《Journal of Imaging》:A Central-Vein-Sign-Aware Deep-Learning Pipeline for Lesion Detection and Automated CVS Assessment on Brain SWIp: An Exploratory End-to-End Feasibility Study
编辑推荐:
中央静脉征(central vein sign, CVS)是多发性硬化(multiple sclerosis, MS)的支持性影像生物标志物,但在相位增强磁敏感加权成像(susceptibility-weighted imaging with phase en
中央静脉征(central vein sign, CVS)是多发性硬化(multiple sclerosis, MS)的支持性影像生物标志物,但在相位增强磁敏感加权成像(susceptibility-weighted imaging with phase enhancement, SWIp)上进行人工评估耗时且依赖阅片者。现有自动化方法依赖于多对比度容积数据和预先要求的病灶掩膜。本研究探讨了一种刻意不同的方案:一种结构化的端到端流水线,该流水线在单一轴向SWIp序列上运行,采用稀疏的逐切片标注且无需预先要求的容积掩膜,结合了解剖学分块、分块病灶检测、跨切片病灶同一性重建以及两个互补的分支——直接CVS分类(通路A)和静脉存在门控、静脉分割及几何中心性评估(通路B)。一个由四位阅片者标注的64项临床研究队列被合并为一个统一参考标准。主要贡献在于明确了该流水线在何处失效。在一项八项研究的评估中,该流水线恢复了111个参考病灶中的78个(70.3%);病灶水平的F1值在通路A为0.667,在通路B为0.706,当限定于已检测病灶时分别上升至0.785和0.818,且配对检验显示两条通路间无显著差异(p=1.000)。因此,病灶检测是制约因素,阈值扫描表明与之相关的CVS阳性病灶过度计数无法单独通过检测器置信度加以区分。所有操作阈值均在同一批八项研究中选取,这些研究采集自单台扫描仪,因此数据为单中心开发集估计值而非临床性能指标,且可能偏于乐观。在临床应用前,需要在更大规模、采集方式多样化的独立队列中进行评估。
论文解读:基于中央静脉征感知的深度学习流水线用于脑SWIp病灶检测与自动化CVS评估
一、研究背景与研究目的
多发性硬化(multiple sclerosis, MS)是一种中枢神经系统的慢性炎性脱髓鞘疾病,其诊断缺乏单一的金标准检验,需整合临床病史、神经系统检查、脑脊液分析和影像学检查,其中磁共振成像(magnetic resonance imaging, MRI)是最重要的非侵入性手段。2024年修订的McDonald标准首次将中央静脉征(central vein sign, CVS)纳入作为支持性影像生物标志物。CVS描述的是穿过白质病灶的小静脉,在易感性敏感的MRI序列上可见,且在MS病灶中较其他白质疾病更为常见,有助于从单次检查中区分MS病灶与其模拟病变。
然而,在实际应用中应用CVS评估面临困难:当存在大量病灶时,识别病灶并计数CVS阳性病灶耗时费力;即使经过训练的阅片者之间的一致性也不完美;且尚无普遍采用的病灶到患者的汇总规则。这些困难促使研究人员寻求可重复的自动化图像分析方法,能够扫描完整检查、标记候选病灶、估计CVS状态并为专家复核总结结果。现有自动化方法依赖多对比度容积处理和预先要求的容积病灶掩膜,而本研究旨在探索一种不同的实用方案:在单一SWIp序列上运行,采用稀疏逐切片标注且无需预先要求的容积病灶掩膜。
二、研究方法与技术路线
研究人员提出了一套三阶段流水线系统,覆盖从原始DICOM到研究级指标的完整路径。关键技术方法包括:
- 1.
解剖学分块预处理:通过Otsu阈值法分离前景与背景,将每张SWIp切片分割为大脑聚焦的分块,每个分块覆盖约一个脑象限,有效提高小病灶的相对分辨率并减少无关背景。
- 2.
分块病灶检测:采用YOLOv12m检测器对分块进行病灶检测,并将预测映射回全切片坐标,经非极大值抑制后形成切片级检测结果。
- 3.
跨切片病灶重建:利用交并比(IoU)≥0.1且切片间距≤5的标准,将相邻切片上的二维检测框链接为三维病灶簇,提取每个病灶的代表性切片及其320×320像素的病灶裁剪块。
- 4.
双通路CVS评估:
- •
通路A(直接CVS分类):基于微调的YOLOv26m分类器,直接输出CVS阳性概率。
- •
通路B(静脉分割与几何中心性):包含静脉存在门控分类器、U-Net(ResNet-34编码器)静脉分割和中心性评分计算,提供可解释的中间输出。
- 5.
研究级汇总:采用计数与比例组合规则(≥6个CVS阳性病灶且≥40% CVS阳性率)生成研究级研究指标。
研究队列来源于卢塞恩州立医院放射科,经伦理委员会批准,共纳入64项临床脑MRI研究,由四位放射科医师进行标注并合并为统一参考标准。所有分割均在研究层面进行,最终41项训练研究和8项验证研究。
三、研究结果
3.1 病灶检测
从四种架构中选择检测器,YOLOv12m在合并回全切片的设置下取得最佳平衡:F1值和平均精度均值(mAP@0.50)最高,达到0.482,召回率为0.643,精确率为0.459。解剖学分块对所选架构的召回率提升明显,从0.364升至0.643,但mAP@0.50增益并非普遍适用。病灶检测仍是主要瓶颈之一。
3.2 通路A分类结果
初始的三类设计(含no_lesion拒绝类)表现一般,移除拒绝类后简化至两类分类。最终模型在默认阈值0.50时保守,遗漏35%的CVS阳性病灶。部署阈值设为0.35后,CVS阳性召回率从0.652提升至0.833,精确率为0.683,CVS阴性召回率为0.693。
3.3 通路B各阶段结果
静脉存在门控在阈值0.35时达到静脉阳性召回率0.894,精确率0.639。静脉分割是最薄弱环节,Dice系数仅为0.42(IoU 0.28),反映了静脉极细、训练掩膜来自稀疏单读者折线光栅化等困难。中心性描述符在清洁读者描记几何上分离效果有限(秩双列相关系数0.24),Youden最优阈值为0.733。
3.4 探索性端到端可行性评估
在八项验证研究中,流水线检测到111个参考病灶中的78个(检出率70.3%,95% Wilson置信区间61.2%-78.0%),产生126个聚类,其中46个未匹配任何参考病灶。在97个二元标注参考病灶上,端到端F1值通路A为0.667,通路B为0.706;排除漏检病灶后分别升至0.785和0.818。配对McNemar检验显示两通路间无显著差异(p=1.000)。在研究级指标上,通路A对所有四项临床MS阳性研究给出阳性指标,对四项MS阴性研究均给出阴性指标;通路B在七项研究中与临床标签一致,但在一项MS阴性研究中出现假阳性指标模式。
四、讨论与结论
讨论要点:病灶检测仍是主导性能限制因素,流水线仅检测到70.3%的参考病灶。参考标注本身存在不确定性,阅片者在病灶选择上的Fleiss' κ仅为0.102。解剖学分块提高了病灶召回率但未超越最佳全切片检测器的峰值mAP。通路B受限于分割阶段低Dice和中心性描述符的有限区分力。存在训练-推理差距:分类器在清洁标注裁剪块上训练但应用于噪声更大的检测器生成裁剪块,中心性阈值在清洁几何上拟合但应用于预测掩膜。队列获取同质性高(全部3T飞利浦扫描仪),限制了外部有效性。通过检测器置信度阈值扫描发现,过度计数无法与检测召回率分离,指向需要专门的假阳性拒绝器。改进检测召回率的三种途径包括优化分块几何、集成或级联高召回提案阶段、以及直接在相邻切片堆栈上运行检测。
结论翻译:研究人员提出了一种中央静脉征感知的深度学习流水线用于脑SWIp,该流水线端到端运行——从原始DICOM经逐切片预处理、解剖学分块、分块病灶检测、跨切片病灶重建和两个互补的病灶中心CVS通路——直至供放射科医师复核的研究级指标。组装完整路径的价值不在于单个组件得分,而在于定位该流水线在何处失败。在评估的组件中,解剖学分块将检测转向更高病灶召回率而未提升峰值mAP@0.50,直接CVS分类达到了可用的操作点,透明分割与中心性通路提供了可解释但目前为支持性的证据;配对比较发现两通路间无显著差异。在一项探索性八项研究评估中,流水线检测到111个参考病灶中的78个,其研究级指标在与配置流水线相同的八项研究上追踪了临床标签,这是一致性检查而非判别性能的证据。病灶检测是制约因素:它直接限制了端到端灵敏度,且相关的CVS阳性病灶过度计数无法单独通过检测器置信度分离,这指向在检测器输出上训练拒绝器作为下一步具体措施。这些结果表明技术可行性而非临床有效性——参考标注带有真实的阅片者变异性,队列为单中心单场强,且该系统不诊断MS。更大规模、获取多样化的评估、阈值校准和改进标注是必要的后续步骤。