多发性硬化MRI脑萎缩测量的可靠性:六种免费软件包横断面分析的评估
本研究纳入21例多发性硬化患者,在3台3T MR扫描仪上重复扫描,比较六种免费脑分割软件(FreeSurfer、FSL、SAMSEG、FastSurfer、CAT-12、SynthSeg)在病灶填充与非填充3D T1加权图像上的扫描内重复性和扫描间可重复性。结果显示ICC总体良好至优秀,但灰质和白质体积在所有软件中均存在扫描仪间系统性差异(p<0.05),扫描间最小可检测变化较高(最高达29.25%),限制了萎缩测量的临床实施。
要点
- 六种软件对脑、灰质、白质体积的扫描内ICC>0.9,但深部灰质结构ICC较低(0.64–0.99)。
- 扫描间ICC-C总体良好至优秀(>0.7),但伏隔核等小结构低至0.4。
- 所有软件均显示扫描仪间灰质和白质体积存在系统性差异(p<0.05)。
核心结论
- 脑、灰质和白质体积测量具有高重复性和高可重复性,尽管扫描仪间存在实质性差异;最小可检测变化较高,尤其是扫描仪间,妨碍了萎缩测量的临床实施。
研究设计与样本
- 横断面研究,纳入21例多发性硬化患者(复发缓解型16例、继发进展型1例、原发进展型4例),依据McDonald 2010标准诊断,于2016年11月至2017年2月在同一中心的三台3T MR扫描仪(GE MR750、Philips Ingenuity、Toshiba Vantage Titan)上进行扫描和重复扫描,获取3D T1加权图像,仅GE额外扫描3D FLAIR。
- 使用FreeSurfer、FSL、SAMSEG、FastSurfer、CAT-12和SynthSeg六种免费软件,分别在病灶填充和非病灶填充的3D T1加权图像上量化脑、白质和(深部)灰质体积。
- 采用组内相关系数(ICC)量化一致性,重复测量方差分析分析系统性差异,方差成分分析量化测量标准误(SEM)和最小可检测变化(SDC)。
关键影像表现/征象
- 非填充图像在病灶及其周围可见错误分割,病灶填充未提高ICC(填充与非填充的95%CI高度重叠)。
诊断标准与关键数值
- 扫描内ICC-AA:脑、灰质、白质和脑脊液均>0.9,深部灰质结构为0.64–0.99;FreeSurfer和FSL的ICC-AA通常低于其他软件。
- 扫描间ICC-C总体>0.7,伏隔核范围为0.4–1;同软件同结构ICC-AA(0.65–1)高于ICC-C(0.41–1)。
- 扫描内SDC范围为1.02%(SAMSEG,全脑)至14.55%(FreeSurfer,脑脊液);扫描间SDC范围为4.83%(SynthSeg,丘脑)至29.25%(CAT12,丘脑)。
- 扫描间SEM为1.75%–12.42%,扫描内SEM为0.37%–5.25%;扫描间SDC最高可达扫描内的九倍。
临床应用与阅片要点
- 同一扫描仪上,多发性硬化患者年全脑体积丢失(0.5–1.35%)可在1–2年内可靠观察到;扫描仪间情况下可能需要5–10年,取决于感兴趣结构。
- 扫描仪间灰质和白质体积存在系统性差异:GE白质体积低于Toshiba和Philips(p<0.001,SynthSeg对比Philips除外),GE灰质体积高于Philips(p<0.001,SAMSEG除外)。
- 全脑体积测量差异取决于扫描仪和软件,FSL-SIENAX未见扫描仪间显著差异。
- 病灶填充虽未提高ICC,但可减少非填充图像中病灶周围的错误分割。
局限性
- 扫描间可重复性评估涵盖不同扫描仪和不同采集协议的综合影响,未标准化各扫描仪的TE、TR和TI。
- 研究在同一中心进行,扫描仪和采集协议差异可能不同于多中心或临床常规场景。
- 最小可检测变化较高,尤其是扫描仪间,妨碍了萎缩测量的临床实施。
全文中译21 节 · 点击展开
引言
多发性硬化(MS)是一种中枢神经系统自身免疫性疾病,其特征为脱髓鞘(表现为局灶性病变)和神经退行性变(表现为脊髓和脑萎缩),后者从疾病最早期即已存在,并在疾病进展期更为显著[1]。MS中的炎症成分通常可被疾病修饰治疗良好抑制;然而,脑体积变化作为神经退行性变的替代指标,已受到越来越多关注,以进一步促进个体患者的治疗(反应)监测和预后评估[2, 3]。此外,萎缩与临床和认知功能障碍密切相关[4–6]。MS患者的脑萎缩发生率(约每年0.5–1.35%)高于健康衰老受试者[7, 8]。虽然MS的早期治疗对脑萎缩效果有限,但近期开发的MS治疗显示可降低脑萎缩率[9, 10]。此外,近期一项研究[11]表明脑萎缩与疾病进展相关,且独立于复发活动。这凸显了在临床中开发可靠萎缩测量方法的重要性。使用磁共振成像(MRI)进行脑萎缩测量是评估MS疾病进展和监测治疗反应的一种方法[8, 12]。
自动化脑分割技术使MR图像的高效且可重复处理成为可能。然而,MS中的脑容量测定仍具有挑战性,例如由于MR扫描仪、采集方案和分析软件的差异。扫描仪之间的差异包括不同厂商、型号和场强之间的技术差异[13]。这些效应在多中心试验中更为明显,尤其是在临床环境中,与变异来源得到更好标准化的单中心试验相比,MR扫描仪和采集方案可能频繁变化。
采集方法的选择(包括扫描仪型号)和分析软件会影响所得的体积测量结果,这一点已在有限数量的扫描仪或厂商(通常为2家)以及大多有限数量的分析软件(1–4种,但Durand-Dubief多达7种)中得到显示[14–18]。此外,大多数脑体积可重复性研究通常针对其他疾病类型(如阿尔茨海默病)或健康对照进行[19–21]。另外,对组间差异检测的影响尚不清楚。目前有多种免费可用的软件包用于MR图像的体积测量[22–25]。深度学习方法近期在脑容量测定领域受到越来越多关注,且与传统方法相比已显示出有前景的结果[26, 27]。新方法通常被开发为对图像对比度变化更为稳健,然而,扫描仪内和扫描仪间的效应尚未被研究[28, 29]。量化所用扫描仪对每种软件输出的影响,将有助于更好地理解萎缩测量结果变异性以及减轻该变异性。此外,对未来患者研究而言,了解在单个受试者身上使用一台或多台扫描仪可检测到的最小真实体积变化将是有用的。同样,当使用多台扫描仪时,了解组间差异和检验效能的提示可能是有益的。
在本研究中,我们对21名多发性硬化症(MS)患者使用来自三家不同厂商的MR扫描仪获取的全脑3D T1加权(T1w)扫描图像,应用了六种免费可用的脑体积分割技术,其中包括两种专为对图像对比度具有鲁棒性而设计的新技术,以考察其对基于模型的和监督式机器学习算法的影响。所有受试者在同一台扫描仪上扫描两次以评估扫描仪内重复性。除扫描仪内重复性外,我们旨在通过评估MR扫描仪之间的一致性来量化体积测量的扫描仪间再现性。此外,我们评估了病灶填充对重复性和再现性的影响。
材料与方法
参与者
获取了2016年11月至2017年期间一项为期1年随访研究中21名MS受试者(复发缓解型MS n = 16;继发进展型MS n = 1;原发进展型MS n = 4)的基线扫描,受试者根据McDonald 2010标准[30]诊断。纳入的受试者年龄在18至70岁之间。排除标准为任何神经系统/神经心理学共病以及MR检查禁忌证。受试者在同一中心的三台3 T MR扫描仪上接受了一次扫描和一次重扫描,以下分别称为第一次(扫描)和第二次(重扫描)运行。不同的MR检查在同一天进行,或两次扫描之间最多间隔八天。在第一次和第二次运行之间,受试者离开扫描仪床并走几步后重新定位。机构审查委员会批准了研究方案(NL555598.029.15),并根据《赫尔辛基宣言》从所有个体获得了书面知情同意。
MRI方案
患者在以下扫描仪上接受扫描:1)3 T GE Discovery MR750(GE Healthcare,美国密尔沃基),2)3 T Philips Ingenuity(Philips Healthcare,荷兰贝斯特),3)3 T Toshiba Vantage Titan(Toshiba Medical Systems Corporation,日本大田原,现为Canon Medical的一部分)。所有检查均由一名训练有素的博士后(HA)进行扫描。采集的图像为3D T1w(见表1),仅在GE扫描仪上额外扫描了一个3D液体衰减反转恢复(FLAIR)序列(TE/TR/TI = 130/8000/2340 ms,1.0 × 1.0 × 1.2 mm³),使用当地优化的采集方案。这些方案针对每台扫描仪为同一组放射科医师的诊断目的进行了优化。本研究的目的是调查在临床环境中脑体积是否受到扫描仪差异的影响。因此,我们未在各扫描仪之间标准化每个TE、TR和TI。在本研究中,我们将使用“扫描仪间”一词来涵盖使用不同扫描仪所产生的差异以及不同采集方案所导致的变化。通过以这种方式使用“扫描仪间”,我们旨在承认并考虑这两个因素对观察到的体积的联合影响。所有采集均应用了失真校正。
病灶填充
为避免多发性硬化(MS)病灶引起的潜在变异,在3D T1w图像上对病灶进行了填充[31]。使用nicMS lesions(https://github.com/sergivalverde/nicMSlesions)在3D FLAIR图像上进行病灶分割,为每位患者在其3D-FLAIR空间中生成 individual 病灶概率图。随后,使用FMRIB线性图像配准工具(FLIRT)(Jenkinson & Smith, 2001)将这些概率图线性配准到同一患者的六个不同的3D T1空间,采用12个自由度、互信息作为代价函数及三线性插值。接着,应用0.5的阈值获得病灶掩模。然后,利用病灶自动预处理(LEAP)[32],将3D T1w和病灶掩模图像用于在T1w图像上填充病灶。图1给出了FLAIR及未填充和填充T1w图像的示例。
脑容量测定
使用第2.4.1至2.4.7节所述的分割方法,将未填充和病灶填充图像分割为感兴趣区(ROI)。在本研究中,我们观察了全脑、白质(WM)、1灰质(GM)、脑脊液(CSF)及双侧深部灰质(DGM)(杏仁核、伏隔核、尾状核、海马、苍白球、壳核和丘脑)体积。必要时进行了额外的预处理(如去除颈部)。在补充分析中,我们将结果仅集中于全脑、GM、WM、CSF和丘脑体积。对随机选取的一组图像进行了分割的质量控制(QC)。图2显示了分割示例。
CAT-12
使用计算解剖学工具箱(CAT)12版本1830(http://www.neuro.uni-jena.de/cat/index.html,耶拿大学医院,德国耶拿),其为在Matlab R2018b(The MathWorks,Natick,MA)中运行的SPM-12(http://www.fil.ion.ucl.ac.uk/spm/software/spm12/,Wellcome Trust神经影像中心)的附加组件[33]。简言之,CAT-12结合正常受试者的先验组织概率图和基于强度的组织分类,以提高将MR图像分割为GM、WM和CSF的准确性[34]。分割前自动剥离颈部和颅骨。CAT-12中的脑体积定义为GM和WM体积之和,总颅内体积(TIV)用于头部大小的标准化。未进行额外的预处理或人工干预。使用默认设置运行横断面数据分割工具,包括使用Hammers图谱分割DGM结构[35]。
FreeSurfer
使用FreeSurfer 7.1.1版本;详细描述可参见:https://surfer.nmr.mgh.harvard.edu/fswiki/,此前已有描述[23, 36]。简言之,基于体积和基于表面的方法均被用于生成脑部体积测量。它应用了若干自动预处理步骤,如颅骨剥离、强度归一化和偏场校正。FreeSurfer提供估计的TIV(eTIV),其基于颅内体积(ICV)与至MNI305空间线性变换之间的关系,作为归一化指标[37]。然而,这种关系受脑体积偏倚[38],因此可能导致不正确的归一化。因此,我们还使用源自SAMSEG的基于分割的TIV估计值(sbTIV)对FreeSurfer体积进行归一化。FreeSurfer以-3T -all选项运行。
SAMSEG
序列自适应多模态分割(SAMSEG)(https://surfer.nmr.mgh.harvard.edu/fswiki/Samseg)是一种相对较新的方法,已在[29]中描述。简言之,SAMSEG使用基于网格的概率图谱,不需要任何预处理步骤。基于分割的TIV估计值(sbTIV)被用于归一化。SAMSEG是FreeSurfer软件包的一部分。
FSL
FSL-FIRST用于DGM分割,FSL-SIENAX用于WM、GM、CSF和全脑分割,均来自FSL 6.0.4版本(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)[24, 25, 39]。FSL-FIRST是一种基于模型的工具,使用从大型数据集中衍生的形状和外观模型。SIENAX分别估计GM、WM周围GM和脑室CSF的体积分数[40]。在此之前,通过将颅骨图像配准至MNI 152空间确定体积缩放因子[41];该因子被用于FIRST和SIENAX的归一化。按照[42]的建议,本研究中对FSL-SIENAX应用了最优参数“-B -f 0.1”以及颈部去除。
FastSurfer
FastSurfer(https://github.com/Deep-MI/FastSurfer)是一种基于FreeSurfer输出的卷积神经网络(CNN)[26]。它在140名受试者上进行了训练,这些受试者使用FreeSurfer 6.0.0版本处理,并产生相似的输出。此外,还运行了基于表面的流程。未进行预处理。eTIV被用于归一化。
SynthSeg
另一种名为SynthSeg(https://github.com/BBillot/SynthSeg)的CNN通过训练合成数据来解决深度学习方法的泛化性问题,这些合成数据采样自手动分割和FreeSurfer分割及相应的输入图像[28]。SynthSeg(v1.0)不提供任何归一化体积或估计值,如eTIV或sbTIV,因此此处应用了来自SAMSEG的sbTIV。
统计分析
所有统计分析均使用R统计软件(版本4.1.1;R Foundation for Statistical Computing,维也纳,奥地利)进行。所有统计分析的概览见图3。重复性和再现性分别通过组内相关系数(ICC)进行横断面评估,其中扫描仪内绝对一致性(ICC-AA)采用95%置信区间(CI),扫描仪间一致性(ICC-C)亦采用95%置信区间。请注意,ICC-C不反映测量之间潜在的系统性差异。ICC值根据Koo和Li(2016)的标准进行分类[43]。ICC-C在所有扫描仪的扫描-重扫描图像的第一次运行上进行检验。再现性通过重复测量方差分析或对非正态分布数据采用Friedmann检验进行评估。在适当的情况下,事后检验使用配对t检验或Wilcoxon符号秩检验进行。报告的p值为Bonferroni校正后结果。上述分析针对未归一化体积进行,以减轻不当归一化的影响。对于以下分析,我们进行了归一化处理,因为这是横断面研究中的常规做法。对归一化体积进行了方差成分分析(VCA)。根据方差估计值,我们计算了测量标准误(SEM),以均值的百分比表示,分别用于扫描仪内(SEMwithin)和扫描仪间(SEMbetween)测量[44]。其中SEMwithin定义为残差方差(σ2ε)的平方根除以结构的平均体积( ): ,而SEMbetween定义为评分者(扫描仪)方差(σ2r)与σ2ε之和的平方根除以 : 。此外,我们根据SEM计算了百分比最小可检测变化(SDC)(SDC = 1.96 · · SEM),其表示被认为是显著变化的最小百分比变化(具有95%确定性)[44]。为评估任何固定偏倚和比例偏倚,制作了Bland-Altmann图。这些图描绘了扫描仪之间的体积差异作为平均体积的函数,并附有95% CI。此外,我们进行了功效分析,以评估检测1%体积差异所需的最小样本量,使用alpha = 0.05和80%功效。这些分析分别针对扫描仪内或扫描仪间的情况进行。
结果
信度
在病灶填充和非病灶填充图像上分割的脑、灰质(GM)、白质(WM)和脑脊液(CSF)体积,其扫描仪内ICC-AA均高于0.9,表明可靠性极好(图4和补充材料图1)。然而,对于通常更难分割的较小结构(深部灰质(DGM)),ICC-AA值范围为0.64至0.99,表明可靠性中等至极好。总体而言,与其他软件相比,FreeSurfer和FSL的ICC-AA较低。除某些小结构如伏隔核(范围:0.4–1)外,扫描仪间总体ICC-C为良好至极好(> 0.7)。图5显示,总体而言SAMSEG的总体ICC-C最高,其次是FastSurfer和SynthSeg。图6给出了杏仁核ICC及95% CI的示例。在此实例中,FSL和SAMSEG的杏仁核ICC的95% CI不重叠,但对于GM,这些区间非常相似。对于同一软件和脑结构,扫描仪间的ICC-AA高于ICC-C(范围:0.65–1 vs. 0.41–1)。病灶填充和非病灶填充图像的ICC值及其相应CI高度重叠(图7)。
扫描仪间的系统性差异
尽管扫描仪间可靠性较高,但所有软件包的GM和WM均存在系统性差异(图8和图9)。对于每个软件包,GE的白质体积低于Toshiba和Philips(p < 0.001,SynthSeg与Philips比较除外)。相反,GE扫描分割的灰质体积高于Philips(p < 0.001,SAMSEG除外)。对于GE vs. Toshiba,FastSurfer(p < 0.0001)、FreeSurfer(p < 0.0001)、SAMSEG(p < 0.01)和SIENAX(p < 0.001)亦如此。非填充图像也发现了类似观察结果(见补充材料)。对于全脑体积测量,差异因扫描仪和软件而异,但FSL-SIENAX例外,其扫描仪间无显著差异(补充材料图3)。
方差成分分析
Bland–Altman图、测量标准误和最小可检测变化
在Bland–Altman图中,虽然存在固定偏倚,但未观察到明显的比例偏倚。补充材料(图6)中展示了使用SIENAX分割的灰质(GM)、白质(WM)和脑脊液(CSF)体积的Bland–Altman图示例。其他软件也发现了类似的观察结果。在表3中,归一化体积的测量标准误(SEM)以各结构均值的百分比形式分别详细列出。从表中可以看出,SEMbetween在1.75%至12.42%之间,而同一结构和软件的SEMwithin较低(范围:0.37–5.25%)。对于未归一化体积的最小可检测变化(SDC)也发现了类似的观察结果,根据软件和结构的不同,扫描仪间分析的SDC相比扫描仪内分析高达九倍(表4)。在表3和表4中,FreeSurfer体积使用sbTIV进行归一化,因为eTIV归一化体积导致SDC增加高达19.28%(补充材料表1)。
功效分析
针对扫描仪间和扫描仪内测量进行了样本量功效分析。在图10中,描绘了在扫描仪间测量或扫描仪内测量情况下,检测组间1%体积差异所需参与者数量的比值。根据感兴趣区(ROI)和所使用的软件,多扫描仪研究可能需要多达两倍的参与者数量。某些结构通常难以分割,因此导致参与者数量增加(例如,丘脑)。对于SynthSeg,与例如FreeSurfer或FastSurfer相比,增加幅度较小。
讨论
在本研究中,我们通过考察同一厂商内及不同厂商间MR扫描仪的影响,对6款可免费获取的脑体积分割软件包在多发性硬化(MS)患者中的应用进行了比较研究。主要研究结果表明,尽管ICC评分处于良好至优秀水平,但所有受检软件包在不同扫描仪之间均存在系统性差异。正如预期,同一扫描仪内的重复性高于不同扫描仪间的可重复性。病灶填充并未提高ICC,因为95%CI高度重叠,但我们确实在未填充图像中观察到错误分割,尤其是在病灶内部及周围(补充材料图7)。利用本研究中使用的不同误差和相关指标,研究了若干不同的关注主题。高ICC值表明可靠性良好,意味着受试者之间可以被可靠地区分。这可能是由于受试者之间差异足够大,也可能是由于其他变异来源(也称为测量误差)的影响足够小[45]。在存在较大受试者间变异的情况下,该测量误差可能较大,但相对而言仍足够小,从而仍能产生高ICC。因此,以SEM表示的测量误差具有信息价值,因为它与测量的精确度相关。此外,RM-ANOVA和事后分析有助于了解是否存在任何系统性偏倚。
鉴于MS患者的萎缩率相对较小(根据结构和疾病类型不同为0.5–1.5%),测量误差处于体积损失的范围内对于准确获取疾病进展信息非常重要[7, 46]。我们观察到,与同一扫描仪内测量相比,不同扫描仪间测量的SEM和SDC显著更高。SEM(范围:0.37–1.32%)和SDC(范围:1.02–3.67%)的估计值提示,MS患者每年的全脑体积损失(0.5–1.35%)可在同一扫描仪上于一年或两年内被可靠地观察到,而在不同扫描仪间的情况下,可能需要长达5–10年,具体取决于所关注的结构[46, 47]。Guo等[15]也发现了类似的观察结果,他们发现变异系数(CoV)在扫描仪内为0.17–0.92%,而扫描仪间CoV为0.65至5.0%。此外,Opfer等[48]也发现扫描仪内百分比差异在0.24%至1.74%之间,并发现扫描仪间变异性增加了十倍,这与我们的SEM结果一致。与既往研究不同,借助SDC指标,可以获得所需最小变化的信息。我们关于扫描仪间差异的结果与既往MS领域的类似研究一致[15, 49]。较小结构的ICC较低、SEM较高和SDC较高,可能是由于小ROI分割任务更为困难[50]。此外,例如在GE扫描上未分割一个WM体素而在Philips扫描上分割了一个体素,与较小结构的相同情况相比,对ICC的影响更小。
ICC分析是在未归一化的体积上进行的,以排除任何不当归一化对这些结果的影响。然而,对于SEM的计算和功效分析,我们确实考察了归一化后的体积,因为归一化通常应用于横断面研究中。特别是对于SEM,当使用FreeSurfer的eTIV进行归一化时,与使用sbTIV归一化相比,SEM增加至高达6.95%。使用sbTIV归一化的体积在FreeSurfer中产生的SEM与其他软件相似。这表明eTIV可能不是一个可重复的归一化指标,在使用FreeSurfer进行分割时必须使用其他方法(例如sbTIV),正如FreeSurfer所建议的那样。
在所有分割方法中,SAMSEG显示出最低的测量误差和最高的扫描仪间可重复性。同样,检测体积1%差异所需的参与者数量与其他软件相比较少。此外,SynthSeg在各项可重复性指标上的表现与SAMSEG相似。诚然,大多数软件的灰质SEM(范围:0.49–1.51%)低于年灰质萎缩率(0.58–0.97%),前提是测量误差不随时间增加。这在其他结构中是可比的[46]。然而,扫描仪间测量的SDC系统性增加。SAMSEG和SynthSeg均被明确开发为可适应不同扫描仪以及不同序列[28, 29]。这表明,为获得更可重复的结果,此类软件优于FreeSurfer和SIENAX等更传统的方法。值得注意的是,FastSurfer的ICC高于FreeSurfer,尽管FastSurfer是基于FreeSurfer分割输出而非手动分割进行训练的。值得一提的是,还有更多可用的软件包,对其准确性进行评估是有必要的。
即使使用最新的分割软件,扫描仪之间的系统性差异仍然存在。本研究的目标不是提供一种最优软件,而是为潜在读者提供一份指南,以便根据其输入数据和研究目的选择最优软件。此外,我们在多扫描仪设置下量化了多发性硬化症患者的可重复性。尽管数据协调的理念已存在很长时间,并被阿尔茨海默病神经影像倡议等计划所采纳,但这在临床实践中通常不可行[51]。即使采用协调方法,协议参数仍有过多自由度,例如接收线圈、TE/TR/TI和k空间采样策略,影响例如有效空间分辨率和CNR[52]。此外,考虑站点和扫描仪效应的协调方案(如 traveling brain 方法)也有其缺点[53]。一种可能的解决方案是按照[54]的建议提供与人脑特征相似的体模。
局限性
我们的研究存在一些局限性。首先,我们的样本量相对较小,仅有21名多发性硬化症患者。鉴于样本量较小,与更大规模的队列研究相比,我们报告的各估计值方差可能偏大。然而,患者在3台扫描仪上进行了扫描,每台扫描仪扫描两次,总共获得126次T1w扫描用于患者内比较。其次,我们仅研究了3 T场强。目前,3 T和1.5 T系统在日常临床诊疗中均被频繁使用,而组织在3 T与1.5 T系统上的T1和T2弛豫时间不同,这可能影响分割[55, 56]。遗憾的是,我们没有手动勾画的分割来检查图像分割的质量。此外,并非每个分割都经过了视觉检查以确认其正确性。第三,由于FLAIR图像仅在GE扫描仪上采集,配准可能影响了病灶填充流程的准确性。此外,FLAIR图像在扫描仪之间可能存在的差异可能影响T1w病灶填充。然而,在本研究的众多变异来源(如参与者移动、扫描仪、协议、软件等)中,我们选择不引入额外的变异来源,如FLAIR协议的差异和病灶分割的差异。第四,本研究在单一中心进行,图像由一名技师使用为该特定中心神经放射科医生优化的协议采集。
结论
我们证明了在多发性硬化症中,T1w脑体积测量在扫描仪内和扫描仪间均具有较高的ICC,尽管每台扫描仪和每个软件均存在系统性差异,且差异因结构而异。这意味着在临床环境或横断面多中心/多扫描仪研究中,需要考虑扫描仪的效应。此外,要在临床环境中应用萎缩测量,需要对多发性硬化症的体积测量进行标准化。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 997 KB)
引用
- van Nederpelt DR, Amiri H, Brouwer I, et al. Reliability of brain atrophy measurements in multiple sclerosis using MRI: an assessment of six freely available software packages for cross-sectional analyses. Neuroradiology. 2023. PMID: 37526657. doi:10.1007/s00234-023-03189-8
- 全文:PMC10497452(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10497452/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。