文献速递神经儿科影像MR

多中心胎儿脑磁共振成像中的生物测量与体积测量:评估超分辨率重建的偏倚

Biometry and volumetry in multi-centric fetal brain magnetic resonance imaging: assessing the bias of super-resolution reconstruction.
PubMed 文献 · Pediatr Radiol · 2025-08-08

这项回顾性多中心研究纳入84例健康胎儿,在3家医院用3种超分辨率重建流程重建T2加权胎儿脑MRI,由4位专家测量二维生物指标并自动三维体积测量。结果显示不同重建方法引起的测量变化均小于体素宽度0.8 mm或小于2.8%,未显示大的系统偏倚;但定性评估中白质信号强度和图像锐度存在方法间系统差异。

要点

  • 不同超分辨率重建方法间二维生物测量变化均小于体素宽度0.8 mm(P<0.001)。
  • 自动三维体积测量方法间系统效应小于2.8%(P<0.001)。
  • 白质信号强度(P=0.02)和图像锐度(P=0.01)的感知存在方法间系统差异。

核心结论

  • 使用不同超分辨率重建方法进行跨中心、跨扫描仪和跨评估者的临床放射学评估时,二维和三维定量测量的变化未显示任何大的系统偏倚。

研究设计与样本

  • 回顾性多中心研究,纳入2009年至2023年三家医院采集的T2加权胎儿脑MRI,最终分析84例健康胎儿(共252个超分辨率重建)。
  • 每个受试者分别用NeSVoR v.0.5.0、NiftyMIC v.0.9.0和SVRTK v.auto-2.2.0三种超分辨率重建流程以默认参数重建,各向同性分辨率0.8 mm。
  • 由4位产科和/或儿科图像分析医学专家在低分辨率二维堆栈和三维超分辨率重建体积上进行生物测量,自动三维体积测量使用BOUNTI分割方法。
  • 生物测量包括胼胝体长度、蚓部高度、脑双顶径、颅骨双顶径和横小脑直径,并与Kyriakopoulou等[16]的参考值比较。

关键影像表现/征象

  • 定性评估显示各超分辨率重建方法在白质信号强度感知(P=0.02)和图像锐度(P=0.01)上存在系统差异。
  • NeSVoR在白质分层(SVRTK-NeSVoR=0.5,P<0.01;NiftyMIC-NeSVoR=0.54,P<0.01)和强度(SVRTK-NeSVoR=0.63,P=0.01)上表现较差,且比SVRTK和NiftyMIC更模糊(SVRTK-NeSVoR=0.84,P<0.01;NiftyMIC-NeSVoR=0.62,P=0.02),整体感知质量更差(SVRTK-NeSVoR=0.63,P=0.01)。
  • 最佳评级的体积(SVRTK)白质非常清晰,白质与基底节之间对比明显。

诊断标准与关键数值

  • 二维生物测量在单变量分析中胼胝体长度和蚓部高度无显著方法间差异;多变量分析中胼胝体长度NeSVoR-NiftyMIC差异为−0.2±0.06 mm(P<0.001),蚓部高度NeSVoR-SVRTK差异为−0.09±0.94(P<0.05)。
  • 有统计学显著结果时效应量均小,最大为颅骨双顶径0.43±0.06 mm,小于0.1%变异且低于体素宽度0.8 mm。
  • 评估者相关效应最大为颅骨双顶径1.55 mm(2.5%变异),一致大于超分辨率重建效应但仍小。
  • 自动三维体积测量方法间变异约1%,除外脑脊液在NeSVoR与NiftyMIC间观察到2.7%差异。
  • 皮质灰质体积较Kyriakopoulou等[16]一致高估,较Machado-Rivas等[28]一致低估。

临床应用与阅片要点

  • 不同超分辨率重建方法在高质量重建条件下产生的二维生物测量和三维体积测量差异小,未显示大的系统偏倚。
  • 临床医生对NeSVoR和NiftyMIC多数体积的放射学评估评级为不足;SVRTK图像质量评级足够好(优于NeSVoR,P=0.01),但临床医生仍犹豫将其用于放射学评估。
  • 与低分辨率堆栈相比,专家对超分辨率重建体积无一致偏好;多数NiftyMIC和SVRTK体积被认为可用作低分辨率图像,但对用NeSVoR替代低分辨率图像犹豫。

局限性

  • 原文未报告局限性。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Pediatr Radiol. 2025 Aug 8;55(10):2064–75. doi: 10.1007/s00247-025-06347-7

引言

胎儿脑磁共振成像(MRI)越来越多地被用作超声(US)成像的补充,以确认或排除不确定的发现[1]。其优异的软组织对比度和图像分辨率能够更准确地测量胎儿脑部,并获得更好的脑实质信号,这对于检测皮层畸形和细微的白质异常至关重要[2]。

产前脑MRI常规评估结合了定性形态学评估和生物测量。在常规临床实践中,胎儿脑MRI生物测量是在层厚2–5 mm、平面内分辨率0.5–1 mm的二维切片T2加权(T2w)图像堆栈上进行的,通常按照三个正交平面采集。然而,胎儿和母体运动可能导致斜向采集平面,结合各向异性图像分辨率,可能使精确的生物测量难以进行。尽管一些研究已将MRI上进行的测量与用于建立偏离正常范围的US参考值进行了比较[3–7],但由于MRI获取精确切片方向的挑战,基于MRI的生物测量在临床实践中仍不被推荐。

在过去十年中,超分辨率重建方法[8–14]的出现,使得能够将受运动伪影影响的低分辨率T2w序列组合成高分辨率三维(3-D)各向同性体积。这些3-D体积对胎儿脑生物测量具有重要价值,因为它们能够在任意平面进行灵活导航,便于选择最佳平面进行精确的生物测量[15–17]。此外,它们还能实现体积(3-D)分析,并得到多个自动化流程的支持[8, 10, 12–14, 18, 19]。这些技术为利用MRI更准确地表征正常和病理性的胎儿神经发育铺平了道路。

关于超分辨率重建3-D体积的早期工作已将其生物测量与US和低分辨率切片的一致性进行了比较[16, 20–22]。Kyriakopoulou等[16]使用通过切片到体积重建方法[8, 10]重建的超分辨率体积来构建生物测量和体积结构的规范模型。Khawam等[20]研究了T2w序列与使用医学图像分析实验室超分辨率工具包(MIALSRTK)[12, 19]重建的体积之间生物测量的评分者间信度,而Lamon等[21]则聚焦于胼胝体生物测量,比较了US、T2w和使用MIALSRTK [12, 19]重建的超分辨率体积。然而,这些工作依赖于单一的超分辨率重建方法;因此,其在使用其他超分辨率重建方法时的可重复性仍有待证实。最近,Ciceri等[22]首次比较了多种超分辨率重建方法(MIALSRTK [12, 19]、NiftyMIC [13]和切片到体积重建工具包(SVRTK)[10, 18])之间的二维生物测量,重点关注20–21孕周期间。他们表明MIALSRTK和NiftyMIC取得了良好的重建成功率,且与T2w序列测量一致,而SVRTK则表现出许多失败的重建并被排除。

然而,这些工作均局限于单中心数据,且未考虑超分辨率重建方法是否能够提高评分者间信度,或是否在定量测量中引入系统性偏倚。Ciceri等[22]未能将数据质量的影响与超分辨率重建算法的影响区分开来。通过将所比较的超分辨率重建方法的成功率与生物测量质量混为一谈,他们无法回答以下问题:当不同的超分辨率重建方法产生良好质量的结果时,生物测量值是否保持一致?或者换一种表述:即使超分辨率重建质量良好,任何超分辨率重建方法的重建过程是否会引入改变,从而系统性地偏倚生物测量评估?

我们假设,在高质量重建的前提下,二维和三维测量在不同超分辨率重建方法之间将保持一致,但由于重建图像强度的改变,专家对使用超分辨率重建进行临床评估仍会持谨慎态度。本研究的目的是评估超分辨率重建的临床实用性,并评估这些方法是否会引入伪影,从而系统性地偏倚从重建体积中获取的测量值。

材料与方法

数据集

人群

脑部磁共振成像(MRI)检查从三家医院正在进行的研究中回顾性收集:洛桑大学医院(H1;CHUV,洛桑,瑞士)、巴塞罗那临床医院(H2;巴塞罗那,西班牙)和La Timone医院(H3;马赛,法国)。排除标准包括双胎妊娠以及胎儿MRI扫描中的任何病变或畸形。该研究获得了各中心机构审查委员会的伦理批准(CHUV:CER-VD 2021-00124,临床医院:HCB/2022/0533,La Timone:艾克斯-马赛大学 N°2022-04-14-003)。胎儿检查均匀分布在代表胎儿大脑发育不同阶段的三个孕龄(GA)区间:[21, 28)周、[28, 32)周和[32, 36)周。纳入和排除的MRI检查流程图见图1。

图1 研究总体描述。a 研究样本流程图显示纳入和排除情况。共有219名孕妇在三个中心接受了成像。74例磁共振成像(MRI)检查因重建质量差而被排除,最终145例MRI检查被标注并自动分割。在相关年龄区间选择受试者后,最终分析84例MRI检查(27例为[21–28)岁,31例为[28,32)岁,26例为[32–36)岁)。b 不同中心的孕龄分布。c 研究设计。受试者嵌套于评分者内。评分者考虑来自其所在中心的受试者(M.K.负责CHUV,I.V.负责临床医院,N.G.、A.Ma.负责La Timone),并对每位受试者的每种重建进行测量。NeSVoR,神经切片到体积重建;SVRTK,切片到体积重建工具包 查看原图 ↗

数据

胎儿MRI数据在不同医院使用不同的Siemens Healthineers扫描仪(德国埃尔朗根)以1.5特斯拉(T)或3 T采集。胎儿脑MRI方案包括在三个正交方向(轴位、冠状位、矢状位)采集的T2w HASTE(半傅里叶采集单次激发涡轮自旋回波成像)序列。不同MRI采集参数和每名受试者采集次数的详细信息见表1。采集存在一定程度异质性,这反映了临床实践的差异,因为采集方案可能因影像中心而异[1]。

表1 关于采集参数、参与者孕龄、T2w序列分辨率以及重建算法中使用的堆栈数量的元数据 查看原表 ↗

数据处理

由于临床胎儿脑MRI采集具有各向异性分辨率,不同方向采集的数据通过超分辨率重建方法重建为单一高分辨率体积。每名受试者使用三种广泛使用的超分辨率重建工具包进行重建:神经切片到体积重建(NeSVoR)(v.0.5.0)[14]、NiftyMIC(v.0.9.0)[13]和SVRTK(v.auto-2.2.0)[10]。选择这些流程是因为它们在社区中被广泛使用,并且代表了经典逆问题方法[13, 18]和自监督深度学习重建方法[14]。根据不同医院的情况,通过视觉检查[20]和/或自动质量控制[23]排除运动或信号下降程度高的堆栈。在La Timone和Hospital Clínic,堆栈采用非局部均值去噪[24]和N4偏置场校正[25]进行处理。然后,每名受试者使用三种超分辨率重建方法的默认参数以0.8 mm各向同性分辨率进行重建。所得的超分辨率重建体积对齐到标准方向。

对于质量较差的重建,测试不同的堆栈组合,直到通过视觉评估认为图像质量足够(无明显伪影或配准/重建错误)。如果没有组合能够获得足够高质量的重建,则该受试者被排除在研究之外。

生物测量

使用ITK-SNAP(美国宾夕法尼亚州宾夕法尼亚大学)在低分辨率二维堆栈和三维超分辨率重建体积上进行生物测量。测量由各站点的产科和/或儿科图像分析医学专家执行:CHUV由M.K.(15年经验)执行,Hospital Clínic由I.V.(5年经验)执行,La Timone由N.G(> 20年经验)和A. Ma.(5年经验)执行。这导致了受试者嵌套于评估者之中的设计(图1)。遵循已建立的胎儿脑MRI生物测量指南[1, 3, 16, 26],进行了以下测量:胼胝体长度(LCC)、蚓部高度(HV)、脑和颅骨双顶径(bBIP、sBIP)以及小脑横径(TCD)。一名受试者的测量示例见图2。然后将这些测量值与Kyriakopoulou等人[16]获得的参考值进行比较。

在低分辨率图像堆栈上,每位评估者为每次测量选择最合适的堆栈(就对齐和图像质量而言)。在三维超分辨率重建体上,评估者可以选择在進行测量之前重新对齐(手动刚性变换)图像。总共,四位不同的评估者每人进行了约550次测量(5个结构 × 4种变体(1个低分辨率 + 3个超分辨率重建)× 26–29名受试者)。

图2 使用T2w HASTE数据对一名31周龄健康受试者进行测量的图示。a–c 使用切片到体素重建工具包(SVRTK)重建的体上的生物测量。轴位(a):脑和颅骨双顶径(bBIP和sBIP)。矢状位(b):胼胝体长度(LCC)和小脑蚓部高度(HV)。冠状位(c):小脑横径(TCD)。d–f 使用脑体积测量与自动分割(BOUNTI)方法在轴位(d)、矢状位(e)和冠状位(f)平面上的自动分割。g–i 在轴位(g)、矢状位(h)和冠状位(i)平面上对T2w HASTE堆栈的测量。每列代表不同的堆栈。堆栈为可视化目的重新定向。j–l 图像(g、h、i)的低分辨率图像的穿平面视图,显示低分辨率采集在冠状位(j)、轴位(k)和矢状位(l)平面上的厚层切片。bBIP,脑双顶径;HV,小脑蚓部高度;LCC,胼胝体长度;sBIP,颅骨双顶径;TCD,小脑横径 查看原图 ↗

自动体积测量

使用脑体积测量与自动分割(BOUNTI)[27]——一种最新的深度学习分割方法——在超分辨率重建体上进行自动体积评估。BOUNTI将脑分割为19个不同区域,并在大量手动分割的脑体积语料库上进行了训练。分割的图示见图2。在我们的分析中,我们考虑了五种已有参考值的体积测量[16]:脑外脑脊液(脑外CSF)、皮层灰质(皮层GM)、小脑、幕上脑组织(ST)和总侧脑室。皮层GM和小脑测量还与Machado-Rivas等人[28]的生长曲线进行了比较,该研究使用Kainz等人[11]的方法重建T2w堆栈,并使用基于图谱的方法进行自动分割[15]。

定性评估

我们旨在获取专家对用于评估胎儿发育的关键解剖结构外观的反馈,特别是关于强度和可见性方面。四名神经放射学家(N.G.,>20年经验;A.Ma.,5年经验;M.K.,15年经验;M.G.C.,12年经验)被要求对使用所考虑的全部三种超分辨率重建方法从六名受试者重建的体积进行定性评估。所选受试者代表不同的孕周分组(26、28、29、30、32和34周),且所有受试者和方法均具有高质量的三维超分辨率重建体积,以避免任何偏倚。在第一轮评估中,临床医生可视化给定受试者的所有超分辨率重建体积,并被要求评估不同结构在超分辨率重建体积中显示的清晰程度。所提问题和所评估结构的详细信息见补充表S9。在第二阶段,评分者被要求将每名受试者的超分辨率重建体积与相应的低分辨率图像堆栈进行比较。首先要求他们根据使用可能性对每名受试者的三个超分辨率重建体积进行排序(允许并列)。然后要求他们确定在临床评估中是否会选择超分辨率重建体积而非低分辨率堆栈,以及超分辨率重建体积是否为放射学评估提供了比低分辨率堆栈更多的信息。

统计分析

最初进行单变量分析以评估超分辨率重建算法对生物测量(分别为体积测量)的影响。由于数据呈非高斯分布,使用Friedman检验(重复测量方差分析的非参数等效方法,N=252,自由度=2)来检验不同超分辨率重建方法之间的差异。我们未对多重比较进行校正,以检测与超分辨率重建技术相关的即使很小的统计效应,因为校正会更容易支持我们的假设。事后检验使用成对Wilcoxon秩和检验进行,此阶段应用了Bonferroni多重比较校正。效应量以 报告。

我们使用多变量回归来确认这些结果,以评估超分辨率重建对生物测量(分别为体积测量)的影响,同时考虑协变量。拟合了一个t分布的广义可加模型用于尺度和位置(GAMLSS)[29, 30],以生物测量(分别为体积测量)作为响应变量,超分辨率重建算法作为感兴趣的固定效应,孕周(GA)作为协变量,评分者仅作为生物测量的协变量(因为体积测量是自动计算的),受试者作为随机效应。

选择GAMLSS模型而非更简单的t分布线性混合效应(LME)模型是基于对残差分布(R函数fitdistrplus::descdist)和累积分布函数(R函数DHARMa::simulateResiduals)的视觉检查。虽然LME和GAMLSS均具有对齐良好的累积分布函数,但GAMLSS模型显示出更分散的残差分布,提示估计更稳定。

定性分析依赖于较小的样本。尽管如此,我们仍使用Friedman检验进行了单变量分析(N=72,自由度=2)。当发现显著结果时,使用成对Wilcoxon秩和检验进行事后分析检验,并对多重比较进行Bonferroni校正。所有统计分析均使用R软件4.2.2版本(R Foundation for Statistical Computing,维也纳,奥地利)进行。为便于分析结果,在补充实验的验证性分析中使用了R3的评分。此时分析仅涉及嵌套于评估者内的受试者。

结果

人群

应用纳入和排除标准后(图1),共纳入来自84例健康胎儿的252个超分辨率重建:CHUV 29个、Hospital Clínic 29个、La Timone 26个。孕龄分布见图1,并按年龄分组列于表1。

不同超分辨率重建方法的生物测量

单变量和多变量统计结果报告于表2。在单变量分析中,超分辨率重建方法对LCC和HV未引起显著差异,在多变量分析中效应非常小,LCC中NeSVoR-NiftyMIC差异为–0.2±0.06 mm(P<0.001),HV中NeSVoR-SVRTK差异为−0.09±0.94(P<0.05)。当比较产生统计学显著结果时,效应量始终较小(sBIP最大为0.43±0.06 mm),小于0.1%的变异,且低于体素宽度(0.8 mm)。

多变量分析还允许估计与评估者相关的效应,这些效应始终大于超分辨率重建效应,但仍然较小。sBIP的效应最大为1.55 mm(2.5%变异性)。这些结果通过一项额外的单中心分析得到证实,其中两名评估者标注了相同数据(见补充材料)。

生长曲线图见图3(顶行),与既往研究[3, 16, 31]中估计的百分位数一致。不同评估者和超分辨率重建的不同生长曲线的进一步说明见补充图S1。

表2 生物测量的统计分析。单变量生物测量分析(N=252,df=2)和使用t分布广义可加模型同时建模尺度与位置(GAMLSS)的多变量生物测量分析 查看原表 ↗
图3 测量值随孕龄的变化。a–e 不同超分辨率重建方法和评估者测量的胼胝体长度(a)、大脑双顶径(b)、颅骨双顶径(c)、蚓部高度(d)和小脑横径(e)随孕龄变化的生物测量值。曲线和虚线代表Kyriakopoulou等[16]的规范第5、第50和第95百分位数,但胼胝体长度(LCC)除外,其中黑色曲线来自Tilea等[3]对HASTE采集的测量,红色曲线来自Pashaj等[31]的超声测量。f–j 不同超分辨率重建方法和中心测量的脑外脑脊液(f)、皮层灰质(g)、小脑(h)、幕上组织(i)和侧脑室(j)的体积测量值随孕龄的变化。曲线和虚线代表Kyriakopoulou等[16]的规范第5、第50和第95百分位数,额外的蓝色曲线取自Machado-Rivas等[28]。bBIP,大脑双顶径;CSF,脑脊液;GM,灰质;HV,蚓部高度;LCC,胼胝体长度;NeSVoR,神经切片到容积重建;sBIP,颅骨双顶径;ST,幕上脑组织;SVRTK,切片到容积重建工具包;TCD,小脑横径 查看原图 ↗

脑组织体积测量

自动脑组织体积测量的结果见表3,显示不同超分辨率重建方法之间存在小而一致的可变性,约为1%,但脑外脑脊液除外,在NeSVoR和NiftyMIC之间观察到2.7%的差异。体积测量的生长曲线见图3(底行),其数值通常与先前估计的百分位数[16]一致,但皮层灰质除外,与Kyriakopoulou等[16]相比一致高估,与Machado-Rivas等[28]相比则低估。

表3 体积测量值的统计分析。单变量生物测量分析(N = 252,df = 2)和使用t分布广义加性模型用于尺度和位置(GAMLSS)的多变量生物测量分析 查看原表 ↗

关于超分辨率重建的定性反馈

在评估超分辨率重建容积上特定解剖结构的存在和可见性的第一项定性实验中,临床医生将NeSVoR和NiftyMIC的大多数容积评为不足以进行放射学评估。虽然SVRTK图像被评为其质量足够好(质量优于NeSVoR,P = 0.01),但临床医生仍不愿将其用于放射学评估。结果摘录见表4,我们可以看到,虽然所有超分辨率重建方法均产生良好的皮层连续性和锐利度,但NeSVoR在白质方面表现不佳(分层:SVRTK-NeSVoR = 0.5(P < 0.01),强度:SVRTK-NeSVoR = 0.63(P = 0.01),NiftyMIC-NeSVoR = 0.54(P < 0.01)),并且比SVRTK和NiftyMIC更模糊(模糊度:SVRTK-NeSVoR = 0.84(P < 0.01),NiftyMIC – NeSVoR = 0.62(P = 0.02)),导致整体感知质量更差(质量:SVRTK-NeSVoR = 0.63(P = 0.01))。

关于胼胝体、脑室、内囊和后颅窝的其他结果见补充材料。图4和图5展示了两个重建示例,分别呈现了评分最佳和最差的超分辨率重建体积,以及采集的轴位和冠状位低分辨率堆栈。总体而言,NeSVoR的评分通常低于SVRTK和NiftyMIC,原因是该方法在白质均匀性和强度方面引入了改变(图4,受试者1)。另一方面,评分最佳的体积(图4,受试者2,使用SVRTK)白质非常清晰,白质与基底节之间对比明显。

在第二个实验中,如表5所示,评分者对不同的超分辨率重建体积以及低分辨率堆栈进行了相互排序。结果显示,NeSVoR重建的评分始终低于NiftyMIC和SVRTK,其中NiftyMIC在本实验中被评为最佳(超分辨率重建排序:NiftyMIC-NeSVoR = 0.86(P<0.01))。与低分辨率堆栈相比,超分辨率重建体积并未获得一致优于低分辨率图像的偏好。专家指出,大多数NiftyMIC和SVRTK体积被认为可作为低分辨率图像使用,但对于使用NeSVoR替代低分辨率图像进行评估则较为犹豫。

表4 主观结构质量评估。评分范围为0(差)、1(可接受)和2(优秀)。单个星号表示该方法在统计学上显著优于该列中表现最差的方法。 查看原表 ↗
图4 一名健康受试者(孕龄 = 30周)的示例,展示T2w HASTE采集的轴位和冠状位视图以及评分最佳质量的重建体积(整体主观质量 = 1.54)。a–d 一个输入T2w堆栈的轴位视图(a)、使用神经切片到体积重建(NeSVoR)的重建(b)、NiftyMIC(c)和切片到体积重建工具包(SVRTK)(d)。e–h 一个输入T2w堆栈的冠状位视图(e)、使用NeSVoR的重建(f)、NiftyMIC(g)和SVRTK(h)。 查看原图 ↗
图5 一名健康受试者(孕龄 = 26周)的示例,展示T2w HASTE采集的轴位和冠状位视图以及评分最差质量的重建体积(整体主观质量 = 0)。a–d 一个输入T2w堆栈的轴位视图(a)、使用神经切片到体积重建(NeSVoR)的重建(b)、NiftyMIC(c)和切片到体积重建工具包(SVRTK)(d)。e–h 一个输入T2w堆栈的冠状位视图(e)、使用NeSVoR的重建(f)、NiftyMIC(g)和SVRTK(h)。 查看原图 ↗
表5 超分辨率重建(super-resolution reconstruction)与低分辨率(low-resolution)之间的定性比较。评分范围为0至2,第一列反映排序,第二列反映临床医生是否会使用超分辨率重建替代低分辨率体积(仅选一项),最后一列反映超分辨率重建是否被判断为比低分辨率更适合其临床检查。评分为1表示超分辨率重建与低分辨率同样有用。 查看原表 ↗

讨论

如今,先进的图像处理技术(如运动估计和超分辨率重建)使我们能够在三维空间中自由导航进入胎儿大脑,以提取定量测量值。我们研究的目的是评估不同的最先进超分辨率重建方法在重建体积用于生物测量和体积分析时是否会引起系统性偏差。来自多中心、多扫描仪采集的结果显示,不同超分辨率重建方法之间的二维生物测量存在统计学显著差异,差异始终低于体素宽度(0.8 mm)。在三维体积测量上,趋势相似,偏差约为1%(脑外脑脊液为2.5%,这是由于不同超分辨率重建方法对大脑裁剪方式不同所致)。虽然偏差较小,但体积测量中的偏差是系统性的,可能对未来的精细分析构成关注。在皮质灰质中观察到与参考生长曲线的较大偏差,甚至Kyriakopoulou等人[16]和Machado-Rivas等人[28]的结果也表现出较大变异。这可能是由于这两项工作之间重建和分割方案的差异,以及用于训练BOUNTI模型[27]的数据差异,因为皮质GM手动勾画的变异众所周知难以控制[32]。

我们的工作补充了Ciceri等人[22]的研究,他们在更受限的设置中(20–21周,单中心)展示了两种超分辨率重建方法所做测量的一致性。我们的结果对于在临床实践中使用超分辨率重建体积或利用和比较不同研究的结果是令人安心的:即使不同的超分辨率重建方法被部署到临床实践中或用于多中心研究,生物测量和体积测量在不同站点之间仍将保持一致,从而为新的生物标志物开辟了道路,这些标志物无法从US或低分辨率堆栈中获得。这些结果在不同磁场强度(1.5 T和3 T)以及不同T2加权数据分辨率(介于0.55 × 0.55 × 2.8 mm3至1.12 × 1.12 × 3.3 mm3之间)和堆栈数量(介于3个至超过12个堆栈之间)采集的数据中显示一致。

此外,虽然超分辨率重建可以随时用于定量测量,但由于超分辨率重建方法引入的差异(纹理噪声、强度变化),挑战仍然存在,这些差异可能根据原始分辨率设置而出现。在我们的实验中,这在NeSVoR的情况下尤为明显。因此,当超分辨率重建广泛应用时,培训医师区分SR重建伪影和结构改变将至关重要。尽管如此,临床医生普遍认同同时拥有低分辨率和超分辨率重建体积的益处。这有助于检测皮质畸形,因为在超分辨率重建数据上脑回化更为清晰可见,这是由于在超分辨率重建数据进行三维导航有助于减少低分辨率堆栈二维切片不受控采样所引起的模糊性。

这项工作还表明,对需要精确解剖方向的结构进行生物测量时,超分辨率重建的真正优势才会显现。对于正中结构,如胼胝体长度或蚓部高度,情况便是如此。

尽管如此,尽管本研究是多中心和多评估者的,我们的工作还应进一步扩展,以包括对重建体积的整体评估,尤其包括其质量以及重建病理受试者的能力。这对于真正评估这些重建方法在临床环境中的潜力是必要的。

最后,我们相信我们的结果将有助于构建大型、全面的规范模型[16],以更全面地刻画正常胎儿神经发育。尽管大多数现有数据集并非公开可用(除了胎儿dHCP),并且已使用不同的超分辨率重建流程进行处理,我们的结果表明,仍有可能将衍生的生物测量和体积测量整合到一个统一框架中。这种方法尤其有吸引力,因为它仅依赖高度聚合的衍生测量,从而绕过了共享敏感数据的需要。未来令人兴奋的机会还在于使用更先进的生物标志物,例如基于皮层折叠的生物标志物[33, 34]。

结论

总体而言,我们的研究表明,当获得质量足够的可比三维超分辨率(SR)体积时,超分辨率重建方法的选择不会在二维或三维测量中引入较大的系统偏差。这将允许通过汇集使用不同超分辨率重建方法处理且数据质量良好的受试者来构建更大的队列,从而使用先进生物标志物更深入地研究产前神经发育。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 662 KB)

引用

  1. Sanchez T, Mihailov A, Koob M, et al. Biometry and volumetry in multi-centric fetal brain magnetic resonance imaging: assessing the bias of super-resolution reconstruction. Pediatr Radiol. 2025. PMID: 40779051. doi:10.1007/s00247-025-06347-7
  2. 全文:PMC12513972(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12513972/

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。