仅用平扫CT全自动量化急性缺血性卒中净水摄取
本研究提出一种仅基于平扫CT、不依赖深度学习的全自动净水摄取量化方法,在185例(排除后155例)内部数据及51例(排除后46例)外部数据上验证,病灶检出率分别为94%和100%,净水摄取平均绝对误差分别为1.0%和1.5%,分割Dice系数分别为0.48和0.47。
要点
- 仅用平扫CT即可全自动计算净水摄取,内部与外部病灶检出率分别为94%和100%。
- 净水摄取平均绝对误差内部1.0%、外部1.5%,与专家标注值相关性高。
- 分割精度中等,Dice系数内部0.48、外部0.47,小病灶或低密度不明显者较难勾画。
核心结论
- 该方法为净水摄取量化提供了实用且可解释的解决方案,可直接从平扫CT完成卒中评估,无需依赖其他影像模态。
研究设计与样本
- 回顾性研究,内部数据集来自185例(排除30例后155例)大脑中动脉供血区急性缺血性卒中患者,采用平扫CT、CT血管成像和CT灌注扫描。
- 外部测试集来自51例(排除5例后46例)患者,参考标准为DWI/ADC病灶掩膜。
- 内部参考标准为CT灌注时间-引流图(TTD)上由经验超过5年的专家手动标注的病灶掩膜。
- 平扫CT图像内部空间分辨率为1.00×1.00×1.00 mm³,外部为0.43×0.43×5.00 mm³。
- 方法基于专家定义的启发式规则和体素级净水摄取计算,未采用深度学习组件。
关键影像表现/征象
- 净水摄取图以颜色编码显示,暗色代表低净水摄取、亮色代表高净水摄取,计算病灶掩膜以红色轮廓叠加于平扫CT。
- 内部数据中大多数计算净水摄取值落在参考值±2%误差带内,外部数据同样多数落在±2%误差带内。
- Dice系数较高的病例中,方法准确捕获梗死范围与位置,与参考标注高度一致。
- Dice系数较低的病例常涉及较小梗死灶或低密度不明显区域,勾画本身更具挑战性。
诊断标准与关键数值
- 净水摄取定义为1减去病灶掩膜内平均平扫CT体素强度与对侧半球对应区域平均强度的商。
- 病灶检出率内部数据集为0.94、外部数据集为1.00。
- 净水摄取平均绝对误差内部为1.05%(平均误差0.21%,中位绝对误差0.70%),外部为1.48%(平均误差−0.50%,中位绝对误差1.00%)。
- Dice相似系数中位数内部为0.48(四分位距0.37–0.55)、外部为0.47(四分位距0.23–0.60);Dice大于0.3者内部占84%、外部占70%。
- 平均平均精度(mAP)以交并比大于0.53/2为检出正确阈值,外部57%病例通过、内部48%病例通过。
临床应用与阅片要点
- 作者认为该方法无需训练数据、结果可解释且端到端处理时间小于10秒每例,可能适用于日常临床实践和前瞻性研究。
- 净水摄取图可帮助临床医生理解分割过程,识别假阳性或漏检区域,从而增强诊断信心。
- 作者指出缺乏灌注信息可能限制该方法在某些病例中区分早期缺血改变与正常解剖变异的能力。
- 作者指出基于平扫CT的净水摄取估计无法可靠区分梗死核心与缺血半暗带,因净水摄取主要反映与不可逆损伤相关的低密度而不反映灌注状态。
局限性
- 分割性能(Dice评分和mAP值)显示仍有改进空间,较小病灶或细微缺血改变区域勾画更具挑战性。
- 缺乏灌注信息可能限制该方法在某些病例中区分早期缺血改变与正常解剖变异的能力。
- 研究聚焦前循环卒中,后循环病例未纳入。
- 与TTD和DWI的比较为探索性,且无随访影像或ADC、CBF、TTD的既定阈值,这些比较的生物学相关性仍不确定。
- 队列相对较小且存在选择偏倚可能,患者基于特定临床和影像标准入选,限制研究结果的普适性。
全文中译7 节 · 点击展开
引言
梗死病灶体积是临床试验中的关键终点指标,通常通过比较早期随访影像(卒中后24–72小时)与基线扫描来评估[1]。计算机断层扫描灌注(CTP)常用于估算缺血核心,但存在局限性,包括可及性受限以及倾向于高估不可逆损伤,可能将可治疗的患者排除在外[2, 3]。这凸显了建立经过验证的、基于平扫CT(NCCT)的生物标志物以供常规临床使用的必要性。
净水摄取量(NWU)是急性缺血性卒中(AIS)的预后生物标志物,具有优化治疗策略的潜力[4]。NWU由NCCT低密度区计算得出,但通常需要使用CTP或弥散加权成像(DWI)来勾画梗死灶。虽然DWI能提供精确的病灶边界,但其使用受限于成本和可及性[5]。另一方面,基于CTP的分割缺乏标准化,且可能因主观判读而高估梗死面积[6, 7]。
目前的NWU计算依赖于多种成像模式和手动梗死灶勾画,耗时且依赖操作者[8]。仅使用NCCT的方法可以减少辐射(遵循ALARA(合理可行尽量低)原则[9])、简化工作流程并减少治疗延误。此外,自动化NWU定量可能有助于区分可逆与不可逆组织损伤,提供一种仅基于常规获取的NCCT数据的实用且高效的替代方案。
仅凭NCCT确定梗死体积具有挑战性,原因在于低密度改变细微、对比度有限,且早期卒中阶段核心病灶的可见性往往不清晰[10]。Kumar等[11]从基线CT估算梗死体积,但需要CTP提供的CBF图,而其他仅使用NCCT的方法依赖于需要专家修正的半自动深度学习(DL)方法,增加了分析时间和复杂性[12]。即使是先进的DL技术也因数据变异性而在梗死分割方面存在困难[13–15]。
受Nowinski等[16]的启发——他们强调基于卒中影像标志物的技术在检测整体密度变化方面优于DL——我们提出一种将专家知识与局部和全局启发式规则相结合的方法,用于自动化NWU估算。我们的流程避免使用深度学习,因此也避免了任何非线性或不透明的变换,采用数据高效、可解释且计算上易于处理的技术,降低过拟合风险的同时确保可重复性。本研究的主要贡献如下:一种全自动、可解释的图像处理方法,用于从NCCT估算NWU和梗死体积。
在包含185例患者(排除后为155例)的内部数据集上进行验证,将NWU掩膜与CTP专家标注的核心病灶进行比较。
在外部数据集上进行评估,将NWU图与参考DWI病灶掩膜进行比较。
这些贡献建立在现有工作基础之上,进一步推进缺血性卒中影像学和NWU估算的发展。我们的研究结果表明,NWU可以仅使用NCCT图像计算,为依赖CTP或DWI的传统卒中评估方法提供了一种潜在的替代方案。
材料与方法
数据集
本回顾性研究按照伦理标准开展,并获汉堡-埃彭多夫大学医学中心和波士顿麻省总医院机构审查委员会批准。由于仅分析回顾性且匿名化的数据,因此豁免知情同意。
第一个数据集来源于2019年1月至2024年5月期间在汉堡-埃彭多夫大学医学中心接受治疗的185例患者,用于开发和验证全自动NWU定量流程。纳入该数据集的患者为大脑中动脉供血区急性缺血性卒中(AIS),经症状发作6小时内多模态CT成像显示大血管闭塞确诊。成像方案包括平扫CT(NCCT)、CT血管造影和CT灌注(CTP)扫描。若早期缺血性病灶肉眼可见,即CTP扫描使用引流时间(TTD)图识别的低灌注组织内脑血容量(CBV)减低区域,则患者符合纳入条件。在无CBV病灶的情况下,感兴趣区仅使用TTD图定义。尽管所提出的NWU分析流程仅依赖NCCT图像,病灶掩膜由CTP衍生的TTD数据生成,并由一名具有5年以上经验的医学专家手动标注。这些掩膜仅用于算法开发和优化,计算的基于NWU的病灶图对照这些专家标注进行评估。NCCT图像具有1.00 × 1.00 × 1.00 mm3的均匀空间分辨率,图像尺寸范围为[189–231] × [189–231] × [109–159]体素。对图像数据进行初步检查后,排除30例——18例因图像质量差(如金属植入物伪影、低信噪比),12例因病灶体积小(< 1 mL)——最终155例符合条件纳入分析。
第二个外部数据集用于流程测试,来源于2007年1月至2013年9月期间在波士顿麻省总医院接受治疗的51例患者。缺血核心病灶由具有5年以上经验的临床专家使用弥散加权成像(DWI)/表观弥散系数(ADC)图定义,即DWI信号增高且ADC信号减低。纳入标准要求基线NCCT扫描的发病至CT时间小于6小时。NCCT图像的空间分辨率为0.43 × 0.43 × 5.00 mm3,图像尺寸范围为512 × 512 × [35–37]体素。在该数据集中,专家标注的DWI病灶掩膜用于算法测试;我们的算法被应用于计算基于NWU的病灶图,随后对照专家病灶掩膜评估其正确性。因伪影和噪声导致图像质量不足的病例(n = 5)因定量不可靠而被排除,最终获得46个可用数据集。
对于两个数据集,在TTD和DWI上勾画的参考病灶掩膜通过仿射图像配准映射到NCCT空间(详见“自动NWU定量”部分)。核心病灶定义为基于DWI/ADC或CBF的严重缺血组织体积,其活力不确定。
自动NWU定量
净水摄取(NWU)定义为1减去病灶掩模内平均NCCT体素强度与对侧半球相应区域的商:其中和分别是缺血体积A和对侧正常体积B的平均亨斯菲尔德单位(HU)强度值。我们的自动化NWU分析方法建立在这一原理之上,利用梗死区域表现出高NWU值而未受影响区域显示较低值这一事实。
为消除从例如CTP数据中手动提取预定义病灶掩模的需要,我们首先计算NCCT图像上小的重叠子区域的NWU,生成全脑的体素级NWU图。接下来,识别并封装具有最高NWU值的子区域,并计算该区域的NWU。源代码将在接收后公开发布于github.com/IPMI-ICNS-UKE/aNWU。
从NCCT图像估计NWU的全自动流程包括三个主要步骤(详细的形式化描述见补充材料):
(1)NCCT图像预处理,(2)NWU图生成,(3)NWU图后处理,如图1所示。主要目标是通过利用大脑半球对称性和基于影像的启发式方法来勾画梗死区域,从而实现准确的NWU定量。有意排除深度学习(DL)技术以确保所开发方法的透明性和可解释性。
在处理之前,NCCT图像被重采样至各向同性体素大小1×1×1 mm³,以确保不同受试者和数据集之间一致的空间分辨率。随后,在初始处理步骤中(图1,子图1),使用专有CT脑图谱[17]通过仿射配准将图像对齐至前连合-后连合(AC-PC)平面。该对齐标准化了所有图像的空间方向。接下来,将AC-PC对齐后的大脑分为左、右半球,并将右半球镜像以匹配左半球的方向。该镜像使得半球之间能够使用公开可用的基准工具箱(VROC,github.com/IPMI-ICNS-UKE/vroc)进行精确的形变配准,该工具箱在MICCAI Learn2Reg挑战赛中名列前茅。
在步骤2中(图1子图2),通过为每个半球生成包含所有强度大于0的体素的掩模来排除非脑区域。应用特定的HU阈值以去除骨骼和脑脊液等无关区域。使用Sobel滤波器进行边缘检测,通过排除具有强烈边缘且不太可能代表脑实质的区域来进一步精炼掩模。遵循NWU计算以分析大脑(梗死)子区域的思路,使用大小为11×11×11 mm³的掩模卷积核对掩模后的半球进行体素级3D平均池化操作,这也有助于降低噪声和提高信号一致性。在处理后图像中贡献小于卷积核体积10%(即133个体素)的区域被排除。最后,使用公式1计算体素级NWU图,不同之处在于和现在分别指左、右半球相应滑动窗口内的平均HU强度值。因此,每个体素的NWU值可解释为周围脑组织的NWU值。
在步骤3(图1,子图3)中,首先计算全局NWU统计量,然后采用Otsu方法确定背景与前景之间的阈值。选择较低的截断值以排除背景噪声,同时保留细微的缺血性改变。随后,选择NWU图中最大的连通分量,并对其进行后处理操作,包括腐蚀和膨胀以细化病灶边界,接着进行洪水填充操作以闭合小间隙并生成连续的病灶掩膜。为评估目的,将所得病灶掩膜与各自的参考病灶掩膜进行比较,以评估流程性能。为将基于CTP/TTD和DWI的参考病灶掩膜映射到相应的NCCT图像上,对用于病灶分割的临床图像数据进行了仿射图谱配准。然后使用导出的变换参数对参考掩膜进行变换。对于CTP/TTD数据,应用与NCCT对齐相同的脑图谱。对于DWI数据,必须对MR脑图谱进行重采样和对齐以匹配CT脑图谱,确保将参考掩膜映射到NCCT图像数据的一致性。随后按照公式1的定义计算总相对NWU。
实验与评估策略
本研究的实验阶段包括两个阶段:(1)参数优化与算法验证,以及(2)测试。在第一阶段,选择关键参数和启发式方法,并使用内部数据集对算法进行验证。在第二阶段,在独立的外部数据集上测试所提出的方法,以评估其泛化性和鲁棒性。
在两个阶段中,将估计的NWU与基于参考病灶掩膜的NWU使用平均绝对误差(MAE)进行比较,MAE量化了计算值与参考值之间的平均差异。此外,评估了中位绝对误差(中位AE)和平均误差(ME),以提供对变异性和潜在偏差的更稳健评估。对于外部数据集中15例的子集,使用另一位专家评估者的标注,通过Pearson相关系数量化读者间一致性。此外,还纳入了线性混合效应模型,该模型将模型计算的NWU值与基于专家的NWU进行比较,同时通过纳入随机截距来考虑每次扫描的重复测量。还评估了分割和病灶检测性能。评估了病灶检测率,定义为计算分割掩膜与参考分割掩膜之间至少有一个体素重叠的病例比例,以衡量半球检测准确率(HD acc.)。对于分割性能,使用Dice相似系数来量化计算掩膜与参考掩膜之间的重叠。最后,计算了平均精度均值(mAP),其中围绕掩膜的边界框的交并比(IoU)大于0.53/2被视为正确检测。该阈值来源于标准2D图像分析实践,并扩展到3D,旨在平衡敏感性和特异性,确保稳健的检测性能[18]。所有评估指标均在整个幕上脑实质范围内以体积方式计算。
结果
两个数据集的临床相关参数列于表1。我们研究的关键参数,即病灶范围(核心/ASPECTS)和从症状发作到成像的时间,在两个数据集之间具有可比性,使得能够对我们的算法在两者上进行直接评估。
结果表明在梗死半球检测方面表现强劲。表2总结了这些发现,内部数据集的病灶检测率为0.94,外部数据集为1.00,突显了该方法在不同患者人群中识别梗死区域的可靠性。在图2中,将计算的NWU值(y轴)与参考值(x轴)进行比较。对于内部数据集(左图)和外部数据集(右图),大多数值落在±2%置信区间内,表明计算值与参考NWU值之间具有一致性。
平均而言,内部数据集中NWU的MAE为1.05%(ME:0.21%,中位AE:0.70%),外部数据集中为1.48%(ME:−0.50%,中位AE:1.00%)。外部数据集中较高的值可能反映了基线参考掩膜生成方法的差异(内部:来自CTP成像的TTD;外部:DWI成像),这可能影响分割准确性。读者间一致性高,两位专家评估者之间的Pearson相关系数为r = 0.98。模型计算的NWU值也与每位专家显示出强相关性:两位评估者的r均为0.97。以每次扫描为随机截距的线性混合效应模型显示,模型计算与评估者标注的NWU之间无显著差异(β = 0.005,95% CI:[−0.28, 1.24],p = 0.217)。
图2中数据点的颜色编码进一步说明了分割性能:浅绿色标记对应较低的Dice相似系数,表明计算病灶掩膜与参考病灶掩膜之间的重叠较少,而深绿色标记对应较高的Dice系数,反映分割更准确。内部数据集与外部数据集的中位Dice评分相当,分别为0.48(四分位距[IQR]:0.37–0.55)和0.47(IQR:0.23–0.60)。Dice评分大于0.3的比例在内部病例中为84%,在外部病例中为70%。然而,外部数据集在mAP方面表现出优于内部数据的结果,57%的病例通过了预定义的检测阈值(IoU > 0.53/2),而内部数据为48%。
对结果的视觉检查凸显了该方法在临床应用中的潜力。图3和图4展示了来自内部数据集和外部数据集的六个代表性病例,显示了NWU图和计算/参考病灶掩膜。病例的选择涵盖了一致性的一致全谱,即低、中、高Dice评分各两个病例。在高Dice相似系数的病例中,该方法准确捕捉了梗死区域的范围和位置,与参考标注紧密吻合。相反,Dice评分较低的病例通常涉及较小的梗死灶或存在细微低密度的区域,这些区域本身就更难以勾画。
讨论
本研究结果表明,从NCCT图像中全自动估计NWU既可行又具有前景,在两个不同数据集上均取得了稳健的性能。内部数据集的病灶检出率为0.94,外部数据集为1.00,这表明所提出的方法能够可靠地识别梗死半球,即使仅使用症状发作6小时内采集的基线NCCT图像也是如此。这也反映在与真实NWU相比,病灶NWU的定量结果一致且平均绝对误差较低。此外,该方法通过采用成熟的、基于启发式的图像处理技术和线性运算而非复杂的黑箱DL模型,保持了较高的可解释性和可重复性,使其非常适合临床实施。为支持不确定性估计,我们使用线性混合效应模型纳入了置信区间,这证实了计算得到的NWU值与评估者得出的NWU值之间具有高度一致性。
然而,分割性能(如Dice评分和mAP值所示)显示出仍有改进空间。虽然该方法在检测大面积梗死和低密度改变明显的梗死方面表现良好,但较小的病灶或缺血性改变细微的区域在准确勾画方面更具挑战性。计算得到的病灶掩膜与参考病灶掩膜之间的中等重叠程度表明,分割步骤需要进一步优化以捕捉缺血组织的更精细细节。尽管如此,与全自动DL方法相比,我们的结果具有竞争力[13–15],且我们的方法具有以下优势:无需训练、结果可解释、流程快速(每例端到端处理时间<10秒)。因此,该方法可能适用于日常临床实践的真实场景和前瞻性研究。较高的病灶检出率和较小的NWU误差(尤其是在外部数据集上)表明该方法可适应不同的成像方案。该方法在两种临床环境和队列中的泛化性是其作为AIS评估适用工具潜力的令人鼓舞的信号。此外,虽然NCCT提供了一种无创且易于获得的成像方式,但在某些情况下,缺乏灌注信息可能限制该方法区分早期缺血性改变与正常解剖变异的能力。此外,作为我们方法核心的NWU图可为临床医生提供对分割过程的宝贵见解。这些图不仅支持对所得分割结果的解读,还有助于识别假阳性检测区域或遗漏区域,从而增强诊断信心。此外,虽然我们的研究聚焦于前循环卒中,自动NWU定量也可能使后循环病例获益,因为后循环的影像解读通常更为复杂。
既往研究已引入自动化NWU估计方法,包括Kumar等[11]、Marcus等[12]和Lu等[19]的方法,这些研究强调了NWU作为缺血性损伤标志物的临床相关性。然而,其中许多方法依赖于在相对较小数据集上训练的深度学习(DL)模型,需要手动输入或随访影像,或提供区域级或层面级而非体积级估计。相比之下,我们的方法完全自动化,利用专家定义的启发式规则,并在整个3D幕上脑体积中进行体素级NWU估计,无需训练数据。这不仅增强了可重复性和可解释性,还使该方法更适合在不同临床环境中部署。
我们的研究聚焦于卒中发病6小时内接受影像检查的患者,捕捉NWU通常较微妙的早期缺血性改变。因此,与TTD和DWI的比较为探索性,旨在评估NWU作为组织损伤潜在早期标志物的价值。然而,在没有随访影像或ADC、CBF或TTD既定阈值的情况下,这些比较的生物学相关性仍不确定。此外,我们相对较小的队列和潜在的选择偏倚限制了研究结果的普适性,因为患者是基于特定临床和影像标准选择的。另一个重要局限性是基于NCCT的NWU估计无法可靠区分梗死核心与缺血半暗带,因为NWU主要反映与不可逆损伤相关的低密度,并未考虑灌注状态。尽管我们探索了近似核心-半暗带边界的启发式策略,但这些方法被证明不够稳健,无法用于临床应用,因此未纳入最终流程。
未来工作可探索整合额外的图像处理技术——如基于DL的分割或仅需少量额外影像数据的多模态融合——以进一步提高准确性。此外,将我们的方法应用于其他诊所的影像数据将有助于评估其在不同成像方案和患者人群中的稳健性和普适性。我们方法的整体性能已与依赖额外成像模态(如CTP[20])的现有方法相当,表明其在评估AIS方面具有较强的临床使用潜力。
总之,我们提出了一种仅使用NCCT图像在AIS中进行NWU估计的全自动方法。所提方法表现出稳健的性能,与参考值相比实现了高病灶检出率和一致的NWU估计。仅使用标准NCCT图像即可准确估计NWU并检测梗死半球的能力在临床环境中可能是一种优势。此外,该方法可泛化至不同数据集和患者人群,凸显了其在卒中评估中广泛应用的前景。经过进一步开发,该方法可为快速卒中评估提供有价值的工具,从而实现及时有效的临床决策。
补充信息
电子补充材料
引用
- Sentker T, Nielsen M, Klapproth S, et al. Fully automated quantification of net water uptake in acute ischemic stroke using only non-contrast CT imaging. Eur Radiol. 2025. PMID: 41444396. doi:10.1007/s00330-025-12238-0
- 全文:PMC13212784(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212784/
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。