决分割中高成本和长耗时的问题，促进基于医学影像的脑科学研究。

2025年3月，医学成像科学与技术系统全国重点实验室、中国科学院深圳先进技术研究院医学人工智能研究中心胡战利研究员团队，开发了一种基于交叉融合机制的PET/MR双模态全脑区自动分割技术，该方法在分割过程中高效整合PET与MR的功能和结构信息，实现了更精确、更全面的脑区分割。研究成果以“Automatic Brain Segmentation for PET/MR Dual-modal Images through a Cross-Fusion Mechanism”为题，发表在医学成像领域TOP期刊IEEE Journal of Biomedical and Health Informatics上，论文同时被选为期刊2025年3月的“封面文章”。提出方法创新性地引入交叉融合机制，充分利用PET和MR的互补特性来实现脑区自动分割，为医学影像分析和神经系统疾病的诊断提供了全新思路。

随着人工智能技术的迅速发展，深度学习以其强大的特征表达能力活跃在计算机视觉的各个领域，也大量地被应用于医学图像领域。深度学习方法通过对大量数据进行学习，训练深层学习网络，可以实现端到端的输出，具有广泛的应用前景。然而，现有基于深度学习的方法在PET/MR脑区分割任务中仍存在一定局限性。单模态方法仅依赖单一信息源，难以提供完整的脑部结构信息，而现有的双模态方法大多只是将PET与MR数据简单拼接，缺乏深度融合，未能充分利用两种模态的优势。因此，如何有效结合PET和MR信息，提高脑区自动分割的精度和鲁棒性成为了研究人员关注的重点。

研究团队提出了一种基于交叉融合机制的全脑区自动分割方法，通过融合功能和结构信息以提高脑区分割的准确性。该网络同时处理PET和MR图像，在编码部分，首先采用UX-Net进行特征提取，然后利用基于交叉注意力机制的融合模块进行结构和功能特征融合，以增强分割网络对多模态信息的适应性，提高分割效果。

实验从视觉、定量、临床、额外数据验证以及消融实验五个方面展示分割结果，以验证模型的有效性。实验结果表明，所提出方法实现了精确的全脑区分割，有利于脑部疾病的临床诊断和分析。该方法对其它多模态融合分割任务表现出良好的通用性和适用性，未来也可将该方法应用于分割其它多模态或组织和器官的任务中。

中国科学院深圳先进技术研究院胡战利研究员、河南省人民医院王梅云副院长为论文共同通讯作者，中国科学院深圳先进技术研究院硕士生唐红艳、副研究员黄振兴和博士生李文博为论文共同第一作者。该研究得到了国家自然科学基金（数学天元重点专项）、国家重点研发计划（重大科学仪器设备研发重点专项）、广东省自然科学基金（卓越青年团队项目）和深圳医学科学院（原创探索项目）等项目的资助。

图1：论文被选为IEEE JBHI期刊2025年3月封面文章

图2：提出方法的总体技术路线图

图3：提出方法与现有分割方法效果对比

图4：不同方法分割结果的SUV相关性评估