文献速递外周血管心血管CT

深度学习驱动的假腔体积预测残余主动脉夹层不良重构优于直径

Deep learning-driven false-lumen volumes predict adverse remodeling better than diameter in patients with residual aortic dissection on CT.
PubMed 文献 · Eur Radiol · 2025-11-07

本研究开发深度学习分割模型自动测量主动脉最大直径、真腔、循环假腔和血栓体积,在322例患者中验证。局部假腔体积预测残余主动脉夹层不良重构的AUC在中心1为0.83、中心2为0.77,均优于最大直径和整体假腔体积。

要点

  • 深度学习模型可自动分割真腔、循环假腔和血栓,DSC在0.84-0.93之间。
  • 局部假腔体积(最大直径周围3 cm)预测不良重构优于最大直径和整体假腔体积。
  • 局部假腔体积随时间变化(FLLoc+)预测价值更高,中心1 AUC达0.88。

核心结论

  • 深度学习分割可准确测量主动脉各组分,局部假腔体积预测残余主动脉夹层不良重构优于直径和整体假腔体积,其演变预测价值更高。

研究设计与样本

  • 双中心回顾性观察性研究,2017年1月至2023年12月在法国La Timone医院和Dijon大学医院进行,共纳入322例患者。
  • 分割模型在中心1的120例患者上训练,在中心1内部测试集30例和中心2外部测试集10例上测试,以Dice相似系数评估。
  • 临床验证在中心1的83例患者(内部验证,随访2年)和中心2的79例患者(外部验证,随访4.5年)上进行,参考标准为手动分割。

诊断标准与关键数值

  • 分割模型DSC:中心1为真腔0.93、循环假腔0.93、血栓0.87;中心2为真腔0.92、循环假腔0.93、血栓0.84。
  • 中心1局部假腔体积预测不良重构AUC=0.83,优于最大直径AUC=0.73和整体假腔体积AUC=0.76;中心2分别为0.77、0.64和0.70。
  • 中心1基线局部假腔体积阈值12.1 mL时敏感度0.87、特异度0.68、阴性预测值0.86;中心2阈值17.4 mm时敏感度0.85、特异度0.65、阴性预测值0.86。
  • 中心1时间标准化演变标记局部假腔体积+预测不良重构AUC=0.88,优于最大直径+的0.78和整体假腔体积+的0.82。

临床应用与阅片要点

  • 深度学习模型自动测量主动脉直径和体积,分割时间5±2分钟,显著短于手动分割的35±10分钟。
  • 局部假腔体积可能作为优于最大直径的预后标记,用于识别残余主动脉夹层高危患者。
  • 作者认为需要更大规模临床研究评估该技术在临床实践中的潜在影响。

局限性

  • 分割数据集未完全涵盖主动脉夹层全谱,特别是缺乏多通道主动脉夹层。
  • 实验需要在前瞻性纵向队列中重复验证。
  • 用于研究风险标记的临床集相对较小,平均随访时间短。
  • 作者认为需要更大规模临床研究评估该技术的潜在影响。
全文中译12 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:Eur Radiol. 2025 Nov 7;36(4):3257–70. doi: 10.1007/s00330-025-12116-9

引言

A型主动脉夹层(TAAD)是一种危及生命的疾病,其长期预后与残留主动脉夹层(RAD)的持续存在相关[1]。升主动脉急性外科修复术后,持续性假腔(CFL)是已知的不良主动脉事件危险因素,如正向重塑、破裂、灌注不良和心血管死亡。在最佳药物治疗的同时,可能需要胸主动脉腔内修复术(TEVAR)来封闭内膜破口并防止假腔扩张。挑战在于识别有长期不良演变风险、可能从早期TEVAR治疗中获益的患者[2]。决策基于计算机断层血管造影(CTA)的影像学发现,如最大主动脉直径(Dmax)、CTA间的直径增长以及破口大小[3, 4]。

然而,直径测量大多为手动进行,存在不同程度的重现性差异。此外,它们仍是不良急性主动脉事件的较差预测指标[5]。近期研究已将全主动脉体积(AoGlo)确定为长期不良结局的预测指标[6]。全主动脉体积假设所有主动脉节段同等重要,而专门测量的真腔和假腔体积更为准确[7]。此外,该方法未评估假腔血栓的存在,而后者是已知的不良风险标志物[8]。需要对RAD中的真腔(TL)、假腔和血栓体积进行自动分割,以评估疾病进展并寻找预测不良主动脉重塑的额外新标志物。

手动计算主动脉体积需要在CTA上进行耗时的像素级分割,这与临床实践不相容。近期已提出多种使用深度学习(DL)架构进行主动脉分割的系统。当前的主动脉分割DL方法要么基于原始轴位CTA图像[9–11],要么基于多平面重建(MPR)图像[12, 13]。MPR主动脉分割效果良好但存在局限性:主动脉根部截断以及极度迂曲主动脉直径测量的显著误差。此外,这些研究聚焦于特定人群,未考虑主动脉夹层的完整谱系(完全血栓化的假腔、主动脉覆膜支架的存在、极度迂曲)[14, 15]。

我们的目标是:(1)开发一个全自动深度学习流程,能够在CTA上分割所有主动脉夹层组成部分(TL、假腔和血栓)。(2)评估最大直径、RAD组成部分的全局和局部(最大直径周围)体积在TAAD患者中的预后价值及其随时间的变化,以预测不良主动脉重塑。

材料与方法

研究设计

这项双中心回顾性观察研究于2017年1月至2023年12月在La Timone医院(法国马赛公共援助/马赛医院,中心1)和Dijon大学医院(法国第戎,中心2)进行,遵循RGPD规则以及MR-004规则(IRB 2019-48和Health Data Hub 22683280)。本研究分为两部分,在不同数据集上进行:(1)开发深度学习(DL)流程,使我们能够自动获得主动脉夹层成分:分割、直径和体积;(2)在内部验证数据集(来自中心1)和具有更长临床随访时间的外部验证(中心2)上,评估自动获得的测量值对预测RAD不良演变的预测价值。流程图见图1。

图1 研究设计。一个模块(黄色)用于基于卷积神经网络(CNN)的分割模型的开发与验证。另一个模块(蓝色)用于评估自动获得的测量值在临床数据集上的预测价值。RAD,残余主动脉夹层;TAAD,A型主动脉夹层;TBAD,B型主动脉夹层;CTA,计算机断层血管造影;CNN,卷积神经网络 查看原图 ↗

人群与数据

纳入两所机构转诊的所有因TAAD在升主动脉外科修复术后存在RAD的患者,或B型主动脉夹层(TBAD)并具有完整主动脉CTA的患者。排除标准为主动脉手术前的TAAD患者、主动脉CTA不完整或存在明显伪影的患者。

DL模型在来自中心1的分割数据集上进行训练和测试。分割数据集患者均有一次CTA,并被随机分为训练集和测试集。此外,从中心2随机选取10例患者进行外部测试验证。

其次,在来自两个中心的不同人群(命名为临床数据集)上对模型的预测价值进行临床验证:一个来自中心1用于内部临床验证,一个来自中心2用于外部临床验证。对于该患者亚组,纳入标准更为严格,仅纳入TAAD术后存在RAD且临床随访至少2年的患者。对于中心1患者,每例患者的影像学随访包括TAAD术后立即进行的第一次主动脉CTA(T1)和T1后一年内进行的第二次主动脉CTA(T2)。中心1临床数据集的所有患者已在先前的一篇论文中报道[16]。对于中心2患者,仅可获得第一次术后CTA(T1)。

分割数据集中的患者被排除在临床数据集之外。虽然临床数据集聚焦于RAD,但训练数据集同时纳入RAD和TBAD以增加训练样本量,因为二者在关键分割特征上具有表型相似性。

两中心的主动脉CTA检查采集方案见补充材料A。

DL主动脉分割流程的开发与评估

手动分割与主动脉测量

同一名放射科医师完成了手动图像分割。(C.L.,7年经验;Obs1)在分割数据集上使用3DSlicer [17]进行分割。第二名观察者(A.B.,9年经验;Obs2)对内部测试数据集中的30例CTA进行手动分割,且对Obs1的结果设盲。CTA DICOM图像以匿名方式提取,主动脉从主动脉瓣至主动脉-髂动脉分叉处进行分割,分为真腔(TL)、循环假腔(CFL)和血栓(TH)(如存在),排除主动脉分支但包括主动脉壁。如果动脉期采集无法区分假腔与血栓,则使用延迟期。手动分割被视为参考标准,用于训练分割模型并评估其性能。模型开发细节见补充材料B。主动脉测量值从分割结果中获得。最大主动脉直径(Dmax,mm)通过双斜位分割获得,主动脉长度(Aolength,mm)为从主动脉瓣至主动脉-髂动脉分叉处的长度。获得TL、CFL和Th的体积(mL),其总和为全局主动脉体积(AoGlo)[6]。全局假腔(FLGlo)为CFL + Th之和。FLGlo根据Aolength和AoGlo进行调整。最后,计算局部假腔体积(FLLoc)。该方法将假腔体积测量局部限制在围绕大直径主动脉位置的30 mm节段(近端15 mm至远端15 mm)局部区域内。该测量对两个最大直径各重复一次,两个直径间隔至少10 mm,并保留两个局部假腔体积中的较高值。所有测量值见图2。

图2 主动脉标签分割表示及从分割中自动导出的不同主动脉测量值。Tl,真腔;CFL,循环假腔;TH,血栓;Dmax,最大主动脉直径;AoLength,主动脉长度;FLGlo,全局假腔体积;FLGlo/AoGlo,全局假腔体积与全局主动脉体积之比;FLGlo/AoLength,全局假腔体积与血管长度之比;FLLoc,局部假腔体积 查看原图 ↗

自动主动脉测量值的预测价值

研究的第二部分是评估自动获得的主动脉测量值在临床数据集上的预测价值。来自T1(中心1和2)和T2 CTA(中心1)的图像通过深度学习(DL)模型自动分割(图3),并获得主动脉测量值。除T1时的基线形态学标准外,还计算了这些测量值在T1和T2之间的变化。为考虑T1和T2之间天数数量的变异性,在将差异加到初始T1测量值之前,使用时间系数乘法对天数差异进行标准化(补充材料C.1)。所得测量值代表对T1后一年测量值的估计。这些在T2时经时间归一化的变化测量值记为“+”:例如,Dmax(T1)和Dmax +(T2时经时间归一化的变化)。终点为随访期间的不良主动脉重塑,定义为以下标准之一:主动脉增长 > 5 mm/年或主动脉再次手术(指征为主动脉直径 > 55 mm、主动脉快速增长 ≥ 10 mm/年)或灌注不良综合征或主动脉破裂。

图3 模型描述分为五个步骤。CTA,计算机断层扫描血管造影;ROI,感兴趣区;MPR,多平面重建;Dmax,最大主动脉直径;AoGlo,整体主动脉体积;AoLength,主动脉总长度;FLGlo,整体假腔体积;FLLoc,局部假腔体积 查看原图 ↗

统计分析(J.F.)

所有结果以均值±标准差表示。p值小于0.05视为有统计学意义。当样本量≥30或Shapiro检验显示样本符合正态分布时,使用配对Student t检验评估偏倚的显著性。DSC使用Wilcoxon检验。为评估不同测量区域的预测价值,使用受试者工作特征曲线下面积(AUC)及95%置信区间(95% CI),并采用似然比检验。Kolmogorov-Smirnov统计量用于衡量分布之间的距离。所有统计分析均使用Python和Spicy Stats库完成。

结果

人群特征

共有322例患者纳入分析。分割数据集由160例患者组成,其中120例用于训练,40例用于测试模型(30例来自中心1,10例来自中心2)。分割数据集特征见表1。训练数据集的平均Dmax为52.3 mm±9.0,内部测试数据集为49.5 mm±5.2,外部测试数据集为51.0±13.3。在训练数据集中,60例(50%)患者存在部分或完全血栓化的假腔,21例(16.7%)置入主动脉覆膜支架,16例(13.3%)存在极度迂曲,定义为最大迂曲角度大于45度[18]。外部测试集的FLGlo高于内部测试集(305.3±281.6 vs. 208.0±101.8,p<0.001)。中心1和中心2的临床数据集见表2。在中心1,39例患者在随访期间出现不良主动脉重塑,其中23例(59.0%)为主动脉扩张,14例(35.9%)接受主动脉再次手术,2例(5.1%)出现灌注不良综合征,0例(0%)发生主动脉破裂。在中心2,33例(41.7%)患者出现不良主动脉结局,其中1例发生明显的主动脉破裂(3%)。

表1 分割数据集的基线特征 查看原表 ↗
表2 临床数据集的基线特征 查看原表 ↗

分割模型性能

自动化模型性能见表3。自动分割模型在内部测试数据集的所有类别中均获得较高的DSC评分(AoGlo:0.95±0.02,TL:0.93±0.02,CFL:0.93±0.04,Th:0.87±0.06),在外部测试数据集中亦如此(AoGlo:0.94±0.02,TL:0.92±0.02,CFL:0.93±0.02,Th:0.84±0.08),且平均绝对误差中等,无显著偏倚。在内部数据集上,其在AoGlo和TL的DSC方面优于Obs2(分别为p=0.03和p=0.02),并显示TL体积MAE显著更低(6.7±6.0 mL vs. 10.0±8.3 mL,p=0.040)。分割时间大幅缩短(5±2分钟 vs. 人工35±10分钟)。在内部和外部测试中,所有指标均与人工参考分割呈强相关(图4)。Dmax和FLLoc测量的相关性在内部数据集中较高(分别为R²=0.96和R²=0.97),在外部数据集中亦较高(分别为R²=0.97和R²=0.99),即使在具有挑战性的病例中(例如主动脉覆膜支架,分别为R²=0.97和R²=0.99)也保持高度一致性。

图4 内部测试数据集(中心1,n = 30)和外部测试数据集(中心2,n = 10)上自动测量与手动测量不同测量值的相关性分析。Dmax,最大主动脉直径;AoGlo,整体主动脉体积;FLGlo,整体假腔体积;Th,血栓;FLLoc,局部假腔体积。彩色线表示拟合回归线。Tortuous表示内部测试数据集中主动脉极度扭曲的患者(n = 5)。Stent-graft表示内部测试数据集中置入主动脉覆膜支架的患者(n = 7) 查看原图 ↗
表3 模型在测试数据集上的分割性能(n = 40) 查看原表 ↗

自动主动脉测量对RAD患者的预测价值

中心1临床数据集由83例TAAD术后发生RAD、临床随访2年并接受影像学随访的患者组成(表4)。T1与T2之间的平均时间为194 ± 77天。6例患者在T2 CTA时主动脉弓探查不完整,被排除在T2的演变分析之外,但仍保留用于基于T1的分析。中心2临床数据集由79例患者组成,平均临床随访时间为4.5年,仅有1次T1 CTA。

在中心1(44.0 mm ± 5.1 对 40.0 mm ± 4.5,p < 0.001)和中心2(43.3.0 mm ± 6.4. 对 40.9 mm ± 5.6,p < 0.001)中,发生不良主动脉事件的患者T1时平均Dmax显著高于未发生不良事件的患者。中心1(22.4 mL ± 9.9 对 10.0 mL ± 8.1,p < 0.001)和中心2(22.4 mL ± 8.8 对 14.3 mL ± 7.6,p < 0.001)不良事件组T1时FLLoc较高。发生结局的患者T1时FLGlo/AoLength比值显著高于未发生结局的患者(分别为0.44 ± 0.2 对 0.27 ± 0.1,p < 0.001)。

ROC曲线见图5。FLLoc是不良主动脉重塑的更强预测因子,优于Dmax和FLGlo,中心1的AUC分别为0.83、0.73和0.76,中心2分别为0.77、0.64和0.70。关于中心1中T1与T2之间时间校正值的演变标志物,FLLoc+是不良事件的更强预测因子,优于Dmax+和FLGlo+,AUC分别为0.88、0.78和0.82。

自动获得的主动脉测量值的预测性能见表5。在基线(T1)时,中心1中FLLoc在阈值为12.1 mL时表现出高敏感性(Se = 0.87)、中等特异性(Sp = 0.68)和高阴性预测值(PNV = 0.86),并在外部验证队列中得到证实(中心2:Se = 0.85,Sp = 0.65,PNV = 0.86,阈值:17.4 mm)。当考虑T1与T2之间的变化时,FLLoc + 进一步改善了预测性能(AUC = 0.88,Sp = 0.95,Sp = 0.70,PPV = 0.93,PNV = 0.86)。这些发现凸显了基于演变的标志物相对于静态基线测量的附加预后价值。关于FLLoc分割长度(10、15、30和50 mm分割)对预测性能影响的研究见补充材料表S2。无论分割长度如何,FLLoc的AUC始终优于Dmax和FLGlo。在密度图上,与Dmax和FLGlo相比,FLLoc在有和没有不良主动脉重塑的患者之间提供了更好的区分度,尤其是在中心1(KS统计量分别为0.55、0.45和0.44,均p < 0.001)(图6)。

表4. 两个中心临床数据集的形态学和演变测量指标 查看原表 ↗
图5 形态学和演变指标的ROC曲线AUC。AUC,曲线下面积;Dmax,最大主动脉直径;FLGlo,整体假腔体积;FLLoc,局部假腔体积 查看原图 ↗
图6 临床数据集中各形态学和演变指标的密度图。Dmax,最大主动脉直径;FLGlo,整体假腔体积;FLLoc,局部假腔体积。在每个子图上,Kolmogorov–Smirnov(KS)统计量显示主动脉事件分布与无主动脉事件分布之间的距离 查看原图 ↗
表5 自动获取的主动脉指标对不良主动脉重构的预测价值 查看原表 ↗

讨论

本研究的主要结果如下:1)由深度学习方法驱动的语义分割能够对胸主动脉真腔(TL)、CFL和血栓(Th)的直径和体积提供准确且可重复的测量。2)假腔的局部主动脉体积在早期预测RAD不良主动脉重构方面优于最大主动脉直径和整体假腔体积。

多项研究已提出对主动脉和主动脉夹层进行分割。Sieren等最初提出了一种全主动脉分割方法,DSC为0.95,与我们的AoGlo分割结果一致[11]。Yu等在25例患者上测试了用于主动脉夹层分割的3D卷积神经网络(CNN),报告TL的DSC为0.96,FL的DSC为0.93[10]。Cao等后续的3D-CNN在30名受试者中TL和FL的DSC均为0.93[9]。其他作者选择在分割前通过多平面重组对主动脉进行拉直。Chen等特别提倡基于MPR的方法优于其他方法,报告了更高的结果(TL的DSC为0.96对0.94)[12]。然而,主动脉瓣的邻近可能导致MPR算法截断主动脉起始部分,从而导致体积误差。因此,我们使用了一种融合非拉伸和拉伸分割的方法。我们报告的DSC与既往研究相似,但既往研究均未将其方法与观察者间分割变异性进行比较。Pepe等在其综述中强调,既往研究很少考虑主动脉夹层的不常见变异型[14]。除一项近期研究外[19],血栓被排除[10]或与假腔混淆[13];带有支架或极端主动脉迂曲的变异型均被排除。相比之下,我们的数据集将血栓与假腔区分开来,并纳入了各种亚组,报告亚组间性能无显著差异[15, 20](补充材料表S4)。

临床标准如男性性别、年龄和弹性组织疾病是已知的主动脉夹层后重构的不良风险标志物[6],也是TAAD置换术后持续性假腔的不良风险标志物[3, 21]。然而,最广泛使用的不良演变标准是CTA上的最大主动脉直径及其演变和入口撕裂的大小[22]。但它仅提供关于疾病状态的部分信息。主动脉体积的测量已被证明是主动脉疾病的显著风险标志物[23]。最初,Heuts等人强调主动脉体积和长度在TAAD发生方面比直径更准确[24]。最近,Gaudry等人表明整体假腔体积是不良主动脉重构的独立预测因子,且优于最大直径[6]。我们发现了类似的结果,FLGlo的AUC为0.76,而Dmax为0.73。但手动体积定量耗时,约需30分钟,这与临床实践不相容。提出了一种快速且可重复的深度学习(DL)方法,从而使我们能够将这一测量纳入临床常规。另一个问题是整体体积测量缺乏特异性。大多数不良主动脉重构病例由局部动脉瘤演变引起,局部影响夹层的主动脉[25]。整体主动脉体积可能因小的局部体积变化而被低估[26]。因此,DL模型自动计算了一种名为FLLoc的新放射标志物,并且是我们研究中最强的预测风险标志物。这可能由于假腔和血栓的局部优势,反映了主动脉组织因血流动力学变化而减弱,通过胶原降解,存在主动脉重构和不良病程的风险[27]。仅关注最大直径可能是一个错误,因为主动脉的邻近部分可能因血流动力学压力而减弱。因此,局部假腔在两个不同直径水平而非一个水平进行评估,性能显著提高(见补充材料C.4)。

这一概念与越来越多的证据一致,即局部而非整体形态变化驱动不良重构。与此一致,Fleischmann等人在一项多中心研究中最近证实了最大主动脉直径的主要预后作用,而其他形态特征如假腔周向角度、流出量或肋间动脉则不具有预测性[28]。然而,他们的模型未包括体积参数。因此,我们的发现补充了他们的发现,表明整合局部假腔体积(FLLoc)——一个具有生理病理意义的标志物——可能进一步改善超越单纯直径的风险预测。

Gaudry等人提出了3个月和一年的演变标志物,但这些被证明不如T1时的值有效。我们的结果表明,时间归一化的演变标志物是最具判别力的参数,因为它们在固定日期(T1后一年)外推观察到的T2-T1差异,考虑了CTA之间天数的变异性。这可以提供T1后一年未来主动脉测量的估计。

我们的研究存在一些局限性。首先,我们的分割数据集未能完全涵盖主动脉夹层的完整谱系;特别是,多通道主动脉夹层缺失。通过纳入所有无解剖学或表型排除标准的RAD或TBAD患者,并使用来自两个不同中心的患者,这一局限性得以减轻。其次,这些实验需要在前瞻性纵向队列中重复验证。用于研究风险标志物的临床集相对较小,平均随访时间较短,但一半的患者出现了不良结局。

结论

开发了一种独特的多空间深度学习(DL)模型,可分割所有主动脉夹层组件,包括血栓,并记录主动脉长度、直径和体积的自动测量。最大直径周围假腔的局部体积是RAD患者不良主动脉重构的显著预后因素,其演变甚至更具预测性。必须开展更大规模的临床研究,以评估该技术在临床实践中的潜在影响。

补充信息

补充信息

引用

  1. Fournel J, De Masi M, Lu C, et al. Deep learning-driven false-lumen volumes predict adverse remodeling better than diameter in patients with residual aortic dissection on CT. Eur Radiol. 2025. PMID: 41201600. doi:10.1007/s00330-025-12116-9
  2. 全文:PMC13035661(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035661/

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。