基于深度学习CNN动脉输入函数的CT灌注成像与临床指标关联评估核心梗死与缺血半暗带
本研究纳入160例急性缺血性卒中患者,采用CNN将原始动脉输入函数曲线拟合至伽马变异函数后估算核心梗死和缺血半暗带体积,并与NIHSS和ASPECTS评分进行相关性验证。CNN AIF估算的半暗带体积与NIHSS正相关(r=0.69),与ASPECTS负相关(r=-0.43),提示该方法可提高核心和半暗带体积评估的可靠性。
要点
- CNN AIF估算的半暗带体积与NIHSS正相关(r=0.69),与ASPECTS负相关(r=-0.43),均p<0.001。
- CNN AIF估算的核心体积与ASPECTS负相关(r=-0.49,p<0.001)。
- 在NIHSS>20且ASPECTS<5的重症患者中,无CNN AIF时核心体积常被报告为0,CNN AIF可识别被常规方法忽略的核心区域。
核心结论
- 在灌注成像流程中引入CNN AIF后,半暗带和核心梗死体积的估算更可靠,因其与反映卒中神经功能缺损的评分相关。
研究设计与样本
- 研究纳入160例大血管闭塞的急性缺血性卒中患者(男87例,女73例,中位年龄73岁),数据来自台北荣民总医院及新竹分院,获机构审查委员会批准。
- CTP扫描使用Philips Ingenuity CT,对比剂70 mL碘剂以4 mL/秒注射,采集参数为80 kV/190 mA/5 mm/16层,发病至成像时间24小时。
- 由三名经验丰富的神经放射科医生评分,中位NIHSS为10(4–19),中位ASPECTS为8(6–10)。
- CTP数据集随机分为训练集128例和验证集22例,CNN模型经训练后在验证集上验证,并与聚类算法选取的AIF所估算的体积进行比较。
关键影像表现/征象
- CNN模型接受插值后的AIF曲线作为输入,输出伽马变异函数拟合的AIF曲线(CNN AIF),用于去卷积估算灌注参数。
- 图4展示一例NIHSS 23分、ASPECTS 0分、左侧大脑中动脉闭塞患者,无CNN AIF时半暗带99 mL且左侧无核心梗死,CNN AIF时半暗带123 mL、核心10 mL。
- 图5展示一例NIHSS 23分、右侧颈内动脉闭塞患者,无CNN AIF时半暗带736 mL且无核心梗死、缺血区呈双侧,CNN AIF时半暗带137 mL、核心6 mL且缺血及核心区主要位于右侧。
诊断标准与关键数值
- 核心梗死定义为CBF<30%,半暗带定义为Tmax>6 s。
- CNN AIF估算的半暗带体积与NIHSS正相关(r=0.69;p<0.001),与ASPECTS负相关(r=-0.43;p<0.001)。
- CNN AIF估算的核心体积与ASPECTS负相关(r=-0.49;p<0.001)。
- CNN AIF与无CNN AIF估算的半暗带平均体积差为12.1 mL(一致性界限-311.5至335.8 mL),核心梗死平均体积差为4.0 mL(一致性界限-58.5至66.4 mL)。
- Wilcoxon符号秩检验显示,CNN AIF估算的CBF<20%、CBF<30%、CBF<38%、Tmax>10 s体积的中位数均显著更高(p<0.05)。
临床应用与阅片要点
- 在CTP分析流程中引入CNN AIF进行曲线拟合,可辅助识别常规方法可能忽略的核心梗死区域,尤其是在高NIHSS(>20)和低ASPECTS(<5)的重症患者中。
- 作者认为,包含CNN AIF的灌注成像流程可提供较准确的核心和半暗带图像及统计,可能有助于医生做出合适的分类、转运和治疗决策。
- 作者指出,尽管AI和深度学习算法在医学影像领域取得进展,但患者管理的最终决策和这些算法的实际实施始终取决于主治医生的判断。
- 原文提到,对于急性局灶性神经功能缺损患者,快速识别癫痫发作等卒中模拟病至关重要;近期研究提示CT灌注是确定癫痫病因的有前景工具。
局限性
- 本研究结果基于有限训练数据集的CTP,且CNN模型所用真实标签的选择有限。
- 观察其他血流动力学模型(而非伽马变异函数)的曲线拟合与NIHSS评分的关联将是有意义的。
- 使用更大数据集及其他相关临床和影像变量可能进一步改进CF CNN模型的训练。
- 将曲线拟合应用于磁共振灌注数据集分析以观察其是否在类似水平上表征核心和半暗带将是有意义的。
- 本研究在有限的缺血性卒中患者CTP数据集上完成,不同患者队列的CTP和MRP数据集的可用性取决于临床机构的方案和伦理批准。
全文中译9 节 · 点击展开
引言
计算机断层扫描灌注(CTP)分析是一种动态、增强、无创的检查方法,仍是急性卒中分诊决策的重要诊断工具[1–3]。从CTP数据集中评估不可逆损伤的梗死核心和低灌注组织或缺血半暗带,是选择卒中患者进行再灌注治疗的有用范式[1, 4–7]。在准确评估核心和半暗带后,脑再灌注可挽救处于危险中的脑组织,并显著改善患者的临床状况[7]。对CTP参数进行阈值化可确定最佳的核心和半暗带体积,即半暗带为Tmax > 6 s,核心为相对CBF < 30%(a.u)[8]。
CTP参数估计需要对两个时间依赖函数进行去卷积,即浓度时间函数(t)和动脉输入函数(AIF)(t)(公式2)[9]。大动脉血管预定义的对比剂输入称为动脉输入函数(AIF)[10]。AIF曲线通常具有基线期、首过和再循环部分[11]。基线扭曲、首过部分形态-振幅误差以及再循环部分不一致的AIF会预测不正确的灌注参数[12]。这些固有误差可能导致识别出错误的核心和半暗带体积。
根据近期研究,通过将血流动力学模型对AIF进行曲线拟合(CF)可改善CTP参数的估计[13]。以时间点绘制的动脉浓度时间曲线表明,对比剂被注入血管上游并在下游稀释[11]。曲线拟合可确保AIF具有恒定基线、具有峰值振幅的首过部分以及一致的再循环部分[13, 14]。为实现这一点,既往研究使用伽马变异函数对动脉浓度时间曲线建模,其值为[13]:
这里t表示时间点,AT是团注到达时间,K是常数比例因子,α和β作为任意参数用于描述曲线形状。
由于深度卷积神经网络(CNN)方法能够从急性脑影像数据中准确预测AIF和最终卒中病灶,近年来其在CTP成像中得到了显著应用[2, 15, 16]。CNN的优点在于其表现出类人认知,并使用大量隐藏层从脑图像中自动提取特征[17]。不需要人工特征识别;相反,CNN模型可在短时间内准确预测AIF和核心,直接辅助患者诊断[2, 15, 17, 18]。
除阈值化灌注参数外,医学专业人员还参考NIHSS和ASPECT评分来做出取栓决策[19–22]。临床试验需要严重程度评估;NIHSS被认为是卒中严重程度评级的金标准,因为它已被证明可预测卒中患者的短期和长期结局[23, 24]。在NIHSS量表(0–42)中,评分1–4代表轻型卒中,5–15表示中度卒中,16–20为中度至重度卒中,评分21–42表示患者为重度卒中[23]。
ASPECTS 用于评估前循环超急性缺血性卒中的早期缺血性改变[25]。对于 ASPECTS,正常大脑评分为 10 分,随着受影响脑区增多,评分下降[26]。ASPECTS 评分 0–5 分的患者可从机械取栓中获益,且不增加症状性颅内出血风险[27]。美国卒中协会最近更新了其卒中管理指南,目前关键选择标准之一包括 ASPECTS。基线 ASPECTS ≥ 6 分的患者被建议接受血管内治疗[28]。
本研究探讨基于 CNN 的 AIF 估计——其结合了一致基线、峰值幅度和相同再循环部分的特征——是否能改善核心和半暗带的体积评估。假设使用 CNN AIF 评估核心和半暗带可通过 NIHSS 和 ASPECTS 等临床评分进行验证。我们预期基于 CNN 的 AIF 能在传统 AIF 方法失败的卒中患者中识别核心和半暗带。这可能有助于临床医生做出取栓和再灌注治疗决策。
方法
患者人群
本研究使用了 160 例大血管闭塞缺血性卒中患者的 CTP 数据集(男性 = 87,女性 = 73,中位年龄 = 73 岁)。这些数据集来自台湾台北荣民总医院及其新竹分院。人体研究机构审查委员会对本研究给予了伦理批准(IRB-TPEVGH 2021-06-016 BC,IRB-2020-02-006B)。
成像方案
以每秒 4 mL 的速率注射 70 mL 对比剂(碘)。图像在临床 CT 扫描仪(Phillips:Ingenuity CT)上使用序列采集(KVP/X 射线管电流/层厚/层数 80 kv/190 mA/5/16)获取,发病至成像时间为 24 小时。三名经验丰富的神经放射科医生评分 NIHSS 和 ASPECTS,NIHSS 中位数为 10(4–19),ASPECTS 中位数为 8(6–10)。
基于 CNN 的 AIF 估计核心和半暗带
估计灌注参数的工作流程如图 1 所示。最初,CTP 数据集被随机分为训练数据集(128 个数据集)和验证数据集(22 个数据集)。使用聚类算法为 CNN 分割 AIF 标签[29]。该算法在大脑中动脉(MCA)区域绘制感兴趣区(ROI)。然后,它对 ROI 使用重复聚类分析来分割 AIF 体素。关于所用方法和代码的更多细节,读者可参考[29]。聚类算法为训练集和验证集中的每个数据集估计三个 AIF,以生成训练和验证 AIF 曲线。为估计 AIF,该聚类算法在大脑中动脉(MCA)区域采用递归聚类分析[29, 30]。使用特征增强和样条插值改善训练数据集密度以提高模型训练性能。数据增强使用了镜像、旋转以及镜像和旋转两者。最初,通过聚类算法在 128 个训练数据集上获得的 AIF 包含与浅峰、扭曲基线和非相同再循环相位相关的内在误差。
训练用的AIF曲线通过MATLAB中众所周知的既有算法进行曲线拟合(CF)为伽马变量血流动力学函数(C_GVM)(公式1),并用作标签以调整这些基于形状的误差[14]。增强后,由聚类方法估计的1152条扭曲动脉曲线被用作输入源,1152条曲线拟合后的动脉曲线被用作标记数据,用于CNN的监督训练。
CNN模型架构使用Python的Keras库构建。CNN架构包括一个输入层,接受插值AIF曲线(500个点)形式的输入;两个卷积层(卷积核长度=2);一个池化层;一个展平层;以及两个与输出层全连接的全连接层。为连接卷积层与平均池化层,使用了ReLu激活函数。为将36个神经元的全连接层连接到输出节点,使用了softmax函数。批大小为32,总可训练参数为17,238,网络训练了300个epoch。优化器为均方根传播,初始学习率为0.001。CNN模型训练在一台工作站上完成,硬件为:Intel I5/内存:16 GB/GPU:1070(8 GB)。
模型训练后在22个数据集上进行了验证。在测试阶段,扭曲AIF从训练数据集AIF位置以外的位置选取。CNN模型以扭曲AIF曲线作为输入,输出伽马变量拟合AIF曲线的概率图(图1)。从训练好的CNN获得的该伽马变量拟合AIF曲线称为CNN AIF。用CNN AIF( )对浓度时间曲线( )进行去卷积估计残差函数R(t)(公式2),其进一步通过阈值CBF<30%(公式3)估计核心,并通过阈值Tmax>6 s(公式4)估计半暗带。使用CNN AIF估计的核心和半暗带体积与通过聚类算法选择的AIF获得的体积进行比较。
统计分析
Spearman相关系数用于评估NIHSS和ASPECTS与核心和半暗带体积的一致性。平均体积差异使用Bland–Altman图展示。Wilcoxon符号秩检验用于在组水平比较灌注参数。所有统计分析均使用MedCalc软件(https://www.medcalc.org/)。
结果
图2展示了CNN模型进行的曲线拟合。在单个数据集的轴位CTP切片上,AIF位置标记为红点(图2a)。原始AIF是该动脉位置的浓度曲线随时间变化的绘图(图2b)。CNN模型在插值后接受该曲线作为输入。作为输出,CNN模型预测伽马曲线拟合AIF(图2c)。
半暗带和梗死核心体积与NIHSS和ASPECTS的相关性
使用CNN AIF计算的组织风险体积与NIHSS评分呈正相关(r = 0.69;p 0.001),与ASPECTS呈负相关(r = − 0.43;p 0.001)。(图3a、b)。表1显示,当使用CNN AIF估算半暗带体积时,其与NIHSS评分具有更强的正相关。当使用CNN AIF计算Tmax > 4 s、8 s和10 s体积时,它们与NIHSS具有更高的正相关(表1)。根据Bland–Altman图,使用CNN AIF与不使用CNN AIF估算的组织风险之间的平均体积差异为12.1 mL(一致性界限,− 311.5至335.8 mL;图3c)。
由CNN AIF估算的梗死核心与ASPECTS呈负相关(r = − 0.49;p < 0.001)(图3e)。表2显示,从CNN AIF估算的Tmax > 6 s体积与ASPECT评分具有更高的负相关。使用CNN AIF或不使用CNN AIF进行梗死核心预测均显示与ASPECTS呈相似负相关(表2)。从CNN AIF与不使用CNN AIF估算的梗死区域的平均体积差异为4.0 mL(一致性界限,− 58.5至66.4 mL;图3f)。
组水平分析
使用CNN AIF与不使用CNN AIF的卒中患者半暗带和核心体积的组间比较见表3。Wilcoxon符号秩检验表明,使用CNN AIF估算的CBF < 20%、CBF < 30%、CBF < 38%、Tmax > 10 s体积的中位数在统计学上显著更高。使用CNN AIF的梗死核心(CBF < 30%)中位数为12 mL,而不使用CNN AIF的核心体积中位数为0(表3)。由于这些患者患有卒中,因此梗死核心体积中位数为零可能不能反映患者的低灌注。
在某些情况下,不使用CNN AIF估算的半暗带和核心区域对于患有严重卒中的患者症状来说不合理。这些患者通常NIHSS评分较高(> 20)且ASPECTS较低(< 5)。我们在图4中以一例卒中患者为例进行直观展示。患者1报告NIHSS评分为23(严重卒中),ASPECTS为0,以及左主干冠状动脉急性闭塞(LMCA闭塞)。不使用CNN AIF时,半暗带体积为99 mL,且左侧无梗死核心,代表估算存在缺陷。使用CNN AIF时,半暗带体积为123 mL,核心区域体积为10 mL(图4)。
另一名卒中患者的NIHSS评分为23分(重度卒中),伴右侧颈内动脉(RICA)闭塞。该患者报告缺血区域位于双侧大脑,而未使用CNN AIF,这与其症状不符,因为缺血应仅位于右侧。未使用CNN AIF估算的缺血半暗带为736 mL,且无梗死核心(图5)。使用CNN AIF后,缺血半暗带体积为137 mL,梗死核心体积为6 mL,且缺血区和核心区主要位于右侧(图5)。在150名卒中患者中,有30例患者NIHSS评分较高(重度卒中),未使用CNN AIF时其核心被报告为零。使用CNN AIF后,这些患者的平均核心体积为5 mL,中位数为2 mL。
讨论
在本研究中,我们研究了使用CNN曲线拟合AIF对灌注参数的影响。CNN AIF估算的缺血半暗带和梗死核心大小与患者症状相符。曲线拟合方法与NIHSS和ASPECT评分的缺血半暗带和梗死体积相关性更好,这些评分是卒中相关神经功能缺损的定量指标。
最近一项研究探讨了NIHSS评分是否可用于预测脑出血患者的短期预后[31]。研究发现NIHSS与脑内血肿体积呈显著正相关,并且对30天死亡率具有独立预测价值[31]。此前一项研究发现,NIHSS评分与缺血性卒中后最初数小时内进行的动脉造影结果之间存在关联。对于NIHSS评分为10分的患者,动脉造影很可能发现血管闭塞[32]。另一项此前研究通过比较PWI病灶体积与NIHSS,发现灌注参数与NIHSS之间具有更高的相关性(r = 0.96,p 0.001)[33]。在大血管闭塞患者中,最近一项研究发现ASPECTS与CTP核心体积之间具有更强的相关性[34]。这些结果支持使用ASPECTS和NIHSS评分作为替代标志物来验证缺血半暗带和核心的估算[31, 32]。
传统动脉输入函数(AIF)的计算可通过手动方式或使用聚类、动脉似然等自动方法完成[11, 30]。对于手动AIF选择,受过训练的临床操作者根据其经验在脑图像上选取少量像素作为AIF[11, 29]。在动脉似然方法中,AIF检测算法使用代价函数在全脑切片中搜索信号幅度高于平均水平的区域[33]。基于聚类的方法使用递归聚类分析来选择AIF体素[29]。由于操作的可重复性问题,手动估计AIF不被优先采用[29]。动脉似然法中选择AIF的缺陷源于代价函数中使用的多个惩罚因子。传统的AIF计算方法未将AIF拟合到血流动力学模型,可能导致半暗带和核心体积与患者症状不匹配[11]。
近期卒中研究中用于估计缺血区域的未使用CF的基于去卷积的模型是线性的,尽管核心和半暗带的估计取决于多种因素[2, 11, 35]。缺血的某些危险因素包括CT灌注(CTP)信号失真、侧支循环状态以及灰质/白质含量[15, 34]。使用灌注阈值而不校正失真的AIF信号可能导致核心估计值可忽略不计。将失真的AIF拟合到血流动力学模型可大幅减少AIF曲线再循环段和基线段的失真(图2)[13, 14]。基于卷积神经网络(CNN)的AIF算法的优势在于它解决了AIF失真问题,并允许在忽略噪声或误差的同时选择与失真数据点对应的最佳AIF曲线。
在本研究中,某些高NIHSS评分和较低ASPECT评分的卒中患者接受了取栓术,并报告了灌注参数估计存在缺陷。这些患者未报告核心体积(见图4、图5)。因此,在组分析中,无CNN AIF时报告的中位核心体积为零mL(表3)。使用CNN AIF后,这些患者具有特定的半暗带和核心体积。将CNN AIF纳入灌注参数计算具有临床意义,因为经评分验证的核心和半暗带体积估计有助于取栓和再灌注决策的分诊。
尽管在利用核心和半暗带视觉评估信息后立即启动二级预防,复发性卒中仍然是一个障碍。近期研究讨论了3D CNN在辅助复发性卒中患者准确预后预测方面的潜力[36]。基于3D深度学习的风险预测系统(RPS)旨在以卒中复发风险评分(SRR评分)的形式预测卒中复发概率[36]。该研究得出结论,基于深度学习的模型可以优于传统风险评分,具有更高的半暗带估计准确性[36]。另一项研究证明,3D CNN从计算机断层扫描血管造影源图像中检测复发性缺血性卒中是可行的[37]。在被诊断为复发性卒中的患者中,梗死区域的标记敏感度为0.93,特异度为0.82[37]。
基于卷积神经网络(CNN)算法的实施存在一些局限性。本研究的结果基于CT灌注(CTP)数据,训练数据集有限,且用于CNN模型的地面真值选择有限。观察除伽马变量函数之外的血流动力学模型的曲线拟合如何与NIHSS评分相关联将是有意义的。CF CNN模型的训练可能通过使用更大的数据集以及使用其他相关临床和影像变量得到进一步改善。将曲线拟合应用于磁共振灌注(MRP)数据集的灌注分析,以观察其是否能在相似水平上表征核心和半暗带,也将是有意义的。此外,尽管人工智能和深度学习算法在医学影像领域取得了进展,但关于患者管理的最终决策以及这些算法的实际实施将始终依赖于主治医师的判断。
在伴有急性局灶性神经功能缺损的患者队列中,快速识别卒中模拟病(如癫痫发作[38])至关重要。CTP的主要用途是识别可能从再灌注治疗中获益的卒中患者[32]。近期研究表明CT灌注是确定癫痫发作病因的有前景的工具[38]。本研究基于有限缺血性卒中患者的CTP数据集完成。不同患者队列的CTP和MRP数据集的可用性取决于临床机构的方案和伦理批准。将曲线拟合应用于首次癫痫发作患者CTP数据集的灌注分析,以观察其是否能在相似水平上表征癫痫活动,也将是有意义的。
总之,基于CNN的AIF改善了半暗带和梗死核心体积的估计。使用CNN AIF获得了半暗带和梗死体积与NIHSS和ASPECT评分更好的相关性。这既是动机也是证据,支持在Tmax/CBF估计之前纳入CF。CF AIF可以识别核心区域可能被传统方法忽略的患者。纳入CF AIF可以为医生提供相当准确和精确的灌注参数脑图像和统计数据,这可能有助于他们为卒中患者确定合适的分诊、转运和治疗决策。
引用
- Bal SS, Yang FG, Chi NF, et al. Core and penumbra estimation using deep learning-based AIF in association with clinical measures in computed tomography perfusion (CTP). Insights Imaging. 2023. PMID: 37775600. doi:10.1186/s13244-023-01472-z
- 全文:PMC10541385(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10541385/
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。