《PLOS One》:Segmentation and morphological analysis of recanalized coiled aneurysms: Towards an automatic tool for clipping planning in microsurgery
编辑推荐:
颅内动脉瘤是脑动脉的扩张性病变,可能破裂导致蛛网膜下腔出血(subarachnoid hemorrhage,SAH)并造成高死亡率。血管内弹簧圈栓塞被广泛用于预防动脉瘤破裂;然而,许多经治动脉瘤会发生再通,往往需要后续干预或外科夹闭。尽管具有重要临床意义,再通
颅内动脉瘤是脑动脉的扩张性病变,可能破裂导致蛛网膜下腔出血(subarachnoid hemorrhage,SAH)并造成高死亡率。血管内弹簧圈栓塞被广泛用于预防动脉瘤破裂;然而,许多经治动脉瘤会发生再通,往往需要后续干预或外科夹闭。尽管具有重要临床意义,再通弹簧圈栓塞动脉瘤的分割与形态学表征在很大程度上仍未被探索。在本研究中,研究人员引入了一种自动化框架,用于从三维旋转血管造影(three-dimensional rotational angiography,3D-RA)图像中分割再通弹簧圈栓塞动脉瘤,并提取与手术规划相关的形态学描述符。该方法基于nnU-Net架构,训练用于分割血管树、弹簧圈团块和再通管腔。定量后处理能够计算临床相关参数,包括弹簧圈–颈距离、再通体积和最大颈径,这些参数有助于评估夹闭可行性。初步结果显示,分割性能令人鼓舞,且在评估病例中形态学参数的估计具有一致性,支持了所提出框架在再通弹簧圈栓塞动脉瘤术前评估中的潜力。
**论文解读:再通弹簧圈栓塞动脉瘤的自动化分割与形态学分析框架**
**一、研究背景与问题**
颅内动脉瘤是脑动脉壁的局部变形,形成脆弱的动脉区域,可能破裂并导致蛛网膜下腔出血,约三分之一的患者死亡,三分之一遗留严重神经功能障碍,仅三分之一预后良好。全球约3.2%的人口患有脑动脉瘤,破裂致死率约30%。历史上,颅内动脉瘤的标准治疗是通过开颅手术进行外科夹闭;随着显微器械和手术显微镜的进步,基于血管内介入影像引导的弹簧圈栓塞等微创治疗逐渐占据主导地位。然而,弹簧圈栓塞后的颅内动脉瘤存在显著的再通风险,文献报告在4.7至38个月的随访期内再通率高达20.8%。再通病例中,显微手术治疗有效且安全,但处理既往栓塞过的动脉瘤面临额外挑战:动脉瘤囊内金属弹簧圈的存在造成机械性限制,并限制瘤颈处囊壁的变形能力,在某些情况下使得夹闭无法实施,否则可能危及载瘤动脉或其分支。有时甚至需要等待再通加重后再行显微手术,这将使患者面临动脉瘤破裂及其严重临床后果的风险。
目前,利用3D旋转血管造影数据可以对再通动脉瘤进行三维重建,作为手术可行性决策的辅助工具。然而,这种重建存在局限性,原因包括动脉瘤囊及其分支血管的形态变异性、囊壁厚度和刚度的变异性,以及栓塞材料在囊内位置的变异性。基于三维重建的形态学测量用于指导治疗决策,但这些测量是手动进行的,操作者间差异显著。因此,开发针对未治疗及再通动脉瘤的可靠自动化分割和形态学测量方法具有重要价值。尽管人工智能技术尤其是基于U-Net的深度学习方法在动脉瘤自动分割中已显示出良好性能,且多个挑战赛如2018年MATCH、2020年ADAM和CADA推动了自动检测与分割方法的发展,但尚无专门针对弹簧圈栓塞动脉瘤的方法。在自动化形态学测量方面,现有方法也均未在弹簧圈栓塞动脉瘤上进行过测试。针对性的PubMed检索未发现任何专门解决再通弹簧圈栓塞动脉瘤自动化分割与形态学分析以支持显微夹闭规划的研究框架。
**二、研究工作概述**
研究人员提出了一种基于nnU-Net架构的自动化工作流,用于从3D-RA图像中分割再通弹簧圈栓塞动脉瘤的血管树、弹簧圈团块和再通管腔,并提取与显微手术夹闭规划相关的形态学参数,包括弹簧圈–颈距离、再通体积和最大颈径。研究得出以下结论:该框架在独立测试集上取得了令人鼓舞的分割性能,Dice系数分别为弹簧圈0.878、血管树0.876、再通区0.783;形态学参数估计与手动测量具有一致性,最大颈径的平均绝对误差为0.40 mm,表明该方法有望为再通动脉瘤的术前评估提供更客观、可重复的工具,但更大规模的多中心验证和颈平面检测算法的进一步改进仍是临床实施前的必要条件。该研究填补了再通弹簧圈栓塞动脉瘤自动化分割与形态学分析领域的研究空白,为显微夹闭手术规划提供了概念验证性的自动化辅助工具。
**三、主要技术方法**
研究使用了布雷斯特大学医院PACS系统中2015年5月至2021年12月期间收集的3D-RA图像,经伦理委员会批准并知情同意后匿名化处理。训练集包含63例扫描(33例弹簧圈栓塞+30例非弹簧圈栓塞),独立测试集包含16例均为弹簧圈栓塞的病例,另有2例额外病例仅用于形态学下游评估,共18例。分割方法采用nnU-Net框架,先在CADA数据(含未栓塞动脉瘤)上进行预训练以学习血管结构和动脉瘤形态,然后在开发队列上进行五折交叉验证训练,训练500个epoch,使用Dice损失与交叉熵损失相结合的损失函数。预处理阶段通过两次包围盒定位弹簧圈栓塞动脉瘤区域。形态学分析采用Jerman等人的颈平面估计方法,基于载瘤动脉中心线和动脉瘤囊中心确定动脉瘤主方向,通过最小化代价函数估计颈平面;弹簧圈–颈距离通过计算颈面与弹簧圈表面之间的距离图获得;再通体积通过体素计数并按体素间距换算;最大颈径从颈平面点集的凸包中计算最大两点间距离。
**四、研究结果**
**1. 分割性能**
在16例独立测试集上,nnU-Net模型对三种解剖结构的分割取得了以下结果:弹簧圈的Dice系数为0.878,血管树为0.876,再通区为0.783;Jaccard指数分别为0.788、0.790和0.659。再通区的Jaccard指数相对较低,95%置信区间报告于原文表1中。
**2. 形态学分析**
在18例病例中,将自动测量与有经验的临床医生使用3D Slicer进行的手动参考测量进行了比较。对于六例具有配对手动和自动颈测量的病例,最大颈径的平均绝对误差为0.40 mm(中位数0.30 mm,范围0–1.10 mm),其中最大误差对应一例伴有子囊的复杂动脉瘤,其自动颈平面定位错误。体积测量方面,弹簧圈体积的自动测量与手动测量高度一致,而再通体积总体略有低估,但差异幅度有限。图3的对比显示,线性测量中最大再通高度是算法最难的参数,存在系统性高估和较大的患者间变异性;最小再通高度则具有良好的一致性。
**五、讨论与结论**
讨论部分指出,分割性能整体令人鼓舞,再通区Dice得分较低的主要原因在于其与血管树具有相似的信号特征,两者难以可靠分离。此外,部分动脉瘤颈略微升高引入了几何模糊性,以及手动标注未包含一些临床无关的小血管分支,导致网络对这些小血管的分割被判为假阳性,使得Dice得分被略微低估。颈平面检测算法虽然在多数情况下运行可靠,但需要调整三个代价函数参数,且对伴有子囊的复杂再通病例存在定位错误的局限——颈平面定义的准确性直接影响后续所有形态学参数的计算。形态学比较显示,算法倾向于略微低估最大颈径,反映了颈部边界不规则的捕捉难度;最大再通高度的估计最为困难,与分割对局部几何不规则性的敏感性以及专家自身对再通管腔精确范围界定困难有关。弹簧圈体积和再通体积的估计具有较强的一致性。
研究结论如下:本研究提出了一种概念验证性的自动化工作流,用于从3D-RA图像中对再通弹簧圈栓塞颅内动脉瘤进行分割和形态学分析。通过将基于nnU-Net的分割与显微夹闭评估相关的形态学参数提取相结合,该框架为更客观、更可重复的术前评估提供了有前景的基础。初步结果展示了该方法支持手术规划的潜力,但在临床实施之前,需要更大规模的多中心验证以及进一步改进动脉瘤颈检测算法。