研究背景: 扩散磁共振成像（dMRI）是目前唯一能在活体无创表征人脑白质微观结构的技术，束测量（Tractometry）是识别白质局灶性异常的核心分析方法。但传统束测量高度依赖纤维束追踪（Tractography）技术，存在解剖推断间接、假阳性流线、交叉纤维区域精度不足等固有缺陷，同时需要长时程的 q 空间数据采集，临床适配性与大样本推广能力受限。球均值技术（SMT）虽能快速、鲁棒地估计微结构参数，但其方向平均的特性无法支持传统纤维束追踪，难以适配现有沿束量化分析框架。

研究目的: 突破传统沿束量化对纤维束追踪的强依赖，同时兼容 SMT 技术快速、跨协议兼容性强的优势，构建无需纤维束追踪、无需高精度纤维方向分布（FOD）估计的沿白质束微结构量化方法，解决传统方法扫描要求高、误差环节多、临床转化难的痛点。

研究贡献: 1. 提出首个无需纤维束追踪的深度学习框架 AutoATQ，直接基于白质束掩码实现沿束微结构量化，彻底消除了对 FOD 估计和长时程数据采集的依赖。2. 基于 U-Mamba 网络构建白质束分割模型，从参数化球均值图像中实现 72 条 predefined 脑白质束的精准分割，整体分割精度优于主流工具 TractSeg。3. 开发基于 PointNet 的点云网络，无需纤维流线数据，直接从白质束体素点云中精准预测束中心线，实现体素级微结构特征的聚合与沿束量化。

研究结论: 在人类连接组计划（HCP）105 例被试数据上的验证结果表明，AutoATQ 可实现高精度的脑白质束分割；在 20~50 个中心线节点的配置下，其沿束量化结果与领域金标准 BUAN 框架高度一致，证明无需传统纤维束追踪即可实现可靠的束测量分析。本方法为大样本多中心研究、临床受限场景下的 dMRI 分析提供了高效、鲁棒的新方案。

Zhang, C., Xie, Y., Wan, Z., Wang, T., Wu, Y*., 2026, May. AUTOATQ: AUTOMATING ALONG-TRACT QUANTIFICATION WITHOUT TRACTOGRAPHY. In 2026 IEEE International Symposium on Biomedical Imaging (ISBI). IEEE.

1. 研究背景

dMRI 通过测量水分子在脑组织中的扩散特性，间接反映白质纤维的完整性、密度与走向，是神经发育、神经退行性疾病、精神疾病脑机制研究的核心技术。基于 dMRI，领域内已发展出 DTI（扩散张量成像）、DKI（扩散峰度成像）、NODDI（神经突方向离散度与密度成像）等经典模型，可估计体素水平的 FA、MD、NDI、ODI 等量化指标，作为白质微结构的核心生物标志物。

在数据分析方法层面，领域技术经历了两轮核心演进：

  1. 全脑组级分析阶段：以 TBSS（基于纤维束的空间统计）、ROI（感兴趣区）分析为代表，方法简单易实现，但高度依赖空间配准精度，配准误差易导致统计假阳性，且无法捕捉白质束上局灶性的微结构异常。
  2. 沿束精细化分析阶段：以纤维束追踪 + 束测量为核心范式，通过纤维束追踪重建白质通路的流线（streamline），再将流线与微结构指标结合，构建沿白质束的量化剖面。其中，AFQ（自动化纤维量化）通过流线等距重采样实现沿束剖面构建，BUAN（束分析）通过束中心线优化空间对齐精度，进一步提升了对局灶性异常的敏感性，目前 BUAN 已集成到主流工具 TractSeg 中，成为领域金标准。

当前主流沿束量化方法存在两个无法回避的核心瓶颈：

  1. 对纤维束追踪的强依赖带来的方法学缺陷：纤维束追踪是基于扩散信号的间接建模推断，而非直接解剖观测，天然存在假阳性流线、交叉纤维区域重建精度不足、结果可重复性差等问题；同时，高质量的纤维束追踪需要高精度的 FOD 估计，对数据采集提出了极高要求 —— 需要多 b 值、数十甚至上百个梯度方向的 q 空间数据，扫描时长达数十分钟，临床中患者难以耐受，多中心大样本研究也面临采集协议不统一、数据异质性高的问题。
  2. 快速微结构估计技术与沿束分析框架的不兼容：SMT 技术通过对扩散信号进行方向平均，消除了纤维方向的影响，可快速、鲁棒地估计微结构参数，且对采集协议的兼容性极强，是临床与多中心研究的理想技术。但方向平均的特性也导致 SMT 无法估计 FOD，无法进行传统纤维束追踪，因此无法适配现有沿束量化分析框架，极大限制了其应用潜力。

如何打破传统沿束量化对纤维束追踪的强依赖，构建兼容 SMT 技术优势的分析范式，实现无需 FOD 估计、无需流线重建的高效、精准沿白质束微结构量化？

2. 研究思路与技术路线

本研究的核心创新思路，是彻底重构传统沿束量化的技术链路，跳过误差来源最多、采集要求最高的 FOD 估计与纤维束追踪环节，直接构建 “参数化球均值信号→白质束掩码→中心线预测→沿束量化” 的端到端分析路径。

整体技术路线分为三个串行的核心模块，形成完整的 AutoATQ 分析流程：

  1. 数据预处理模块：对原始 dMRI 数据进行球均值计算与指数模型参数化拟合，生成统一表征的参数化球均值信号（SMS）图，解决多中心数据异质性问题。
  2. 白质束分割模块：基于 U-Mamba 网络，从 3 通道 SMS 图中同时实现 72 条脑白质束的精准分割，输出每条束的二值掩码。
  3. 中心线预测与沿束量化模块：基于 PointNet 构建点云编解码网络，直接从白质束掩码的体素点云中预测束中心线，进而聚合体素级微结构特征，生成与金标准兼容的沿束量化剖面。

我们不直接采用原始 dMRI 数据作为模型输入，而是以参数化球均值信号（SMS）图作为输入，核心原因有两点：

  1. SMS 图通过方向平均消除了纤维方向对扩散信号的影响，与 SMT 技术的优势完全契合，同时剥离了扩散信号与纤维方向的耦合，大幅提升了跨采集协议的一致性。
  2. 通过指数模型拟合，将不同 b 值的球均值信号转换为固定 3 通道的系数图，实现了不同采集协议下数据的统一表征，解决了多中心数据异质性导致的模型泛化性差的问题。

主流工具 TractSeg 采用 FCNN 实现白质束分割，但其对长程空间依赖的建模能力有限，在细小、形态复杂的纤维束上分割精度不足。而白质束是跨全脑的各向异性长程结构，对网络的长程空间建模能力要求极高。因此我们选择 U-Mamba 网络作为分割主干，该网络针对生物医学图像分割设计，在 3D 医学影像任务中展现出优异的长程依赖建模能力，完美适配白质束的结构特征。

传统方法的束中心线，是从纤维束追踪生成的大量流线中计算得到，这也是沿束量化无法脱离纤维束追踪的核心原因。我们的核心思路是：白质束掩码的前景体素坐标，本质上是一个无序 3D 点云，可直接通过点云深度学习网络，从该点云中预测出束的中心线，完全跳过流线重建环节。

我们选择 PointNet 作为主干网络，核心原因是 PointNet 是处理无序点云数据的经典架构，可直接从点云中提取全局特征，无需网格化、栅格化预处理，天然适配不同大小、不同形态的白质束点云的变长输入特性。

3. 讨论

本研究提出的 AutoATQ 框架，通过 U-Mamba 分割网络与基于 PointNet 的中心线预测网络的级联，彻底消除了传统沿束量化对 FOD 估计和纤维束追踪的依赖。在 HCP 数据集上的验证结果表明，AutoATQ 可实现高精度的 72 条脑白质束分割，且在 20~50 个中心线节点的配置下，沿束量化结果与领域金标准 BUAN 高度一致，首次证实了无需传统纤维束追踪，即可实现可靠、精准的脑白质沿束量化分析。

  1. 方法学价值：打破了传统沿束量化对纤维束追踪的强依赖，开辟了 “掩码直接到中心线” 的束测量新范式，从根源上避免了纤维束追踪带来的假阳性、交叉纤维误差等固有缺陷，提升了束测量分析的鲁棒性与可重复性。
  2. 临床转化价值：AutoATQ 兼容 SMT 技术的优势，无需长时程的多方向 q 空间数据采集，大幅降低了 dMRI 的扫描时长要求，完美适配临床患者（尤其是不耐受长扫描的人群）的检查需求，推动 dMRI 白质分析技术从科研向临床的转化。
  3. 大样本研究价值：参数化球均值信号的设计，使 AutoATQ 对不同采集协议的兼容性极强，可有效解决多中心大样本神经影像研究中的数据异质性问题，为大规模脑白质组学研究提供了高效、统一的分析工具。

本研究的全部代码已开源至 GitHub：https://github.com/Zhang-Chengzhe/AutoATQ