麻省理工学院（MIT）与波士顿儿童医院的研究人员共同开发了一种名为E(3)-Pose的深度学习模型。该模型能动态调整扫描过程以实时追踪胎儿运动，从而捕捉高分辨率脑部图像，有望帮助临床医生更早、更准确地诊断发育异常，并减少患者重复就医的需求。
在常规产前检查中，若超声发现疑似脑部异常，通常需通过磁共振成像（MRI）进一步确认。然而，胎儿在扫描过程中的不可控移动常导致成像质量不佳，造成漏诊或误诊。为解决这一痛点，来自MIT、波士顿儿童医院及法国国家信息与自动化研究所（Inria）的团队开发了E(3)-Pose，相关论文已发表在2026年欧洲计算机视觉会议（ECCV）上。
将物理原理嵌入神经网络
E(3)-Pose的核心创新在于其对物理原理的重视。研究团队并未仅依赖数据学习，而是将胎儿头部的左右对称性等物理原则直接嵌入神经网络架构中。这种设计使模型能更准确地识别大脑方向，有效解决因头部位移导致的二维切片角度偏差、图像空隙及方向异常等问题。
“你需要非常清晰的脑部体积图像才能观察到细微细节，”该论文第一作者、MIT博士生Ramya Muthukrishnan表示，“如果有覆盖范围的空白，就无法看到关键区域，进而影响对发育异常的检测。”
Muthukrishnan回忆，将算法部署到硬件并确保其稳定运行极具挑战，初期甚至多次导致扫描仪崩溃。这与在GPU上训练数据模型截然不同。在波士顿儿童医院实习期间，她目睹了孕妇因长时间扫描不适而放弃检查，以及放射科医生因图像质量低而无法准确评估的困境，这坚定了她攻克这一技术难题的决心。
从孕晚期向孕中期扩展
在哈佛医学院放射学助理教授Borjan Gagoski等合作者的协助下，团队开发了新的序列以获取辅助训练数据，并解决了扫描仪兼容性问题。资深作者包括MIT教授Elfar Adalsteinsson、波士顿儿童医院教授Ellen Grant及Polina Golland等。
Golland评价称，该研究优雅地结合了几何概念与深度学习力量，改变了MRI图像获取方式，具有明确的临床影响。波士顿儿童医院胎儿新生儿神经影像与发展科学中心主任Grant指出，这项工作将实现胎儿脑部MRI自动化，用更快、更舒适的扫描取代缓慢的人工流程，提供更高质量的解读图像。
目前，E(3)-Pose主要基于孕晚期胎儿数据进行训练。Muthukrishnan表示，下一步目标是改进模型以适用于孕中期或更早期的胎儿成像。由于孕中期胎儿体积小、活动更频繁，且越早发现异常越利于干预，这将是未来的重点攻坚方向。此外，该技术还有望应用于其他难以成像的人体解剖结构，甚至自动驾驶领域的三维物体追踪。
该项研究得到了MIT Jameel诊所、MIT武田计划、周氏家族变革性研究基金、美国国家生物医学成像与生物工程研究所（NIBIB）以及尤妮斯·肯尼迪·施莱弗国家儿童健康与人类发展研究所的支持。