腦圖像分割是醫學成像中的關鍵過程，為高級體積分析、診斷和治療提供了基礎。磁共振成像（MRI）被認為是最重要的非侵入性掃描技術之一，能夠提供關于內部腦結構的詳細信息[1]。從MRI掃描中準確區分腦結構使臨床醫生能夠識別病理區域，從而精確定位腫瘤和其他異常[2]。在這方面，腦圖像分割主要分為兩類研究：腦組織分割（BTS）[3]、[4]、[5]和全腦分割（WBS）[6]、[7]、[8]。腦組織分割涉及將腦圖像劃分為其組成的組織類型，通常分為灰質（GM）、白質（WM）和腦脊液（CSF）。相比之下，全腦分割擴展了BTS的范圍，包括所有可辨識的腦結構，生成一個全面的腦解剖圖。

這兩種任務主要使用低場（LF）MR圖像進行研究，如1.5T或3T MRI，因為它們在臨床中更為普遍且成本效益更高。然而，1.5T/3T圖像由于信噪比（SNR）和空間對比度分辨率較低，相比超高場（UHF）MRI掃描儀存在挑戰。UHF MR圖像，如7T MRI，由于其更高的SNR和圖像分辨率，能夠更好地顯示細微的解剖細節[9]，這對于識別異常特別有益。憑借這些強烈的組織對比度，7T圖像甚至可以檢測到在3T圖像中難以察覺的形態變化，即體素強度的顯著差異。因此，使用7T圖像不僅能夠實現高級的腦組織分割，還有助于提升包括皮質和皮下區域在內的全腦醫學圖像分析性能[10]、[11]。然而，7T MRI的采集成本顯著更高，這使得其在實際臨床環境中的使用變得困難。

深度學習（DL）通過學習復雜的結構模式顯著推動了醫學成像的發展。利用DL方法的力量，研究人員試圖利用UHF MRI，盡管其可用性有限，主要通過將3T圖像轉換為類似7T的特征表示來實現腦圖像分割。現有的3T到7T的轉換方法主要遵循兩種途徑：（i）使用類似7T的圖像作為指導（見圖1(a)）；（ii）使用直接匹配的特征作為指導（見圖1(b)）。第一種方法[12]、[13]、[14]旨在將3T圖像的外觀轉換為類似7T圖像的外觀（即類似7T的圖像轉換）。這種方法利用了7T圖像的優越對比度和細節來提高3T圖像的質量；然而，它難以準確模擬復雜的7T特征，且3T圖像的固有特征容易發生意外變形或扭曲。第二種方法[15]、[16]側重于通過直接匹配3T和7T圖像來提取層次化特征。通過利用來自配對圖像相似性的手工制作或任務依賴的特征，這種方法受益于7T特征所獨有的豐富信息。盡管如此，這些特征在UHF表示的魯棒性和多樣性方面可能存在局限性，因為它們偏向于預定義的特征。依賴于3T和7T圖像的匹配對顯著影響了分割模型訓練的有效性。為了解決這些挑戰，引入了知識保持網絡（KKN）[17]，通過知識蒸餾（KD）[18]利用3T圖像估計層次化的類似7T特征，并為任意分割模型提供UHF特征表示，以實現知識轉移。這鼓勵獨立的分割模型在沒有7T MRI的情況下利用UHF的指導。雖然他們提出的特征融合方法依賴于兩個可學習的參數，在腦組織分割（BTS）中提高了性能，但由于類似7T特征的過度對比度與LF圖像的固有結構之間的沖突，這種方法難以充分利用UHF表示。

基于現有的特征引導分割范式，我們引入了SegUHF，這是一個框架，通過新穎的自適應融合策略將UHF知識融入LF MRI分割中。與以往的方法不同，我們的方法以空間信息為基礎調整LF特征的強度，使得模型即使在無法使用7T掃描的情況下也能利用UHF級別的解剖線索。據我們所知，這是首次將強度調整后的UHF指導信息整合到LF表示中，以增強腦圖像分割的效果。我們方法的核心是自適應融合模塊（AFM），它有效地結合了UHF特征表示的豐富對比度與LF圖像中的結構信息。AFM不是簡單地混合或固定權重，而是學習如何選擇性地突出信息豐富的區域，同時抑制不相關的變化。它首先聚合KKN產生的整體類似7T的線索，然后將其適應目標3T圖像的結構背景。通過這種方式，AFM提供了與解剖學兼容的指導，使基于LF的分割模型能夠在不需要實際7T掃描的情況下受益于UHF級別的細節。

本研究的主要貢獻如下：（i）我們提出了SegUHF，一個分割框架，它將AFM集成到任意分割模型中，以在沒有7T的情況下有效整合UHF指導。通過調整LF特征的強度，SegUHF在保持結構完整性的同時增強了解剖相關區域的對比度；（ii）我們在SegUHF中引入了一個知識流，該流聚合了從預訓練網絡轉移的UHF特征，然后細化UHF指導，使其專門適用于LF特征，同時不改變LF特征的固有特性；（iii）我們證明了所提出的SegUHF在兩個基準數據集上（互聯網腦圖像分割庫（IBSR）用于腦組織分割和多圖譜標注挑戰（MALC）用于全腦分割）在定量和定性上均提高了分割性能。