尽管人类经历了数百万年的进化，胎儿的发育过程仍然十分复杂，容易受到基因、环境和代谢因素的干扰。这些干扰可能导致发育异常，而大脑正是胎儿最早开始发育、并在出生后持续发育的器官之一。
在常规产前超声检查中，超声医师一旦发现可能存在的大脑异常，会建议进一步进行磁共振成像（MRI）检查。但成像质量不佳可能导致漏诊或误诊。
为了帮助医生更早地发现和治疗这些异常，来自麻省理工学院（MIT）、波士顿儿童医院和法国国家信息与自动化研究院（Inria）的研究人员开发并训练了一个名为E(3)-Pose的深度学习模型。该模型能够在胎儿处于运动状态时对其头部进行成像，从而获取高分辨率图像供放射科医生检查分析。相关研究论文已在2026年欧洲计算机视觉大会上发表。
论文第一作者拉姆雅·穆图克里希南表示："胎儿运动带来的一个问题是，成像切片会变得杂乱无序。"穆图克里希南是麻省理工学院的博士生，导师是电气工程与计算机科学系孙林（1966届）与普丽西拉·周讲席教授波琳娜·戈兰德，戈兰德同时也是麻省理工学院阿卜杜勒·拉蒂夫·贾米尔健康机器学习诊所（Jameel Clinic）和麻省理工学院计算机科学与人工智能实验室（CSAIL）的首席研究员。
穆图克里希南所说的"切片"，指的是胎儿MRI扫描过程中拍摄的一系列二维图像。这些二维平面叠加在一起，就构成了胎儿头部的一张高分辨率三维图像。但如果头部在成像过程中发生移动，每张二维图像"切片"的拍摄角度可能都不相同，最终导致合成图像出现空白区域，切片方向也会出现异常。这些问题可能使审查MRI的医生漏诊或误诊胎儿大脑的病变情况。
穆图克里希南解释道："要看清一些非常细微的细节，需要获得质量很高的大脑三维体积图像。如果出现覆盖缺口，就无法看到关键区域，而要检测异常发育情况，必须能够清晰地观察大脑。"
E(3)-Pose之所以特别擅长追踪胎儿运动，关键在于其对物理原理的运用。该模型并非简单地让系统从数据中自行学习物理规律，而是将物理学的基本原理直接嵌入神经网络架构中：胎儿头部的左右对称性被直接构建到模型架构之中，使模型能够更容易、更准确地识别大脑的方位。
穆图克里希南在读博士初期开始这项研究时，并没有物理学背景，更不用说MRI物理学了。她的大部分经验都在计算机科学领域。她回忆道："当我需要在扫描仪上实际实现这项技术时，我感到很意外。我没有料到自己会让扫描仪死机那么多次，因为把东西部署到硬件上并让它正常运行，和在GPU上用数据训练模型完全是两种不同的挑战。"
尽管困难重重，穆图克里希南坚持了下来。她记得在博士研究初期，曾跟随一位在波士顿儿童医院进行胎儿MRI扫描的放射科医生工作，当时她观察到患者和医生共同的沮丧情绪：孕妇在MRI检查中躺了一个小时，感觉很不舒服，结果检查才进行到一半就不得不中止；而放射科医生也无法获得完整、高质量的MRI图像来监测胎儿发育情况。
穆图克里希南说："看到这种挫败感，帮助我明确了自己博士期间想要做的事情，因为这显然是一个痛点所在。"
幸运的是，她得到了许多帮助：论文共同作者、哈佛医学院放射学助理教授兼波士顿儿童医院研究员博尔扬·加戈斯基开发了一套扫描序列，用于采集额外的MRI数据以辅助训练E(3)-Pose，并在扫描仪出现故障时与穆图克里希南一起排查问题。论文共同作者、波士顿儿童医院研究助理阿林·李负责招募孕妇志愿者，并协助完成每一次MRI扫描。参与指导这项研究的资深作者还包括麻省理工学院电气工程与计算机科学系教授埃尔法尔·阿达尔斯泰因松；哈佛医学院凯特·博伊特勒儿科讲席教授兼放射学教授艾伦·格兰特；以及戈兰德本人。Inria研究员、戈兰德团队前博士后本杰明·比洛特，则帮助穆图克里希南完成了最初方法的入门工作。
戈兰德表示："拉姆雅的工作巧妙地将等变性、对称性等几何概念与深度学习的强大能力结合起来，改变了MRI扫描仪获取图像的方式，最终帮助医生在发育早期就能发现并治疗问题。这是一个令人印象深刻的研究项目，在图像采集建模方面既深入又基础，同时具有明确的临床价值。"
格兰特执掌波士顿儿童医院胎儿新生儿神经影像与发育科学中心（FNNDSC），她补充道，穆图克里希南的研究"将实现胎儿大脑MRI的自动化，用更快、让孕妇更舒适的扫描方式取代目前缓慢的人工操作流程，同时为放射科医生提供更高质量的图像用于诊断解读。"
E(3)-Pose的应用范围可能不止于胎儿MRI的运动追踪。它还能够帮助对其他难以成像的解剖结构进行成像，甚至可以应用于自动驾驶领域——在传感器数量有限的情况下，捕捉存在噪声的三维数据以追踪三维物体。
目前，穆图克里希南希望进一步改进E(3)-Pose，使其能够帮助对第二孕期或更早期的胎儿进行成像，因为该模型目前主要是基于第三孕期胎儿的数据训练的。第二孕期的胎儿"体型非常小，由于子宫内空间更大，它们的活动幅度也更大，"穆图克里希南说。"这个阶段更应该受到关注，因为越早发现大脑异常，干预起来就越容易。"
这项研究得到了麻省理工学院Jameel Clinic、麻省理工学院武田项目、周氏家族变革性研究基金、美国国家生物医学影像与生物工程研究所以及美国国家儿童健康与人类发育研究所的支持。
Q&A
Q1：E(3)-Pose模型是什么？它能做什么？
A：E(3)-Pose是由麻省理工学院、波士顿儿童医院和Inria研究人员联合开发的深度学习模型，能够在胎儿处于运动状态时追踪其头部动作，帮助获取高分辨率的胎儿大脑MRI图像，辅助医生及早发现和诊断胎儿大脑发育异常。
Q2：E(3)-Pose模型为什么要利用对称性原理？
A：因为将胎儿头部的左右对称性等物理原理直接嵌入神经网络架构中，能让模型更容易、更准确地识别大脑方位，从而更好地追踪胎儿运动，减少因运动导致的成像缺口和切片方向错误问题。
Q3：E(3)-Pose模型未来还能用在哪些方面？
A：除了用于胎儿MRI运动追踪外，该模型还可能用于其他难以成像的人体解剖结构检查，甚至可应用于自动驾驶领域，帮助传感器在数据有限的情况下捕捉有噪声的三维数据以追踪物体。
