科研背景
弥散磁共振成像（diffusion MRI, dMRI）能够无创刻画人脑白质和微结构组织，在脑发育、脑老化、神经系统疾病研究和临床诊断中具有重要价值。然而，传统微结构建模方法通常需要较长扫描时间和复杂计算过程，限制了其在临床和大规模人群研究中的进一步应用。尽管深度学习方法已被用于加速微结构参数估计，但现有模型在处理复杂弥散信号与生物物理参数之间的非线性关系时仍存在一定局限。
针对这一问题，近日，清华大学生物医学工程学院田启源课题组脑影像实验室（以下简称实验室）联合首都医科大学宣武医院、牛津大学、天津大学等多所机构，在神经影像领域期刊《神经影像》（NeuroImage）在线发表题为“基于弥散磁共振和自适应非线性建模的人脑微结构映射”（MicroKAN: Mapping human brain microstructure using diffusion MRI and adaptive nonlinear modeling）的研究论文。
该研究提出 MicroKAN 框架，将 Kolmogorov-Arnold Networks（KAN）的自适应非线性建模能力引入弥散 MRI 微结构分析。与传统卷积神经网络不同，MicroKAN 能够通过可学习的非线性函数更灵活地刻画弥散信号与微结构参数之间的复杂映射关系，从而提升参数估计的准确性与稳定性。MicroKAN 同时支持监督学习（Connect-KAN）和自监督学习（DIMOND-KAN）两种模式。在监督学习模式下，模型可以从加速采集的弥散 MRI 数据中直接预测 DTI 和 NODDI 等微结构参数图；在自监督学习模式下，模型无需依赖外部参考标签，而是结合弥散 MRI 的物理模型，通过重建原始弥散信号完成参数学习。这一设计使 MicroKAN 能够适应标签数据充足、少量标签数据以及无标签数据等不同场景。
MicroKAN（Connect-KAN）
有监督实验结果
在有监督学习实验中，MicroKAN 的监督版本 Connect-KAN 在 Human Connectome Project（HCP）数据集和清华大学数据集上均取得了优异表现。在 DTI 任务中，Connect-KAN 能够仅基于少量弥散方向恢复高质量的 FA、AD、RD 和 MD 等参数图；在更复杂的 NODDI 建模任务中，Connect-KAN 同样实现了准确的微结构参数估计。与传统模型拟合方法和已有深度学习方法相比，Connect-KAN 在参数精度、图像质量和跨数据集泛化能力方面均表现出明显优势。
图1 MicroKAN 有监督提高 DTI 微结构参数估计质量
图2 MicroKAN 有监督提高 NODDI 微结构参数估计质量
MicroKAN（DIMOND-KAN）
自监督实验结果
在自监督学习实验中，MicroKAN 的自监督版本 DIMOND-KAN 无需依赖外部参考标签，而是结合弥散 MRI 的物理模型，通过重建原始弥散信号完成参数学习。实验结果表明，DIMOND-KAN 在 DTI 和 NODDI 任务中均能获得稳定可靠的微结构参数估计结果，展现出良好的鲁棒性和实用潜力。该特点对于真实临床场景尤为重要，因为高质量参考参数图往往难以获得，而自监督学习能够有效降低模型训练对标注数据的依赖。
图3 MicroKAN 自监督提高 DTI 微结构参数估计质量
图4 MicroKAN 自监督提高 NODDI 微结构参数估计质量
该研究为弥散 MRI 微结构建模提供了一种新的高效解决方案。MicroKAN 有望减少高级弥散成像对长时间扫描和复杂计算资源的依赖，提升脑微结构参数估计的可及性和实用性，并进一步服务于神经科学研究、脑疾病诊断以及大规模脑影像数据分析。
论文作者信息
清华大学生物医学工程学院2025级博士研究生陈一飞、2022级博士研究生李子涵为论文共同第一作者，清华大学生物医学工程学院副教授田启源、首都医科大学宣武医院教授卢洁和牛津大学博士后研究员李梓瑜为论文共同通讯作者。论文合作者包括清华大学、首都医科大学宣武医院、牛津大学、天津大学、毕尔肯大学（Bilkent University）等多所机构的学者。
论文原文链接
https://doi.org/10.1016/j.neuroimage.2026.122032
科研动态