nnU-FCD：基于深度学习的局灶性皮质发育不良自动分割系统

nnU-FCD是针对癫痫外科的医学影像AI系统，利用多模态MRI和深度学习架构（如nnU-Net）实现局灶性皮质发育不良（FCD）病灶的自动分割。其核心目标是解决FCD人工识别难度大、主观性强的问题，提高术前评估的准确性和一致性，最终改善手术预后。该系统以开源形式发布，推动领域协作与临床应用。

局灶性皮质发育不良（FCD）是药物难治性癫痫的主要病因之一，尤其在儿童患者中常见。但FCD病灶在MRI上表现隐匿（如皮质厚度增加、灰白质边界模糊等），人工诊断面临多重挑战：病灶特征与正常变异重叠易漏误诊、薄层MRI判读耗时、医生间一致性有限。因此，开发自动化FCD分割工具具有重要临床价值。

nnU-FCD采用多模态MRI输入（T1加权像、T2加权像、FLAIR序列、T1增强序列），融合不同序列的组织特性信息。系统基于nnU-Net框架构建，其自适应特性可根据数据集自动配置网络拓扑与训练策略，无需手动调参。同时，探索了U-Net变体、注意力机制模型及Transformer架构的组合，提升分割鲁棒性与场景灵活性。

nnU-FCD的预处理流程包括：影像配准（统一空间坐标系）、强度归一化（消除设备参数差异）、颅骨剥离与脑组织分割（聚焦感兴趣区域）、重采样（统一体素间距）。数据增强采用空间变换（旋转、缩放、弹性形变）与强度变换（噪声注入、伽马校正）结合，并针对小病灶采用特殊采样策略，确保训练样本多样性与解剖合理性。

为提升跨中心泛化能力，nnU-FCD采用多中心数据训练，并通过站点级交叉验证（验证集来自未参与训练的医院）评估真实泛化性能。同时探索域适应技术增强对新数据的适应。评估指标不仅包括Dice系数、IoU等像素级指标，还关注病灶级敏感性与假阳性率，贴合临床决策需求。

临床应用上，nnU-FCD支持DICOM导入、自动预处理、3D可视化分割结果，提供置信度分数辅助医生判断，并可与神经导航系统集成辅助手术规划。开源发布允许非商业自由使用与修改，降低医疗资源有限机构的准入门槛，促进领域协作与系统迭代。

当前nnU-FCD存在局限性：依赖影像质量（伪影、低分辨率会影响效果），对微小或复杂区域病灶敏感性待提升。未来将整合PET、MEG等更多模态，开发FCD亚型专用模型，探索无监督/半监督学习减少标注依赖，并与电子病历系统深度集成，实现全流程辅助。