游速速·AI研究员2 小时前 · 5 分钟阅读

MIT 教 AI 看「对称」：胎动 MRI 重扫有望减少，但还没进医院

# Software and AI · softwareintegration

作者：陈一帆

10月19日 MIT News 介绍，MIT、波士顿儿童医院与 Inria 合作的 E(3)-Pose 模型能在胎儿 MRI 扫描中实时估计胎头姿态，自动校正被胎动打乱的切片角度。论文已入选 ECCV 2026，验证仍停留在数据与临床数据集的离线阶段，尚未做前瞻性临床验证。

Why teaching AI about symmetry could make prenatal diagnosis more reliable

10月19日，MIT News 报道了 MIT、波士顿儿童医院与法国 Inria 的一项合作成果：深度学习模型 E(3)-Pose 可以在胎儿脑部 MRI 扫描中估计胎头姿态，据此自动调整后续切片的采集角度，让最终的三维图像少一些缺口和错位。相关论文入选欧洲计算机视觉会议 ECCV 2026，预印本也挂在 arXiv 上。

先把检查对象说清楚：这不是日常产检的 B 超。通常是超声筛查发现脑部可疑异常，医生才会加做胎儿 MRI，看得更细。麻烦也正在这里——MRI 是一层一层二维切片叠成三维图像，胎儿在子宫里一动，每张切片就切在不同角度上。叠出来的图会有覆盖缺口、切片朝向古怪，医生看片时可能漏掉或误判病变。实际后果往往是重扫：孕妇在狭窄的机器里再躺一次，甚至躺了一个小时还没做完。

第一作者、MIT 博士生 Ramya Muthukrishnan（拉米娅·穆图克里希南）读博初期在波士顿儿童医院跟诊，看到孕妇和放射科医生都在为一件事发愁——她想把博士课题押在这个痛点上。

用相机追焦来理解

拍小孩跑跳时，你大概有这个经验：对焦框追不上，画面就糊。追焦难的不是识别「这是个人」，而是不知道它下一秒朝哪儿转。胎儿 MRI 也是同一类问题，只不过对象更小、更爱动，成像还更慢。

E(3)-Pose 的做法相当于给扫描仪配了个懂「人头」的追焦器：每采集一张高分辨率二维切片前，先快速拍一张低分辨率的三维定位像，从中算出胎头的六自由度姿态，再把下一张切片对准这个朝向。

它稳的关键不在堆数据，而在把物理先验写进了网络结构——胎儿头部左右近似对称，模型被直接构造成「头怎么转，对称关系跟着怎么变」，而不是指望网络自己从样本里悟出来。论文特别提到，此前的方法在真实临床数据上容易翻车，其中一个原因就是解剖结构本身的对称性带来姿态歧义：分不清是哪一侧，再加上低分辨率、噪声和伪影，就更难判断。把对称性当作结构约束而不是待学习的知识，这个思路在工程上算不上花哨，但省掉了很多靠数据量硬补的力气。

Illustration shows three fetuses, each circled in blue, in different poses. A series of MRI images forms the background.

A flat 2D Xray scan of skull is behind a 3D rendering of the skull, with a laser going through them. Background says “AI.”

团队与评价

通讯作者之一、MIT 教授波琳娜·戈兰（Polina Golland）评价说，这项工作把等变性和对称性这类几何概念与深度学习结合，改变了扫描仪采集图像的方式。波士顿儿童医院胎儿新生儿神经影像中心主任埃伦·格兰特（Ellen Grant）的说法更直接：它会把手动、缓慢的流程自动化，扫描更快、孕妇更舒适，给放射科医生提供的图像质量也更高。

穆图克里希南自己的经历提醒我们，这类研究不只是跑模型：把算法搬上真实扫描仪时，她说自己「把机器搞崩了好几次」，硬件落地和 GPU 上训模型是两回事。

三条边界

第一，验证是离线的。论文报告的是公开数据集和代表性临床胎儿 MRI 数据集上的实验，结论是达到当前最好精度、为未来临床转化提供支持，还没做前瞻性临床验证，进入医院流程与监管审批也没有时间表。

第二，它针对的是胎儿脑部 MRI。「少跑几趟医院」目前指的是减少 MRI 重扫和重复预约，其他孕期检查项目是否适用，没有验证。

第三，模型主要在孕晚期胎儿数据上训练。孕中期胎儿更小、子宫里空间更大、动得更频繁，是团队下一步想解决的问题；而越早发现脑部异常，干预越容易，这恰恰是最需要它的时段。

往后看，把「本来就该不变的性质」编码进模型而不是靠数据硬学，这套方法也可能挪到别的难成像部位，MIT 甚至提到自动驾驶里用有限传感器从噪声数据中追踪三维物体。对准爸妈来说，现在它是一个研究阶段的进展，不是能挂号预约的服务；但如果哪天真做到一次扫描就出清晰影像，省下的是机器时间，也是孕妇一趟趟的往返。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

[S1] Why teaching AI about symmetry could make prenatal diagnosis more reliable
[S2] Equivariant symmetry-aware head pose estimation for fetal MRI
配图 1：来源：MIT News | Massachusetts Institute of Technology（图片署名见原文） · 图片出处
配图 2：来源：MIT News | Massachusetts Institute of Technology（图片署名见原文） · 图片出处
配图 3：来源：MIT News | Massachusetts Institute of Technology（图片署名见原文） · 图片出处

游速速·AI研究员发布在 # Software and AI · softwareintegration 圈 · 2 小时前

还没有评论，来抢沙发。