面向20-40周胎龄三维T2加权0.55-3T磁共振的胎儿脑生物测量自动报告
本研究开发并验证了一套全自动胎儿脑生物测量报告流程,基于深度学习在3-D T2W胎儿脑MRI上定位标志点并计算13项线性测量、百分位和z值,回顾性90例与手动测量最大绝对差1-3mm,前瞻性111例中超过98%标志点放置可接受,处理时间每例小于5分钟。
要点
- 全自动流程可在5分钟内完成13项胎儿脑线性测量及百分位/z值计算并生成报告。
- 回顾性90例中自动与手动测量最大绝对差为1-3mm,ICC与手动间可比。
- 前瞻性111例中超过98%标志点放置被评为可接受,但最大脑宽、心房径和透明隔腔宽度不确定性最高。
核心结论
- 作者称其方法为首个整合深度学习测量、相对正常生长曲线计算百分位和z值并生成报告的全自动3-D T2W胎儿脑MRI生物测量报告流程。
研究设计与样本
- 研究为方法学开发与验证研究,共纳入525例18-41周胎儿MRI数据集,包括414例回顾性数据集和111例前瞻性数据集。
- 回顾性定量评估在90例22-38周、0.55T/1.5T/3T数据集上进行,与两位以上有经验神经放射科医师及一名胎儿MRI研究者的两套手动测量比较。
- 前瞻性定性评估在伦敦圣托马斯医院2024年7月至12月采集的111例20-38周数据集上进行,未用于训练、回顾性性能测试或正常生长图生成。
- 使用3-D SVR重建至0.8-1.0mm分辨率,深度学习采用经典3-D UNet架构在MONAI框架实现,训练集为150例0.55T和3T、18-41周数据集。
- 正常生长图基于406例健康对照数据集(含0.55T、1.5T、3T)18-40周生成5th、50th、95th百分位,采用经典二次多项式拟合。
关键影像表现/征象
- 自动测量与手动测量最大绝对误差范围为1-3mm,与既往报道的自动方法变异性一致。
- 最大脑宽、心室(心房)径和透明隔腔宽度的测量不确定性最高,心房径和透明隔腔宽度的观察者间ICC也较低。
- 所有回顾性测试病例的自动标志点放置被评为良好或可接受。
- 406例正常对照中53例因图像质量欠佳或可见度低需对标志点做轻微手动校正。
诊断标准与关键数值
- 标准化方案包括13项线性测量:颅骨双顶径、颅骨枕额径、最大脑宽、脑枕额径(左右分别测量)、左右心房(心室)径、透明隔腔宽度、经小脑直径、蚓部高度、蚓部前后径、脑桥前后径、胼胝体长度。
- 颅骨双顶径定义为颅骨最宽直径,在丘脑和前部第三脑室水平的轴位面上从外到外测量。
- 颅骨枕额径定义为额骨前点与枕骨后点之间距离,在中矢状面从外到外测量。
- 右和左心房(心室)径定义为心室壁内缘之间距离,垂直于心室长轴,在后部基底节、丘脑和第三脑室水平、脉络丛后方测量。
- 透明隔腔宽度定义为透明隔腔最宽横径,位于透明隔小叶内缘之间,在丘脑稍上方、第三脑室顶可见处测量。
临床应用与阅片要点
- 本研究中心当前临床实践是在3-D SVR图像上进行2-D生物测量,本流程的测量方案即基于该院临床实践并由胎儿MRI报告医师通过工作会议确定。
- 报告以.html页面呈现,包含病例一般信息、8幅代表性3-D脑SVR图像叠加自动标志点2-D线性测量、提取测量值及百分位和z值表格、13项测量相对正常曲线的生长图。
- 报告声明当前仅用于研究目的,不应作为诊断工具,尚待监管批准用于常规临床使用。
- 由于最大脑宽、心房径和透明隔腔宽度测量不确定性较高,作者指出需进一步工作建立专门适用于3-D SVR图像的生物测量方案,并需进一步模型优化和自动质量控制。
局限性
- 最大脑宽、心室(心房)径和透明隔腔宽度的测量不确定性最高,心房径和透明隔腔宽度的观察者间ICC较低。
- 作者指出需进一步工作建立专门适用于3-D SVR图像的生物测量方案。
- 需进一步模型优化以适应解剖变异,并纳入图像质量和标志点放置确定性的自动质量控制分级,才能达到稳定性能。
- 406例正常对照中53例因图像质量欠佳或可见度低需对标志点做轻微手动校正。
- 报告当前仅用于研究目的,不应作为诊断工具,尚待监管批准用于常规临床使用。
全文中译15 节 · 点击展开
引言
近年来,胎儿磁共振成像(MRI)的作用呈指数级增长,目前已在越来越多的适应证中用于详细评估、预后判断和治疗规划[1, 2],包括胎儿大脑发育[3, 4]、胎儿躯体异常[5, 6]、先天性心脏病[7]、胎盘病变[8]和高危妊娠。
对胎儿大脑发育进行准确而详细的评估涉及形态学评价、脑回分析和可靠的生物测量。这有助于早期发现和表征多种中枢神经系统(CNS)异常,从而能够进行全面的产前和产后评估。它还能更清晰地理解所发现异常的严重程度和影响,从而增加父母的选择并改善新生儿和儿童期结局[9]。
在当前临床实践中,MRI生物测量通常基于广泛可用的方法学和参考生物测量图表[10, 11],在二维(2-D)切片上手动进行。然而,在2-D切片上获取准确测量存在固有的挑战。胎儿和母体运动可能导致采集平面不理想,以及层间和平面间运动,这可能导致假阳性或假阴性结果,并造成所获测量的不确定性。这些技术挑战在孕早期(GA)尤为突出,此时胎儿运动增加且脑结构较小,使其特别容易受到测量误差的影响。尽管此后又发表了针对后颅窝[12, 13]、透明隔腔[14]以及孕早期(20-24周)[15]的附加参考生物测量图表,但它们同样依赖于2-D切片的测量。
胎儿大脑的三维(3-D)切片到容积(SVR)重建[16, 17]通过实现完整容积评估、更好的解剖结构可视化以及与真正正交2-D采集平面所得测量相一致的可靠生物测量,解决了许多技术挑战[18–20]。
目前,各中心之间的实践存在显著差异,在胎儿脑生物测量的若干方面尚无明确共识。这些方面包括每项测量的解剖标志定义、参考平面和切片的选择、确定应测量哪些结构和参数以评估正常生长和诊断特定病变,以及决定应使用内部还是外部解剖边界。部分容积效应和脑结构不对称的影响也仍未得到充分解决。此外,手动测量存在众所周知且预期之中的一定变异度,进一步限制了生物测量评估的一致性和准确性。
不同孕周和场强下缺乏普遍接受的生物测量定义和方法,这凸显了需要详细、系统且标准化的指南作为基线。事实上,一项专注于胎儿MRI后颅窝测量的系统综述[21]识别了62项不同的二维生物测量指标,其中许多指标使用略有不同的方法评估相似特征。另一项系统综述[22]指出,现有的胎儿脑部生物测量MRI参考范围的方法学质量低至中等,强调需要更稳健、标准化的方法。另一项系统综述报告了类似发现,证明现有胎儿胼胝体生物测量参考图表的方怯存在异质性[23]。
自动化生物测量有潜力提高测量的可靠性和可重复性,从而能够精确量化胎儿大脑发育。近期少数研究已证明对各种胎儿MRI测量进行自动化生物测量的技术可行性。Avisdris等[24]和She等[25]的工作展示了在二维冠状切面中的自动化生物测量,结合了深度学习脑部分割和机器学习形态学操作来进行平面选择和三个线性脑部测量的提取。Matthew等[26]应用基于图谱的配准来传播标志点,从三维SVR胎儿MRI头部图像中提取31项颅面生物测量指标。Masterl等[27]提出了利用深度学习在三维SVR脑部图像中检测标志点并提取11项脑部测量指标。
然而,据我们所知,目前尚不存在能够自动化三维SVR T2W MRI衍生的生物测量指标、百分位计算和标准生长曲线图,并生成具有临床相关性和可操作性的报告的报道流程。在MRI检查过程中直接实施可靠的自动化生物测量可显著增强临床实用性并优化工作流程,减少获取手动测量所花费的时间。这一能力对于实时整合到常规临床实践中至关重要。
贡献
本工作介绍了首个基于深度学习提取测量指标并通过与标准生长模型比较计算z分数的三维T2w胎儿MRI脑部生物测量自动化报告原型解决方案。输出结果以结构化.html报告呈现,设计用于整合到放射学工作流程中,并镜像了产前超声软件中常规使用的标准化格式。其附加价值在于将耗时且受观察者内和观察者间变异影响的传统手动生物测量进行自动化。这有可能有助于改善标准化和工作流程效率。
主要开发步骤包括:基于我们机构当前临床实践制定生物测量方案;实施基于深度学习的关键点流程以计算13项标准生物测量值;以及使用由406个对照数据集生成的列线图自动报告百分位数,这些数据集覆盖0.55-3-T场强和19-40周孕龄。深度学习生物测量方法的性能通过在90个回顾性数据集上与人工测量比较进行定量评估。此外,完整报告流程的临床效用通过在111个前瞻性数据集上对关键点放置进行质量评分进行定性评估。
材料和方法
队列、图像采集和预处理
共203个胎儿数据集,采集自3-T Philips Achieva MRI系统(Philips Healthcare,Best,荷兰),使用32通道心脏线圈,回波时间=180 ms,采集分辨率1.25×1.25 mm,层厚2.5,-1.5-mm间隔,5-6个堆栈;
共39个胎儿数据集,采集自1.5-T Philips Ingenia MRI系统(Philips Healthcare,Best,荷兰),使用28通道躯干线圈,回波时间=180 ms,采集分辨率1.25×1.25 mm,层厚2.5,-1.25-mm间隔,4-5个堆栈;
共72个胎儿数据集,采集自1.5-T Siemens Sola MRI系统(Siemens Healthineers,Erlangen,德国),使用两个30通道和18通道体线圈,回波时间=80和180 ms,采集分辨率1.24×1.25 mm,层厚3 mm,9-12个堆栈;
共212个胎儿数据集,采集自0.55-T Siemens MAGNETOM Free.Max MRI系统(Siemens Healthineers,Erlangen,德国),使用六元件柔性线圈和九元件脊柱线圈,回波时间=105–106 ms,采集分辨率1.48×1.48 mm,层厚4.5,9-12个堆栈[28]。
训练和测试队列的纳入标准如下:健康志愿者,
单胎妊娠,
超过四个胎儿MRI堆栈且覆盖全脑,
可接受的SVR重建质量[17],主要脑结构和组织界面可见性充分,以及
正常脑表现。前瞻性队列(包括部分因临床指征转诊的病例)的额外标准是未报告异常。
队列共包括525次MRI检查,孕龄18-41周,包括414个回顾性数据集和111个前瞻性数据集。深度学习模型的训练在150个数据集上进行,随后在90个回顾性数据集上测试。我们使用406个回顾性正常对照数据集生成规范生长曲线图(其中包括大多数训练和测试病例)。流程的前瞻性评估在111个额外前瞻性采集的数据集上进行,这些数据集未用于任何其他流程开发步骤。所有病例在通过流程处理前均去标识化。
本工作中使用的大多数数据集(图1)采集自3 T(40.4%)和0.55 T(38.7%)。1.5-T Ingenia Philips数据集比例较小(7.4%),是由于该扫描仪采集的正常对照病例可用性较低。1.5-T Sola Siemens数据集仅用于前瞻性评估,病例比例(13.5%)对应于无脑异常发现的研究知情同意临床病例数。
所有图像均使用全自动 auto-proc-SVRTK1 流程 [17, 29, 30] 进行三维重建,在标准放射学空间中以 0.8–1.0 mm 分辨率重建。此外,使用“三维胎儿 MRI 脑体积测量与自动分区”(BOUNTI)方法 [31] 对每个图像体进行三维脑组织分割。
基于标志点的生物测量方案的形式化
我们机构目前的临床实践包括在三维 SVR 图像上进行二维生物测量,因为该方法提供全脑覆盖和体积评估,这对于可靠的生物测量至关重要 [19]。
我们旨在通过与我们机构专攻胎儿 MRI 的经验丰富的报告放射科医师(MR、AE、SA、AL)举办研讨会,扩展 Kyriakopoulou 等 [19] 定义的框架,目标是建立可重复的生物测量方案。对于每个生物测量参数,在所有 GA 中清晰定义了解剖标志点、参考平面和切片,并考虑了部分容积效应。
随后,在共识会议期间,在 20–35 周 GA 的病例子集上,使用基于标志点的方法定义了每项测量,其中三维球体点标签在 ITK-SNAP.2 中手动创建。
我们纳入了额外测量,包括脑桥前后径、胼胝体长度和透明隔腔宽度。颅骨测量也进行了更新,以反映外到外边界 [32, 33]。选择这些额外参数是因为它们与监测正常胎儿生长和发育相关 [34]。
我们最终确定的方案包括 13 项常规线性测量,涵盖颅骨、脑、脑室、胼胝体、小脑、脑桥和蚓部(包括左右配对测量以考虑潜在不对称性)。
自动化脑生物测量流程
所提出的三维 T2W 胎儿脑图像自动生物测量流程如图 2 所示。首先,将三维 SVR 重建的 T2W 脑图像对齐到标准放射学平面,并重采样至 0.5 mm 分辨率。随后,通过分割相应的 26 个三维球体标签,对生物测量标志点进行深度学习定位。对于分割,我们使用在 MONAI [36] 框架中实现的经典三维 UNet 架构 [35]。预处理包括脑掩膜和仿射图谱配准 [37],使用 MIRTK 工具箱3 执行。该网络在 150 个数据集(0.55 T 和 3 T)上训练,覆盖 18–41 周 GA。训练标志点标签通过在 ITK-SNAP 中手动精修初步网络输出生成。所有分割标志点均通过额外对齐到相关平面和脑组织标签的组织界面进行后处理。最终生物测量值以毫米为单位计算为三维标志点坐标之间的距离。所有步骤合并为一个脚本,该脚本可在 auto-proc-SVRTK 仓库 https://github.com/SVRTK/auto-proc-svrtk 中公开获取。
胎儿脑生物测量的规范生长曲线图
为了为报告工具提供参考范围,我们使用所提出的流程从406个健康对照数据集(包括0.55 T、1.5 T和3 T)生成具有第5、第50和第95百分位数的规范生物测量生长曲线模型,孕龄范围为18至40周。所有自动标志点均经过审核并在需要时手动修正。模型使用经典二次多项式拟合生成[38]。
自动生物测量报告与规范生长曲线图
将所提出的自动生物测量流程整合到常规临床实践中,需要一种直观的输出格式,例如报告,其易于解读并支持基于个体病例的进一步分析,从而增强现实世界的适用性和可接受性。
因此,在标志点检测步骤之后,重新定向的三维脑图像和三维生物测量标志点文件被传递至Python脚本,该脚本自动生成.html报告页面。报告显示:
病例的一般信息(患者编号、扫描日期和孕龄);
八张具有代表性的三维脑SVR图像,并叠加基于自动标志点的二维线性测量;
包含提取的生物测量值、计算的百分位数和z分数的表格;
13项提取测量值与带百分位数的规范曲线对比的生长曲线图;
免责声明:当前报告仅供研究用途,因此不应作为诊断工具使用(尚待监管批准用于常规临床使用)。
结合自动生物测量和报告脚本的完整流程作为独立应用程序通过auto-SVRTK4 docker公开可用,可在Windows、MAC和Linux系统上运行。源代码及说明在auto-SVRTK5 GitHub仓库上公开可用。
评估
所实施的自动生物测量流程的一般可行性首先在90例回顾性病例上进行定量测试,使用以0.55-T、1.5-T和3-T场强三种协议采集的对照数据集,覆盖22-38周孕龄范围。对于所有病例,由经验丰富的神经放射科医师(MR、AE、SA、AL)和一名胎儿MRI研究人员(AU)进行了两组手动线性测量。比较在手动测量之间进行,以及在自动测量与平均手动测量之间进行。差异以绝对误差(单位:mm)计算。
接下来,我们在伦敦圣托马斯医院于2024年7月至12月期间获取的111例前瞻性病例上,对该流程的临床实用性和可接受性进行了定性前瞻性评估。这些数据集未用于训练、回顾性性能测试或规范生长图表的生成。纳入标准包括同意参与研究(健康志愿者和临床转诊者)、单胎妊娠、孕龄20-38周范围、重建质量良好且脑结构清晰可见、以及无极端结构异常。对于每个病例,评估了自动生物测量报告的可使用性,所有自动标志点放置均由四名经验丰富的神经放射科医师(MR、AE、SA、AL;具有4-30年胎儿和新生儿MRI经验)和一名胎儿MRI研究人员(AU;具有6年经验)以Likert量表进行视觉评分。此外,还收集了最终用户反馈,以评估对该流程效率、对工作量的影响以及整体信心水平的看法。
手动测量和标志点放置的审查在ITK-SNAP、3-D Slicer6和MITK Workbench7医学图像可视化平台上进行。
结果
基于标志点的胎儿脑生物测量方案
图3和图4展示了所提出的标准化方案,包含13项常规胎儿测量(包括左右心房直径和脑枕额径)的定义以及20-35周时间点的代表性图像。
选择这些生物测量参数是因为它们在监测胎儿正常生长发育、支持常见异常的诊断(如脑室扩大、胼胝体发育不全和后颅窝畸形)以及预后预测方面具有相关性。该方案建立在Kyriakopoulou等人[19]所概述的工作基础之上,更新了测量定义以反映我们机构当前的标准化临床实践,包括将脑双顶径重命名为最大脑宽度。此外,还纳入了常规测量的关键参数。更新后的定义还考虑了随孕龄变化的动态形态学改变、部分容积效应和场强变化。颅骨双顶径(BPD)定义为颅骨最宽直径,在丘脑和第三脑室前部水平的轴面平面上从外到外测量。
颅骨枕额径(OFD)定义为额骨前点与枕骨后点之间的距离,在正中矢状面平面上从外到外测量。
最大脑宽度是脑的最宽直径,在丘脑和第三脑室前部水平的轴面平面上测量。
脑枕额径是额叶和枕叶最远点之间的距离,在矢状面平面上分别对左右半球进行测量。
左右心房(脑室)直径测量为脑室内壁之间的距离,垂直于脑室长轴,在基底节后部、丘脑和第三脑室水平以及脉络丛后方进行测量。
透明隔腔(CSP)宽度定义为CSP最宽的横径,即分隔小叶内缘之间的距离。测量位置略高于丘脑水平,即第三脑室顶部可见处。
经小脑直径(TCD)定义为小脑最宽直径,在轴平面小脑中部水平测量,确保显示双侧小脑半球及蚓部。
蚓部高度为最大头尾长度,蚓部前后(AP)径为从顶至后缘的最大距离,垂直于蚓部高度测量,两者均在中矢状面获取。
脑桥前后径为从腹侧至背侧表面的最大距离,在中矢状面测量。
胼胝体长度为膝部与压部之间的最大距离,在中矢状面测量。
自动化生物测量流程的回顾性评估
图5总结了该流程在90例病例上的回顾性定量评估结果,这些病例采用0.55-T、1.5-T和3-T方案采集,覆盖孕22-38周范围,比较自动化测量与两组人工测量。组内相关系数(ICC)值显示大多数测量具有良好至优秀的信度,且在全部13项生物测量中,人工与人工之间以及自动化与人工平均值之间的ICC相当。绝对误差分布在人工测量之间也相似,并存在若干离群值。与人工测量相比,最大绝对误差范围为1至3 mm,与此前报道的自动化方法变异性一致[24, 25, 27]。不同采集方案和孕周的测试病例的定位标志点示例见图6。自动化标志点的放置(AL)在所有病例中均被评为良好或可接受。不确定性程度最高的测量为最大脑宽、脑室(房部)直径和透明隔腔宽度,原因在于解剖变异性以及3-D中缺乏固定结构标志点,即使在方案规范化之后亦然。房部直径和透明隔腔宽度在观察者间变异性方面也显示较低的ICC。这表明,尽管这些结果证实了自动化生物测量相对于人工测量的总体可行性,仍需进一步工作以建立专门适用于3-D SVR图像的生物测量方案。此外,需要进一步优化模型以适应解剖变异,并结合图像质量和标志点放置确定性分级的自动化质量控制,以实现稳定性能。
胎儿脑生物测量的正常生长曲线图
图7和图8展示了根据406个正常对照数据集(孕龄范围18至40周)的自动生物测量值生成的生长曲线图和二次规范模型。所有生物测量结果均经审核,其中53例因图像质量欠佳或可见度低而需要对标志点进行轻微手动校正,但未对趋势线产生显著差异。各模型的数值尺度和形态特征与Kyriakopoulou等人[19]既往报告的趋势高度相关,且与早期指南[10–13, 15]中的趋势外观相似。所有整体测量指标,包括颅骨BPD、颅骨OFD、脑OFD和脑最大宽度,均随孕龄增加而增大,生长轨迹在妊娠晚期略有减速。经小脑横径、脑桥宽度、蚓部AP径和蚓部高度趋势显示近乎线性生长。胼胝体长度在约33周后趋于平台期。脑室(房部)直径在整个孕龄范围内表现出高方差,与既往研究[19]一致;整体趋势表明脑室在较早孕龄时较大,在妊娠晚期趋于稳定。透明隔腔宽度也存在高方差,在第三孕期后趋于平台期。
包含基于混合采集方案数据集的百分位模型公式的文档,以及图谱空间中定义的标志点生物测量方案示例,已在专用存储库https://gin.g-node.org/ kcl cdb/fetal mri biometry在线公开提供。
生物测量报告流程的前瞻性评估
前瞻性定性评估在111个前瞻性采集的数据集上成功完成,这些数据集未报告极端结构性脑异常。从评估者处收集了关于标志点放置的定性分级和评论(共26条),以及关于报告流程实用性和便利性的最终用户总体反馈。
图9展示了13项测量中26个标志点各自的平均质量评分。总体而言,超过98%的标志点放置被评定为可接受用于判读和测量(64.2%为“优秀”级;28.2%为“良好”级;6.5%为“一般”级)。仅1.1%的标志点被评定为“差”级。“优秀”级比例最高的是颅骨枕额径(OFD)和双顶径(BPD)、经小脑径(TCD)、脑桥及蚓部前后径以及蚓部高度。这可归因于准确放置标志点所需的显著且清晰可见的解剖特征。相比之下,最大脑宽度和脑枕额径标志点的“良好”级比例较高,这符合预期,因为随着孕龄增长会出现更大的形态学变异和更明显的皮层折叠。评分最低但仍为“良好”级的是透明隔腔及心房直径测量,原因是解剖变异性;以及胼胝体长度,原因是膝部可见性欠佳。
这些结果再次证实,在临床实践中使用自动生物测量报告是可行的,并提示所提出的流程有可能作为基线,用于进一步适配和重新训练模型以应对广泛的脑部异常。然而,少量低质量评级的存在突出表明,自动测量在报告前应始终进行视觉检查并在需要时予以纠正。
生成的自动生物测量报告(biometry.html)示例见图10。该格式被确认可接受用于临床判读。完整流程(包括预处理、深度学习生物测量和报告生成)的总处理时间平均每例少于5分钟,处于报告工作的合理时间范围内。
讨论
本工作的主要目标是实现胎儿脑MRI常规生物测量和z值计算的自动化,这些目前是在放射学报告过程中手动完成的。它引入了首个全自动、端到端流程的原型,用于在不同场强和孕龄范围内的三维运动校正T2W胎儿MRI中进行脑生物测量和百分位计算,并整合于临床报告流程之中。
我们首先通过与经验丰富的胎儿神经放射科医师的专家共识,建立了基于标志点的方案,包含13项常规线性测量(包括成对测量)。每项测量均通过在参考平面和切片上确定精确且可重复的解剖标志点,并考虑所测量结构形态随孕龄(GA)相关的变化,进行了清晰定义。接下来,我们开发了一个深度学习流程,用于分割每个生物测量参数所选定的标志点并实现测量自动化,该流程在不同采集方案和广泛孕龄范围的150例病例上进行了训练。我们实现了一个用于自动报告的脚本,可显示生物测量结果和百分位计算,输出以.html格式呈现,供最终用户在报告时作为决策支持工具使用,以帮助指导准确且一致的生物测量评估。该流程的性能在90例回顾性测试队列上进行了定量评估,其临床实用性和可接受性在111例前瞻性队列上进行了定性评估。
我们的结果显示出良好的准确性,与手动测量相比,绝对误差范围为1-3 mm,这与既往报道的自动化胎儿脑生物测量方法的变异性一致。评估每个标志点放置的前瞻性评价在所有数据集中超过90%的标志点被评为良好或优秀。在回顾性测试和前瞻性评价中,变异性程度最高的测量为最大脑宽、胼胝体长度、侧脑室房部直径和透明隔腔宽度。尽管我们在所有测量中都定义了标志点,但上述参数缺乏固定且清晰可见的解剖结构,可能引入了模型识别的不一致性,进而降低了可重复性。导致变异性的其他因素包括部分容积效应、图像质量和正常解剖变异。然而,对于较小的脑结构,如蚓部和脑桥,结果较为理想,质量评估一致被评为良好或优秀。由于难以获得真正的正交正中矢状面,这些结构传统上在二维切片上进行准确评估具有挑战性。能够可靠评估此类测量表明,使用三维表面体积渲染(SVR)重建进行自动化有望提高生物测量准确性。此外,对于经验丰富的胎儿神经放射科医师,完成所有手动测量的平均时间为10-15分钟,而检查自动标志点放置和计算的生物测量每例仅需1-3分钟。因此,即使在某些参数可能需要重新测量的情况下,总体节省的时间和效率提升也是可观的。
本工作的主要优势包括一个大型正常参考数据集,其涵盖广泛的孕龄范围、包含多样的采集参数,并纳入了三维SVR。三维SVR重建的应用已显示可通过解决传统基于二维切片测量的技术局限性来提高胎儿脑生物测量的准确性[18, 19]。
胎儿脑MRI生物测量的原始方法学[10]是20多年前在二维切片上提出的,依据超声实践发展而来。它 also 来源于因怀疑异常而转诊的胎儿,采用单一场强,在极端孕龄时样本量有限。二维图像上的准确评估依赖于获取真正的正交平面,而这由于运动往往具有挑战性。此外,由于层间运动,最佳切片可能并不总能被采集到,导致测量值被低估或高估。
该方法学的另一个局限性在于它未考虑胎儿脑形态的动态变化,使得在不同孕龄间难以应用一致的参考点。例如,Garel[10]的工作将侧脑室的测量定义为在房部水平(脉络丛显示良好)、沿垂直于脑室轴的轴线、在脑室中部高度进行。然而,在较小孕龄时,脑室方向更为垂直,使得难以使用为晚孕期(此时形态呈现类成人方向)定义的同一轴线。
通过细化和扩展Kyriakopoulou等人[19]提出的生物测量方案,我们的工作通过考虑脑结构的发育变化来应对这一挑战,证明了在不同孕龄间可重复的自动生物测量。
此外,鉴于可从胎儿MRI扫描中提取大量结构信息,建立MRI特异性正常参考范围不仅能提高生物测量指标的准确性和可靠性,还能捕捉胎儿脑发育的复杂动态过程。基于所提出的自动生物测量流程,从18-40周孕龄范围内406名对照受试者生成的正常生长曲线图显示,与既往工作中的趋势高度相关。
与既往发表的自动生物测量工作(其狭隘地关注技术性能)相比,我们通过实施全面的端到端流程开发了增强解决方案。我们还在前瞻性临床环境中证明了该流程的可行性,促进了实时整合并简化了临床工作流程,提供了诸如提高效率等操作优势。
我们的工作代表了朝着自动胎儿脑生物测量报告标准化迈出的关键一步,通过减少对手工方法的依赖并确保准确和可重复的测量以增强完整临床报告,填补了当前临床实践中的关键空白。此外,端到端流程可以克服广泛临床整合的实际挑战,这将使更多中心能够开展高质量的胎儿MRI,并增加更广泛人群的可及性。
局限性与未来工作
虽然我们已经证明了胎儿脑部磁共振成像(MRI)自动生物测量的初步可行性,但它仅代表完整临床报告的一部分,在准备常规整合到临床实践之前,还需要进行更多大量深入的工作。这包括纳入具有结构异常的异常病例以及具有不同成像质量的病例以确保稳健性,并在具有多样化患者群体的外部数据集上进行验证以提高泛化性。此外,将范围扩展到包括颅面生物测量[26]以及基于分割[31]的体积信息和三维表面生物测量,可以增强其临床实用性,实现对脑发育更精确的量化以及对异常更好的检测和表征。此外,还需要实施自动化质量控制系统以检测问题、失效模式和模型性能漂移。我们还需要将自动测量与神经发育结局相关联,以确立其在临床决策和预后判断中的附加价值,并探索性别、父母特征、种族差异以及其他可能影响正常胎儿生长的决定因素的影响。这些变量对于评估自动化系统的稳健性并确保其在不同人群中的适用性至关重要。
结论
本工作引入了首个用于三维运动校正T2加权胎儿MRI的自动化脑部生物测量和百分位计算的原型系统,并将其整合于临床报告流程中。在来自不同采集方案和广泛孕周范围的90和111个数据集上进行的定量和定性评估,证实了该流程作为临床解读决策支持工具的总体可行性和实用性。我们还从406个对照数据集生成了19-40周孕周的规范性生长曲线图。未来工作将聚焦于针对各种胎儿脑异常的优化、扩展测量项目集、开发自动化质量控制以及报告工具的外部验证。
引用
- Luis A, Uus A, Matthew J, et al. Towards automated fetal brain biometry reporting for 3-dimensional T2-weighted 0.55-3T magnetic resonance imaging at 20-40 weeks gestational age range. Pediatr Radiol. 2025. PMID: 41238791. doi:10.1007/s00247-025-06403-2
- 全文:PMC12881129(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12881129/
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。