深度神经网络在儿童脑积水患者脑室自动测量与中脑水管分割中的应用
本研究在139例儿童脑积水MRI上验证VParNet与nnU-Net对四个脑室及中脑水管的分割性能,两种模型分割精度与可靠性良好至优秀(DSC 0.87-0.95,ICC 0.81-1.0),VParNet重训练后DSC提高;nnU-Net无需预处理即可处理最具挑战病例,但中脑水管分割仍具挑战(DSC 0.68)。
要点
- VParNet预处理在20.9%病例失败致29例被排除,nnU-Net无需预处理、无需质控。
- 侧脑室分割最优,四种算法中位DSC均超过0.92;中脑水管DSC仅0.68。
- nnU-Net在右侧侧脑室和第四脑室DSC显著优于VParNet(padj<0.0001)。
核心结论
- 所有测试模型在儿童脑积水分割中表现良好,总体性能无根本差异。
- nnU-Net因无需预处理、能成功处理最具挑战病例,具有便于临床实施的优势,可提供快速可靠的脑室分割与定量。
- 中脑水管分割仍具挑战(nnU-Net:DSC=0.68;ICC=0.81;MDC=0.04)。
研究设计与样本
- 回顾性研究,2019至2021年从PACS检索儿童头颅MRI,最终纳入139例(43.9%为女孩),中位年龄6.3岁(IQR 2.3-11.4岁)。
- 手动分割四个脑室及中脑水管作为金标准,由经儿童神经放射科医生培训的医学生初分割、神经放射科医生复核修订。
- 比较四种方法:原始权重VParNet、儿童队列重训练VParNet、nnU-Net四类、nnU-Net五类(增加中脑水管为第五个ROI),均采用五折交叉验证。
- 以DSC、ICC和MDC评价分割性能与体积可靠性,DSC组间比较采用Kruskal-Wallis检验及Wilcoxon配对符号秩检验事后分析(α=0.05),并行Bonferroni校正。
关键影像表现/征象
- 所有四种算法对侧脑室分割质量优秀,中位DSC超过0.92。
- 第三脑室DSC:原始VParNet 0.89、重训练VParNet 0.87;第四脑室DSC:原始VParNet 0.89、重训练VParNet 0.91。
- 中脑水管分割精度明显较低,DSC仅0.68。
- DSC高度依赖于分割结构体积,窄脑室和中脑水管受影响尤明显。
- 分流系统虽产生伪影,除中脑水管外(p<0.001)不显著影响任何脑室的DSC;脑室不对称性无影响(p>0.05)。
诊断标准与关键数值
- 分割精度以DSC评价,DSC 0.87-0.95;体积可靠性以ICC评价,ICC 0.81-1.0。
- 侧脑室与第三脑室ICC提示各算法间一致性优秀;第四脑室ICC为0.81(原始VParNet)至0.92(重训练VParNet)。
- MDC值0.05-3.0,侧脑室和第三脑室灵敏度高,第四脑室灵敏度可接受。
- 中脑水管nnU-Net:DSC=0.68;ICC=0.81;MDC=0.04。
- 重训练后VParNet所有脑室MDC均更小,提示重训练提高方法灵敏度与可靠性。
临床应用与阅片要点
- 自动脑室分割可作为检测脑脊液通路梗阻或吸收障碍的临床工具,尤其适用于出血、感染、肿瘤或需手术干预的脑积水患者纵向评估。
- 体积分析优于过度简化的线性测量,对不规则或不对称脑室尤其有价值。
- 有助于监测分流故障及检测过度或不足引流。
- 精确脑室体积评估可辅助个体化鞘内药物剂量。
- VParNet依赖耗时且复杂的预处理步骤,可引入可避免的错误,导致本研究五分之一数据集被排除;nnU-Net无此限制。
局限性
- 训练数据虽力求多样,但脑室形态固有多样性仍可能对全面代表性构成挑战,部分边缘病例可能未被完全覆盖。
- 仅依赖单中心、检查参数统一的数据可能不利于模型泛化能力。
- 特定纳入和排除标准也可能限制模型的广泛适用性。
- 中脑水管和第四脑室解剖边界定义不清,导致体积估计不一致并降低检测细微体积变化的灵敏度。
- 原文指出需纳入多中心数据以改善小结构(如中脑水管)分割并增强泛化能力。
全文中译15 节 · 点击展开
引言
脑积水患者在儿童神经外科和神经放射学中占很大比例。该病症可由多种因素引起,包括早产后的脑出血、肿瘤疾病或脑畸形[1]。患者的治疗因潜在病因而异,包括解除脑脊液(CSF)通路中的梗阻、通过内镜下第三脑室造瘘术(ETV)建立旁路,或使用脑室分流系统引流CSF。患者随后接受常规临床和影像学评估,以监测脑室的大小和形态,验证其分流系统或ETV的持续可靠运行[2]。传统上,脑室大小通过定性视觉评估和基本的手工线性测量(如额枕角比值[3])来评价。鉴于脑室系统的复杂性,简单的二维测量可能仅能捕捉部分脑室大小。更精确的三维测量在日常临床使用中往往耗时过长而不切实际,这使得通过人工智能(AI)实现该过程的自动化成为一个有吸引力的选择[4]。此前,已有研究提出基于人工智能(AI)的脑室系统测量用于检测分流失败[5]。此外,在存在外引流的情况下,AI测量的CSF体积变化与实际引流的CSF呈强相关[6]。迄今为止,AI在儿童(神经)放射学中的应用仍然有限,主要采用已在成人群体的计算机断层扫描(CT)[5–7]和磁共振成像(MRI)[8–10]中建立的深度学习模型。
本研究的目的是训练和验证两种基于AI的工具——VParNet[4]和nnU-Net[11],用于可靠且准确地自动化测量脑室系统。最近的一项荟萃分析[9]综述了多种用于脑室分割的深度学习模型,主要基于在T1w或T2w MRI、CT或超声图像上训练的卷积神经网络(CNN)。在基于MRI的开源CNN中,VParNet表现出最佳性能,且最初是为正常压力脑积水(NPH)成人开发的[4, 9]。NPH通常导致脑室对称性扩大,这与儿童脑积水病例中常见的脑室不对称形成对比。虽然VParNet方法在成人NPH中产生可靠结果,但其对更复杂的儿童脑室系统(尤其是在大脑发育背景下的适用性)仍不确定。相反,nnU-Net在各种成人器官分割任务中已展现出良好潜力,此前也曾用于CT图像上整个脑室系统的分割[12]。其突出特点是能够自动配置其架构和训练参数以适应不同的成像模态和数据集,无需用户手动输入。
我们的研究假设为。
对最初为成人NPH患者脑室分割开发的VParNet应用进行再训练后,在儿童脑积水病例中达到相当的可靠性和精确度。
nnU-Net达到的质量和可靠性结果与高度专业化的VParNet相当。
nnU-Net成功分割中脑水管——连接第三和第四脑室的狭窄通道。
材料与方法
患者与MRI数据
我们回顾性检索了2019年至2021年的影像归档与通信系统(PACS;MERLIN Diagnostic Workcenter,Phönix-PACS GmbH,Freiburg,Germany),以识别因疑似脑积水接受评估或脑积水治疗后接受监测的儿科患者的MRI检查。MRI参数详见补充表1。特别注重选取脑室不对称性扩大和对称性扩大的病例,以及过度引流和引流不足的实例,即分别对应特别大和非常窄的脑室(图1)。排除标准包括运动伪影、牙套所致伪影、存在肿瘤、近期出血以及显著脑畸形。值得注意的是,显示分流阀所致伪影的检查未被排除。
本研究经Charité伦理委员会批准(EA2/282/21),并按照良好临床实践指南进行。本回顾性研究经当地伦理委员会豁免知情同意。
脑室系统的人工勾画
使用dcm2niix将DICOM图像转换为NIfTI格式[13]。使用ITK-SNAP中的画笔工具将脑室系统手动勾画为感兴趣区(ROI)[14]。初始分割由一名经儿科神经放射科医师(AT)培训的医学生(KR)完成。所有分割随后由神经放射科医师(AT)审查,必要时进行修正。侧脑室、第三和第四脑室以及中脑水管被识别并以不同颜色标记,而脉络丛和潜在的分流导管被有意排除。由此过程得到的脑室掩膜被用作“金标准”数据。
深度学习分割方法的验证与比较
比较了四种分割方法:(1)使用Shao等人[4]发布的原始权重的VParNet,最初在成人NPH数据上训练,(2)在我们的儿科队列上重新训练后的VParNet,(3)nnU-Net v2(nnU-Net四类),(4)添加中脑水管作为第五个ROI后的nnU-Net v2(nnU-Net五类)。对于第3和第4种方法,我们选择了全分辨率3D架构(3d_fullres nnU-Net选项)。
预处理与质量控制
VParNet:使用[4]中的原始预处理流程,其中NIfTI图像经过一系列预处理步骤,包括颅骨剥离[15]、N4不均匀性校正[16]以及配准至MNI152模板[17]。对预处理后的MR图像进行视觉检查以发现系统性失败。
nnU-Net:仅执行nnU-Net的标准预配置自动预处理。为确保交叉验证全部五个折中神经网络超参数的一致性,nnU-Net规划步骤仅对第一个数据折进行,并导出用于其他四个折。
交叉验证
数据集被分为五个数据折,其中一折用作测试数据集。两种方法的所有五个训练数据集中的受试者均使用 TorchIO [18] 进行了数据增强。对每位受试者应用了复合变换,包括 − 5° 至 5° 之间的随机翻转角度和幅度为 0.05 的随机弹性形变。该操作使受试者数量翻倍。在进行训练之前,随机选取 20% 的受试者作为验证集。
对于 VParNet,使用了原始训练参数,由原论文作者提供 [4]。训练细节见补充表 2。
此外,由于 VParNet 的分割输出位于 MNI152 18 空间中,因此将其变换回原生空间。
统计评估
选择 Dice 相似系数(DSC)[19] 作为训练损失函数和评估两种方法分割性能的指标,如公式 1 所定义。
由于违反了方差齐性假设,分割方法对 DSC 的影响采用 Kruskal-Wallis 检验进行检验,并以 Wilcoxon 配对样本符号秩检验作为事后分析(α = 0.05)。对 p 值进行了 Bonferroni 校正(表示为 padj)。
为评估通过自动分割获得的体积的可靠性,对每个感兴趣区和每种分割算法计算了组内相关系数(ICC)和最小可检测变化(MDC)[20](公式 2 和 3)。
数据处理以及 DSC 和体积的计算使用 Python 代码完成,涉及以下库:NiBabel [21]、Numpy [22]、Pandas [23]。统计评估使用 R 代码完成,涉及以下库:tidyverse [24]、hrbrthemes [25]、irr [26]、rstatix [27]。
结果
患者特征
该队列共包含 139 例儿童颅脑 MRI(43.9% 为女孩)。MRI 检查时的中位年龄为 6.3 岁(四分位距,IQR 2.3–11.4 岁;详见 Table 1)。
脑室系统的手动勾画
平均而言,每次 MRI 检查的手动分割约需半小时。在某些患者中,侧脑室之间的边界(即透明隔)因发育不全或破坏而无法分辨。在这些情况下,以在胼胝体膝部和压部之间绘制的直线作为勾画界线。
深度学习分割方法的验证与比较
质量控制
在89例患者中观察到预处理失败,导致29例受试者(20.9%)被排除。在17例(12.2%)中观察到VParNet去颅骨错误,残留颅骨未去除。在43例(30.9%)患者中,去颅骨过程中部分皮质被去除,但脑室得以保留,被认为可忽略不计。在27例(19.4%)患者中观察到更广泛的组织丢失,累及灰质和白质,并向脑室延伸。配准错误导致2例(1.4%)分割错误。详见补充图1。总体而言,29例受试者(20.9%)被排除。在2例完全性透明隔缺如和1例术后透明隔缺失的患者中,中线定义为连接胼胝体膝部和压部的直线。
由于额外预处理不属于nnU-Net的一部分,因此无需进行质量控制。
统计评估
四种比较的DSC、ICC和MDC,即 ground truth 与未训练VParNet、再训练后VParNet、nnU-Net四分类和nnU-Net五分类的比较,报告于表2。
在所有四种算法中,侧脑室的分割质量均极佳,DSC中位数超过0.92。对于第三和第四脑室,两个nnU-Net模型也均达到极佳性能。VParNet模型表现很好,第三脑室的DSC值为0.89(未训练)和0.87(再训练),第四脑室为0.89(未训练)和0.91(再训练)。然而,中脑水管的分割准确性明显较低,DSC仅为0.68。图2显示了四个脑室和中脑水管的DSC值分布,图3显示了四种算法中 ground truth 与自动估计体积之间的关系。图4表明DSC高度依赖于所分割结构的体积,这尤其影响狭窄的脑室和中脑水管。
分割方法对右侧侧脑室(padj < 0.05)和第四脑室(padj < 0.05)有显著影响。事后分析显示,两种nnU-Net分割方法之间以及两种VParNet分割方法之间无显著差异。相比之下,四分类和五分类nnU-Net方法均显著优于VParNet,所有比较在原始权重和再训练权重下均得出padj < 0.0001。具体而言,四分类nnU-Net方法在右侧侧脑室(padj < 0.0001)和第四脑室(padj < 0.0001)上优于VParNet,无论使用原始权重还是再训练权重。同样,五分类nnU-Net方法在两个脑室上均表现出优于VParNet的性能,所有比较的padj < 0.0001。ICC值表明各算法在侧脑室和第三脑室上具有极好的一致性(表2)。第四脑室也显示出高可靠性,ICC范围为0.81(原始VParNet)至0.92(再训练VParNet),而两个nnU-Net模型均落在该范围内。中脑导水管的ICC良好,但不如脑室高。再训练后,VParNet对所有脑室的MDC均更小,表明再训练提高了该方法的敏感性和可靠性。比较VParNet和nnU-Net,方法之间无重大差异。图5显示了MDC值与体积分布ROI的关系。较大的侧脑室在所有四种算法中倾向于具有较低的MDC,意味着可以更可靠地检测到更小的体积变化,而第四脑室和中脑导水管等较小结构相对于其大小显示出较高的MDC,表明难以准确检测微小变化。
尽管会产生伪影,但分流系统除中脑导水管(p < 0.001)外,在各算法中对任何脑室的DSC值均无显著影响。此外,脑室不对称性无影响(p > 0.05)。
讨论
本研究旨在验证用于自动脑室分割的神经网络,以监测儿童脑积水患者,这些患者常表现为高度不规则的脑室系统。本研究探索了两种基于神经网络的方法:VParNet,此前用于以脑室均匀扩大为特征的成人NPH病例;以及nnU-Net,其已应用于一系列医学图像分割任务。VParNet和nnU-Net的DSC值均较高,nnU-Net在所有四个脑室的分割中均优于VParNet(原始/再训练)。正如预期,较小的第三和第四脑室及导水管的DSC值略低。虽然高DSC值与空间和形状一致性相关,但ICC和MDC主要评估体积一致性。在临床环境中,可靠地检测体积变化至关重要,这可能提示分流管阻塞或脑脊液过度引流。在我们的队列中,所有算法的体积估计显示良好至优秀的一致性,原始与再训练VParNet之间的MDC值或第三与第四脑室之间的ICC值比较仅有微小差异。然而,作为衡量算法检测真实体积变化灵敏度的指标,第四脑室和导水管的MDC相对较高。一种可能的解释是导水管和第四脑室的精确解剖边界定义不清,导致变异性。例如,第四脑室在脑脊液流出道处的尾侧边缘即使对专家来说也可能不清晰,导致体积估计不一致,从而降低检测细微体积变化的灵敏度。报告MDC值或纵向脑室体积变化的研究很少。当将我们的MDC值与Nam等6报告的值进行比较时——他们将引流的脑脊液体积与使用nnU-Net从CT得出的脑脊液体积变化相关联——可以明显看出,我们的MDC值显著小于其研究中报告的引流脑脊液体积(约5–15 mL)。
此外,结果不受脑室分流系统的存在影响,这些系统通常连接阀门,往往在MRI上造成相当大的伪影。此外,我们在接受ETV的患者中未发现分割问题,这些患者第三脑室底部部分缺失。这在本研究使用的两种神经网络中一致。
在我们的队列中,nnU-Net在侧脑室方面表现出显著更好的DSC值,但除此之外,没有重大的性能差异,没有哪种算法整体上脱颖而出。然而,VParNet依赖于耗时且复杂的预处理步骤,这可能引入可避免的错误,这是nnU-Net不存在的局限性。这些错误导致我们数据集中的五分之一被排除在进一步分析之外。虽然手动校正或额外自动化可以解决这些问题,但这种方法在临床环境中不切实际。
自动脑室分割可以成为检测脑脊液通路梗阻或吸收障碍的有价值临床工具,尤其适用于对出血、感染、肿瘤或需要手术干预的脑积水患者进行纵向评估。它通过提供体积分析而非过于简化的线性测量来改善治疗成功评估,特别是对于不规则或不对称的脑室。它还能增强对分流管功能障碍的监测,并有助于检测过度引流或引流不足。此外,精确的脑室体积评估有助于个体化鞘内药物剂量以优化治疗。脑室分割是若干成熟分割流程的关键组成部分,例如FreeSurfer [28]和FastSurfer [29]。虽然这些基于图谱的方法在配备合适图谱的情况下也可应用于新生儿和婴儿,但在遇到异常解剖结构时可能面临重大挑战。已开发多种方法来优化脑积水和解剖异常儿童大脑中的脑脊液和脑室分割。Taha等人的一项研究报告了两种广泛使用的全脑分割工具(Fastsurfer、QuickNAT)在小型儿科队列中仅应用于侧脑室时性能有限,平均DSC为0.61 [10]。
Russo等人描述了一种多参数方法,利用T1和T2加权图像对23名受试者的全脑和脑脊液体积进行分割[30]。虽然该方法在所研究的数据集上实现了极好的可靠性,但无法对各个脑室进行单独的体积评估。这一局限性至关重要,因为脑积水通常局限于特定的脑室亚区域,例如导水管闭塞或脑室系统内粘连的病例。
Largent等人证明了贝叶斯U-Net在出血后脑积水早产儿脑室分割中的优异性能,侧脑室获得了非常高的Dice评分(DSC ≈ 0.95)。然而,他们的队列仅限于病理相对均一的新生儿,且主要关注侧脑室,而我们的儿科队列更大、更具异质性,脑积水病因各异,并包括全部四个脑室及导水管的分割[31]。
Quon等人使用2D U-net对200名患有后颅窝肿瘤和脑积水(累及侧脑室和第三脑室)的儿科患者进行脑室系统分割[32]。带有永久分流系统或已行内镜下第三脑室造瘘术(ETV)的患者被排除。与手动分割相比,获得了优异的性能,总体DSC为0.901,脑室体积高度相关。然而,该研究未报告各个脑室的测量结果。鉴于肿瘤位置,第四脑室很可能未被纳入评估。此外,该队列中的脑室形态可能与我们的研究不完全可比。在我们的病例中常见的幕上脑室系统周围广泛的不对称组织损伤,在Quon等人的队列中可能代表性不足,该队列中脑室可能更均匀地扩张,类似于使用VParNet评估的原始正常压力脑积水(NPH)队列[4]。
以往使用 nnU-Net 进行脑分割的研究并未聚焦于脑室系统分割,尤其是在儿童脑积水患者中。de Boer 等人 [33] 将 nnU-Net 应用于成人肿瘤患者的脑室分割,报告了同样高的 DSC 值(中位数 0.91)。然而,由于未对各脑室分别进行评估,无法将结果与我们的结果直接比较。与我们的发现一致,Donnay 等人也报告了使用 nnU-Net 进行脑脊液分割的优异结果 [34]。然而,他们的研究在设计上存在根本差异,因为其聚焦于多发性硬化症成人患者,使用多对比度 MRI,且未进行手动金标准比较。
Tsou 等人 [35] 提出了一种有趣的导水管分割方法,该方法利用相位对比 MRI。他们将两种深度学习架构(U-Net 和 MultiResUNet)与手动分割进行比较,取得了优异的结果(DSC > 0.92)。然而,该方法的一个局限性在于其专门针对导水管分割而定制,这意味着脑室系统的其他部分无法被分割。
局限性与未来改进
为最大化神经网络对新未见数据的泛化能力,我们优先选择多样化且具有代表性的训练数据集,有意纳入范围广泛的脑室形状和大小。虽然该方法旨在捕捉真实世界变异性中的复杂性,但我们认识到脑室形态的固有多样性仍可能对全面代表性构成挑战,因此某些边缘情况可能未被完全涵盖。仅依赖单一中心且检查参数统一的数据,可能对模型的泛化能力产生不利影响。此外,特定的纳入和排除标准也可能限制模型的广泛适用性。然而,为便于适应不同数据集,我们提供了一个易于微调的模型。训练数据存在相当大的变异性,涵盖脑室极大或极小患者的 MRI 扫描,以及年龄跨度广泛(从四个月到 18 岁)、灰白质信号比各异的患者。此外,纳入脑室系统的定性评估将很有价值。例如,纵向追踪脑室形状变化,如 ballooning、膨隆或亚结构不对称,可有助于深入了解潜在病因。此外,纳入外部脑脊液空间的分割将能够更准确地评估组织萎缩和/或受压,从而对儿童脑积水的影响提供更全面的评估。为实现这一目标、改善小结构(如导水管)的分割并增强泛化能力,应纳入多中心数据。
结论
在我们的队列中,手动分割与VParNet及nnU-Net衍生的脑室系统分割之间均发现了高度空间一致性。各算法间的体积估计也高度一致。虽然对侧脑室等较大结构检测真实体积变化的敏感性较高,但对较小结构(尤其是中脑水管)的敏感性较低。尽管两种算法之间未观察到根本性差异,但VParNet由于预处理耗时且参数优化复杂,在临床适用性方面存在局限。相比之下,nnU-Net为自动化脑室体积测量提供了一种快速、可靠且易于实施的解决方案,即使在高度变形和不对称的脑室系统中亦然。
补充信息
以下是电子补充材料的链接。补充文件1
引用
- Kühne F, Rüther K, Güttler C, et al. Application of deep neural networks in automatized ventriculometry and segmentation of the aqueduct in pediatric hydrocephalus patients. Neuroradiology. 2025. PMID: 41307664. doi:10.1007/s00234-025-03848-y
- 全文:PMC12906524(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12906524/
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。