目的：定量磁化率成像（QSM）在脑铁定量评估中应用广泛。目前评估方法需要QSM重建、脑模板配准、脑区分析多个步骤，每步都会引入误差，尤其在配准中，不仅误差较大，还会在变形场作用于QSM图像时导致QSM数值改变，使评估结果失真。本研究基于互信Transformer深度学习技术，融合双磁共振序列，构建涵盖115个脑区的一站式细粒度脑铁定量评估模型（mT-QSM），提高脑铁定量精度。

方法：使用贵州省人民医院收集的60例QSM-T1配对数据训练与测试模型、遵义医科大学第三附属医院收集的15例配对数据做外部验证，利用uAI Brain和MONAI软件，基于DK脑模板进行半自动勾画，得到115个脑区。使用37例阿尔茨海默病（AD）、脑小血管病（CSVD）患者数据做临床验证。提出互信Transformer机制，融合QSM和T1序列，提取序列的共性和个性特征，完成QSM重建、115个脑区分割及定量评估多任务。还构建了35个粗粒度脑区mT-QSM，并在细粒度和粗粒度脑区模板上训练目前最先进的脑分割模型和配准模型，验证mT-QSM在脑区分割及铁定量评估中的优势。

结果：mT-QSM重建结果与金标准（COSMOS）的结构相似度达98.54%，峰值信噪比为42.99dB，归一化均方根误差仅0.3315。mT-QSM在35个脑区分割dice为0.9478，115个脑区分割dice为0.9372，外部验证集上分割dice为0.9086，无显著性差异，且均高于对比脑分割模型；对比之下，配准模型在35个脑区划分dice系数为0.8110，115个脑区显著降低为0.6804。mT-QSM在115个脑区的铁定量（平均磁化率）与标注数据相比无显著性差异，而配准方法在73个脑区存在显著性差异。对AD和CSVD患者的分析中，mT-QSM分别发现34和31个脑区的铁定量有显著性改变，而基于配准的方法仅发现16和14个。特征可视化显示，互信Transformer通过学习T1在皮层区域和QSM在深部核团的个性特征，以及QSM-T1数据在尾状核、壳核等区域的共性特征，实现了对115个脑区的精准分割。

结论：mT-QSM一站式细粒度脑铁定量模型优于基于配准的多步骤方法，其评估结果在不同粒度的脑区划分中保持稳定，能够在神经疾病患者中发现更多铁定量变化脑区，为个性化精准治疗奠定基础。此外，本研究方案可结合ASL/BOLD用于脑血流/血氧等一站式评估，具有广泛的临床应用前景。