尽管人类胎儿的发育已经经历了数百万年的进化，但其过程仍极其复杂，容易受到基因、环境和代谢等因素的干扰，导致发育异常。脑部是胎儿最早开始形成且出生后仍持续发育的器官之一。常规产前超声会标记可能的脑部异常，随后安排磁共振成像（MRI）进一步检查。然而，成像不完美常导致漏诊或误诊。
为了解决这一问题，MIT、波士顿儿童医院和 Inria 的研究团队开发了深度学习模型 E(3)-Pose，能够在胎儿头部运动时捕获高分辨率图像。该模型的核心思想是把物理对称性直接嵌入网络结构：胎儿头部的左右对称性被编码为模型的等变性（equivariance），从而帮助网络更准确地判断脑部的空间姿态。
在胎儿 MRI 扫描过程中，成像仪会连续获取一系列二维切片（slice），这些切片堆叠后构成三维体积图像。如果胎儿头部在扫描期间移动，切片会出现角度偏差，导致体积图像出现空洞或切片方向异常，进而影响放射科医生对细微结构的辨识。
E(3)-Pose 的优势在于：
- 将左右对称性硬编码进网络，使得即使在运动模糊的情况下也能快速恢复正确的姿态；
- 通过等变卷积捕获空间变换，减少对大量标注数据的依赖；
- 在硬件层面直接与 MRI 扫描序列耦合，实现实时姿态校正。
项目负责人 Ramya Muthukrishnan 起初并无物理或 MRI 背景，她在实现模型时多次导致扫描仪崩溃，体会到“在硬件上跑代码”与在 GPU 上训练模型的巨大差异。她在波士顿儿童医院跟随放射科医生观察到孕妇因长时间扫描感到不适、扫描中途中止，以及医生难以获得完整高质量图像的痛点，这促使她将研究方向锁定在提升扫描效率和图像质量上。
合作团队包括哈佛医学院放射学助理教授 Borjan Gagoski（负责设计额外的 MRI 序列以供模型训练）、研究助理 Aryn Lee（招募孕妇并完成扫描）以及 MIT 电气工程与计算机科学教授 Elfar Adalsteinsson、Harvard 医学院儿科与放射学教授 Ellen Grant 等。Inria 的 Benjamin Billot 为模型提供了最初的等变几何框架。
Golland 评价道：“Ramya 的工作巧妙地将等变性和对称性等几何概念与深度学习相结合，改变了 MRI 的图像获取方式，对临床具有明确的影响。” Grant 进一步指出，E(3)-Pose 将把目前慢速、手工的胎儿脑部 MRI 自动化，为孕妇提供更舒适、更快速的扫描，同时为放射科医生提供更高质量的图像。
未来，E(3)-Pose 可能用于其他难以成像的解剖部位，甚至在自动驾驶中帮助有限传感器捕获噪声较大的三维数据。目前模型主要在第三孕期胎儿上训练，团队计划扩展到第二孕期甚至更早的胎儿，因为早期发现异常更易干预。
该项目得到 MIT Jameel Clinic、MIT Takeda Program、Chou Family Transformative Research Fund、美国国立生物医学成像与生物工程研究所（NIBIB）以及 Eunice Kennedy Shriver 国家儿童健康与人类发展研究所的资助。
点评：E(3)-Pose 通过把对称性硬编码进网络，实现了对运动胎儿的鲁棒成像，展示了几何先验与深度学习结合的强大潜力，为产前诊断提供了更可靠的技术路径。