文献速递神经头颈外周血管CT

颅内颈内动脉钙化的分割与形态测量及其与脑萎缩的关系

Segmentation and morphometry of intracranial internal carotid artery calcification in relation to brain atrophy.
PubMed 文献 · Neuroradiology · 2026-03-14

研究纳入1232名南美原住民,利用CT自动分割颅内颈内动脉钙化并计算表面积与厚度,发现钙化表面积而非厚度与额叶、顶叶、颞叶及皮层下脑体积呈显著负相关,皮层下区关联最强。

要点

  • 颅内颈内动脉钙化表面积与多个脑区体积负相关,皮层下区关联最强。
  • 钙化厚度与脑体积无显著关联,提示表面积可能反映动脉僵硬度。
  • 自动分割法在0.625mm与1.25mm分辨率间体积测量一致性高(ICC 0.998–0.999)。

核心结论

  • 颅内颈内动脉钙化表面积与区域脑体积损失的关系强于钙化厚度,前循环供血区更易受钙化相关萎缩影响。
  • 皮层下脑体积与钙化表面积负关联最强,壳核、丘脑、海马、杏仁核、苍白球及腹侧间脑等深部灰质结构似乎更易受损。

研究设计与样本

  • 研究为横断面分析,纳入1232名南美原住民(794名Tsimane和438名Moseten,48.1%女性,年龄40至92岁)。
  • 使用16排CT扫描仪(General Electric BrightSpeed)行脑CT,重建矩阵512×512,分辨率1.25 mm(N=31)或0.625 mm(N=1201)。
  • 钙化分割采用两步法:先手动标注颅内颈内动脉,再以130–500 HU阈值识别钙化,体积测量ICC为0.97(95%CI 0.91–0.99,p<0.001)。
  • 脑体积通过SynthSR将CT转换为合成MRI后经FreeSurfer分割获得,并在两个独立配对数据集(Irimia数据集13例,SynthRAD2023数据集59例)中验证。
  • 采用线性回归模型评估钙化表面积和厚度与区域脑体积的关联,校正年龄、性别、人群和总颅内体积,并进行Benjamini & Hochberg错误发现率校正。

关键影像表现/征象

  • 仅35/1232名参与者(2.8%)无颅内颈内动脉钙化,70岁及以上参与者全部存在钙化。
  • 钙化表面积中位数62.75 mm²(IQR 193.35 mm²),厚度中位数1.07 mm(IQR 0.60 mm),两者强相关(Spearman相关系数0.862,p<0.0001)。
  • 5.8%的参与者钙化厚度≥1.50 mm。
  • Moseten人群钙化表面积中位数57.48 mm²(IQR 190.37 mm²)、厚度中位数1.09 mm(IQR 0.66 mm),Tsimane人群分别为68.06 mm²(IQR 191.91 mm²)和1.06 mm(IQR 0.57 mm),两人群间无统计学显著差异。

诊断标准与关键数值

  • 钙化定义为CT衰减值在130–500 HU之间的体素,下限130 HU参照Agatston钙化评分法,上限500 HU用于区分血管钙化与邻近骨质。
  • 钙化表面积S为3D表面模型所有三角网格面积之和,厚度T取表面模型上所有厚度值的第97百分位数。
  • 模型1中,额叶、顶叶、颞叶及皮层下脑体积与钙化表面积呈显著负相关(标准化β范围-0.146至-0.066,p≤0.013),枕叶无显著关联(标准化β=-0.035,p=0.249;β=0.007,p=0.810)。
  • 皮层下脑体积与钙化表面积负关联最强(标准化β=-0.146,p<0.001;β=-0.139,p<0.001)。
  • 在162个分区中,壳核、丘脑、海马、杏仁核、苍白球和腹侧间脑等皮层下结构显示显著效应。

临床应用与阅片要点

  • 自动分割方法可在不同CT空间分辨率下稳定测量颅内颈内动脉钙化,0.625 mm与1.25 mm分辨率间体积Pearson相关系数0.999(p<0.001),ICC 0.998–0.999,平均绝对差3.15 mm³(SD 3.75 mm³)。
  • 钙化表面积可能作为反映动脉僵硬度的影像标志物,其与脑体积的关联强于反映狭窄程度的钙化厚度。
  • 阅读脑CT时,前循环供血区(额叶、顶叶、颞叶)及皮层下深部灰质结构的萎缩可能与颅内颈内动脉钙化表面积增大相关。

局限性

  • 由于无法对Tsimane/Moseten队列进行MRI扫描,脑体积通过SynthSR将CT转换为合成MRI后经FreeSurfer分割获得。
  • 合成MRI与真实MRI的区域体积加权百分比差异在Irimia数据集中中位数为9.7%(IQR 5.8%),在SynthRAD2023数据集中中位数为3.5%(IQR 2.0%)。
  • 研究为观察性横断面分析,无法确立因果关系。
全文中译19 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:Neuroradiology. 2026 Mar 14;68(4):911–26. doi: 10.1007/s00234-026-03918-9

引言

颅内颈内动脉钙化(intracranial internal carotid artery calcification,iICAC)是颅内动脉硬化的一种形式,位于所有颅内动脉床中钙化最好发的部位[1]。一项荷兰急诊科研究对1至100岁(y)个体进行调查发现,iICAC可从生命第一个十年即被检出,并随年龄增长而增加[2]。多项研究表明,iICAC与心血管危险因素及卒中风险升高相关[3, 4]。尽管iICAC作为脑血管健康的重要影响因素日益受到认识,但其与脑萎缩——一种衰老过程中的影像学表现[5]——的关系尚未充分明了。美国一项尸检研究发现,动脉硬化对认知损害的影响是通过皮层灰质萎缩介导的[6, 7]。区域性脑萎缩是一种常见的年龄相关现象,在不同性别间以不同速率进展[8, 9],具有独特的空间和时间模式,有助于评估神经退行性疾病(包括阿尔茨海默病(Alzheimer’s disease,AD))的风险[10]。鹿特丹研究发现颅内动脉硬化增加痴呆风险[11]。因此,研究脑萎缩与iICAC之间的关系可为血管钙化如何参与正常衰老过程以及痴呆相关神经退行性变提供重要见解。

计算机断层扫描(computed tomography,CT)脑扫描可检测动脉钙化,因此临床上用于描绘iICAC。然而,传统的基于CT的iICAC测量仅限于体积评估,对iICAC严重程度提供的信息不足[1–4]。更全面地理解iICAC需要更广泛的测量指标来量化钙化的复杂特征。例如,iICAC的表面积S有潜力作为动脉僵硬的可能标志物。随着血管钙化过程进展,钙化区域的表面积扩大,反映动脉壁适应血流变化的能力下降[12]。动脉弹性减弱与S增加相对应,是可能导致脑血流受损并可能促进脑萎缩的关键因素[13, 14]。另一方面,iICAC厚度T是一种与动脉阻塞程度(即狭窄)相关的测量指标。随着T增加,动脉管腔的狭窄可能减少血流,导致慢性缺血及随后的脑萎缩[15]。

我们提出一种自动化、非侵入性的方法,利用来自两个南美洲原住民群体的1,232名参与者的CT扫描直接计算S和T。Tsimane和Moseten是玻利维亚亚马逊地区的群体,其生活方式与工业化社会存在明显差异。Tsimane(人口约17,000)遵循传统的自给生活方式,而邻近的Moseten群体(人口约3,000)则更为文化适应,更多获得电力、卫生设施、医疗服务和市场食品等现代便利条件[16–19]。与工业化人群相比,这两个群体均保持较高的体力活动水平,且痴呆危险因素(如2型糖尿病、心血管疾病、吸烟)较少[18, 20, 21]。在既往研究中,这些因素分别与血管钙化和脑萎缩相关[22–26]。由于Tsimane和Moseten中工业化相关危险因素较少,研究这两个群体的iICAC和脑萎缩可减少潜在混杂,并允许在更接近其基本生物学机制的情境中检验血管钙化与脑萎缩之间的关系。除个体危险因素外,既往工作还显示了工业化与非工业化群体之间iICAC患病率的跨群体差异:Tsimane和Moseten成年人中iICAC的患病率为79% [27],而欧洲人群队列中为16.9% [28]。这些差异进一步促进了对原住民群体中iICAC的研究,因为其工业化生活方式因素暴露较低,可以更清晰地研究基本血管和神经退行性过程。

既往研究通常依赖CT的人工评估来测量iICAC的形态学特征[29]。一些研究利用了死后脑尸检[30],但无法将发现与生前测量进行有意义的关联。一些研究使用了半定量分级方案,对测量指标T赋予离散类别[31–33]。本研究提供了一种用于iICAC定量的自动化方法,减少了人工评分工作量,并使得基于三维表面建模的厚度连续测量成为可能。随后我们评估S和T如何导致区域性脑萎缩,并比较这些指标作为脑体积(BVs)相关因素的相对重要性。我们认为S反映动脉壁弹性降低,即颅内颈内动脉(iICA)随动脉脉搏波扩张和收缩的能力减弱,而T反映对血流的狭窄性限制。我们在控制年龄、性别、群体和总颅内体积的情况下,使用多元线性回归检验S和T与区域BVs(即额叶、顶叶、枕叶、颞叶和皮层下区域)之间的关系。不同脑区的血管供应存在差异:枕叶主要由大脑后动脉(PCA)供血,而其他脑叶主要由大脑前动脉(ACA)和大脑中动脉(MCA)灌注,二者均起源于iICA [34–36]。由于iICAC反映颈内动脉的钙化,我们假设其与脑萎缩的关联在主要由ACA或MCA供血的区域更强,而在主要由PCA供血的区域较弱或可忽略不计。

材料与方法

参与者

本研究纳入1,232名参与者,包括794名Tsimane人和438名Moseten人(女性占48.1%)。Tsimane人是玻利维亚低地的一个以觅食-园艺为生的原住民族群,主要依赖自给农业、狩猎、捕鱼和采集为生[16]。Moseten人是邻近人群,其遗传和民族语言学背景与Tsimane人相似,以商业化农民为生[17]。详细的人口统计学信息,包括各人群的年龄和性别比例,列于表S1(在线资源)并在其他地方发表[8, 9]。Tsimane人的年龄范围为40岁至92岁,平均59.9岁(SD = 10.3岁)。Moseten人的年龄范围为40岁至85岁,平均55.9岁(SD = 10.3岁)。两个人群中女性和男性的比例相似。

影像学检查

2015年至2018年间,对Tsimane和Moseten参与者均进行了脑部CT扫描。使用16排探测器扫描仪(General Electric BrightSpeed,Milwaukee,WI),采用顺时针螺旋模式和标准卷积核。重建矩阵大小为512 × 512,生成两个数据集:一个为1.25 mm分辨率(N = 31),另一个为0.625 mm分辨率(N = 1201)。以1.25 mm分辨率扫描的小部分参与者并不对应于特定人群、年龄范围或性别组。其他扫描参数包括:峰值管电压 = 120 kV;数据采集直径 = 25 cm;平均曝光时间 = 1.417 s;X射线管电流 = 140 mA;焦点 = 0.7 mm [21]。

iICAC分割

从CT中分割iICAC分两步进行(图1)。首先,三名编码员在医师-科学家Giuseppe Barisano(斯坦福大学神经外科系)的培训和监督下,使用ImageJ [37]手动标记CT扫描上对应于iICA的体素。iICA标签覆盖整个动脉横截面,包括血管壁和管腔空间。接下来,通过阈值化CT衰减值来识别iICA内的钙化。衰减值在130至500亨氏单位(HU)之间的体素被视为钙化。130 HU的下限阈值常用于钙化评分方法,如Agatston评分[38, 39]。500 HU的上限阈值用于区分血管钙化与靠近iICA的骨骼。基于手动标记动脉区域的iICAC体积测量由三名独立评分者验证,估计组内相关系数(ICC)为0.97(95%置信区间:0.91–0.99,p < 0.001),显示出极好的信度和可重复性。

图1 两步法iICAC分割。a展示了两个示例参与者原始CT扫描的轴位视图。b展示了由神经影像学专家标记为绿色的颅内颈内动脉(iICA)体素(步骤1)。c显示了在130–500 HU之间阈值化后的iICAC体素(黄色)(步骤2) 查看原图 ↗

iICAC分割在不同CT空间分辨率下的可重复性

CT扫描以两种空间分辨率(0.625 mm和1.25 mm)采集。为评估iICAC分割在不同分辨率间的可重复性,我们进行了降采样分析。原本以0.625 mm分辨率采集的CT扫描(N = 1201)及其手动标注的iICA管腔掩膜被降采样至1.25 mm分辨率。在降采样数据上重复完整的iICAC分割流程,使用相同的衰减阈值(130 HU–500 HU)识别管腔掩膜内的钙化体素。原始与降采样iICAC体积之间的可重复性采用Pearson相关、ICC和平均绝对体积差进行评估。不同空间分辨率的CT扫描使用相同的分割流程处理,未进行协调化。

iICAC S和T的计算

开发了一条新流程,用于计算每位参与者钙化表面上不同点的S和T。图2展示了iICAC S和T计算涉及的五个步骤。首先,对每位参与者,基于iICAC标签掩膜构建iICAC的三维表面模型(图2,步骤1)。使用3D Slicer(www.slicer.org)[40]构建代表iICAC几何结构的表面模型,平滑因子设为零。iICAC表面模型由三角网格组成。S通过可视化工具包(VTK)测量,即对iICAC表面模型上所有三角网格的面积求和[41]。其次,为计算T,使用VTK获取所有三角网格的法向量(图2,步骤2)。第三,对表面模型上的每个三角网格,计算(i)当前所选三角网格的法向量( )与(ii)所有其他三角网格的法向量( )之间的点积(图2,步骤3)。第四,选择点积为负( )的向量作为与 配对的潜在候选法向量。这是因为 的负号表明 与 之间的夹角超过90度;因此,对应的两个三角网格位于表面的相对两侧(图2,步骤4)。在iICAC表面模型上,当两个三角网格不在同一侧时,它们之间的距离很可能代表该点处的T。第五,计算当前三角网格与其所有潜在配对候选之间的距离(图2,步骤5)。当前三角网格上T的最终值确定为其中心点到候选三角网格中心点的最短距离。

在第五步之后,在iICAC表面模型上测量的每个T值均基于iICA的径向方向进行加权。具体而言,对于iICAC表面模型上的每个三角网格,在iICA模型上选择五个最近的网格三角形,并计算每对网格三角形法向量之间的夹角。如果与五个三角形相关的平均角度接近90度,则赋予接近零的权重。相反,如果平均角度更接近0度或180度,则赋予更高的权重,接近1。这种方向校正确保我们仅考虑横跨动脉横截面平面测量的T值。最后,选择表面模型上所有T值的第97百分位数作为每位参与者T的代表性参数。选择该百分位数是因为它有效捕捉极端iICAC厚度,同时对局部表面不规则性保持稳健,提供了稳定且具有临床意义的测量指标。

图2 iICAC S和T的计算。步骤1:将一名示例参与者的iICAC标签图转换为3D表面模型。步骤2:详细展示该示例参与者右侧iICAC表面模型。S通过将iICAC表面模型上所有三角网格的面积求和计算得出。显示了随机三角网格的法向量。步骤3:计算选定三角网格的法向量()与另一三角网格的法向量()的点积。步骤4:仅选择点积为负的三角网格作为与当前选定网格匹配的潜在候选。潜在候选位于iICAC表面模型的另一侧(对侧表面)。步骤5:最佳候选被选为与当前选定三角网格距离最短的候选。选定三角网格中心与候选网格中心之间的距离被视为该点处的T值 查看原图 ↗

脑分割

颅内空间使用基于CT的概率分类算法进行分割[42]。在脑分区之前,每张CT扫描使用公开可用的人工智能工具SynthSR[43]转换为高分辨率T1加权MRI扫描。利用FreeSurfer分割皮层灰质,并基于Destrieux分区方案[44, 45]进一步将其分为148个皮层区域和14个皮层下结构(共162个结构)。最后,将分区后的灰质区域映射至每半球5个主要脑区(共10个)——额叶、顶叶、枕叶、颞叶以及皮层下区域[46]。此处,皮层下区域包括尾状核、壳核、丘脑、海马、杏仁核、苍白球和腹侧间脑。

CT衍生合成MRI体积测量的验证

为评估CT衍生合成MRI脑分区体积的准确性,我们使用两个包含配对CT和T1加权MRI扫描的独立数据集进行了验证。对于每位参与者,使用SynthSR将CT扫描转换为合成MRI,然后通过上述相同的FreeSurfer分区流程处理,以获得162个皮层和皮层下区域体积。

第一个数据集,即Irimia数据集[8],包含13名参与者,具有配对的平扫CT和MRI扫描。CT扫描使用Toshiba Aquilion ONE扫描仪采集(120 kV,140 mA,螺旋采集,FC68卷积核;体素大小0.46 mm × 0.46 mm × 0.60 mm)。MRI扫描在3 T Siemens Prisma系统上使用磁化准备快速梯度回波(MPRAGE)序列获得(TR = 1950 ms,TE = 3 ms,TI = 900 ms,翻转角 = 9°,体素大小 = 1 mm × 1 mm × 1 mm)。

第二个数据集SynthRAD2023[47]是一个公开可用的基准数据集,我们从中选取了59对配对的平扫CT和T1加权MRI扫描,均在University Medical Center Utrecht采集。CT扫描使用Philips Big Bore或Brilliance Big Bore扫描仪采集(120 kV,234 mA–350 mA,400 mAs–450 mAs,曝光时间1143 ms–1712 ms,像素间距0.57 mm–1.17 mm,层厚1 mm–2 mm),MRI扫描使用Philips Ingenia或Achieva dStream系统,采用3D扰相T1加权梯度回波序列采集(翻转角 = 8°,TE 3.48–4.06 ms,TR 7.63 ms–8.67 ms,像素间距0.22 mm–0.96 mm)。

对于两个数据集,均计算了合成MRI衍生与真实MRI衍生的区域体积之间按参与者加权的绝对百分比差异。每个区域的百分比差异按其在参与者全脑体积中所占比例进行加权。然后对参与者的加权差异取平均值,以总结每个数据集的体积差异。

iICAC测量值与区域BV之间的回归分析

对于每个区域BV,采用三个线性回归模型检验其与S和T的关系。我们通过计算方差膨胀因子(VIF)评估所有自变量之间的共线性。对于模型1,区域BV的线性回归模型将S作为预测变量,并控制年龄、性别、人群和总颅内体积(TICV)。模型2使用T作为预测变量,控制变量与模型1相同。模型3同时使用S和T作为多个预测变量,控制变量同样相同。每个因变量和自变量均通过z评分建模为标准单位(性别和人群分类变量除外)。回归估计值反映预测变量每相差1个SD时区域BV标准差(SD)单位的平均差异。为控制跨脑区回归估计值的多重比较,采用Benjamini & Hochberg方法控制错误发现率[48]。

结果

iICAC测量值

表1给出了iICAC S、T的估计值及其按年龄的分布。根据Shapiro–Wilk检验,S和T均显著偏离正态分布(p < 0.001)(图3A)[49]。S的中位数为62.75 mm2,四分位距(IQR)为193.35 mm2。T的中位数为1.07 mm,IQR为0.60 mm。S与T之间强相关(Spearman相关系数 = 0.862,p < 0.0001)[50]。1,232名参与者中仅35名(2.8%)无iICAC。5.8%的参与者T≥1.50 mm,这与先前在荷兰的一项研究一致,该研究中约5%的当地参与者存在内膜iICAC,定义为T 1.50 mm [30]。采用Spearman相关分析,年龄与S和T均呈正相关。如表1中按十年分组的年龄组所示,所有70岁及以上的参与者均存在iICAC,而无iICAC者中74%(35名中的26名)位于最年轻年龄组(40岁–49岁)。S或T在人群间无统计学显著差异,Moseten人群中位S = 57.48 mm2(IQR = 190.37 mm2)、中位T = 1.09 mm(IQR = 0.66 mm),Tsimane人群中位S = 68.06 mm2(IQR = 191.91 mm2)、中位T = 1.06 mm(IQR = 0.57 mm)。

图3B可视化了一名参与者的T计算结果。在3D iICAC模型表面的每个点上,均获得了一个T值。将3D模型的不透明度调整以显示iICAC的内部结构后,可以明显看出,在iICAC较厚的区域计算得到的T值较高。该参与者iICAC模型表面所有点的T值总体分布见图3C。

表1 按年龄分布的iICAC S和T测量值 查看原表 ↗
图3 参与者间S和T的分布(a)以及一名参与者在其iICAC表面模型不同点上计算得到的T(b)。b为一名参与者的iICAC表面模型(轴位、冠状位和矢状位视图),其中每个点上的T以不同颜色表示(深红色 = iICAC较厚)。模型不透明度降至70%以便更清楚地观察其内部结构。c为该参与者iICAC表面模型上所有点的T值直方图 查看原图 ↗

iICAC测量在不同CT空间分辨率下的可重复性

由原始(0.625 mm分辨率)和降采样(1.25 mm分辨率)CT扫描得出的iICAC体积显示出近乎完美的一致性。原始与降采样iICAC体积之间的Pearson相关系数为0.999(p < 0.001),ICC [1, 2](用于量化单次测量之间的绝对一致性,同时考虑系统差异和随机差异)范围为0.998至0.999。测量之间的平均绝对差异为3.15 mm³(SD = 3.75 mm³),相对于平均iICAC体积(54.45 mm³)而言较小。散点图(图S1)进一步说明了iICAC分割的高可重复性,显示不同分辨率CT扫描所得的iICAC体积几乎完美地沿恒等线对齐。

CT衍生的合成MRI体积测量法的验证

由于从Tsimane/Moseten队列获取MRI扫描不可行,因此改为获取CT扫描。使用SynthSR将从CT扫描转换而成的合成MRI中提取区域脑体积,随后使用FreeSurfer进行分割。该流程的验证使用了配对的CT-MRI脑扫描。在Irimia数据集中(包含13名具有配对CT和MRI扫描的参与者),SynthSR衍生与MRI衍生FreeSurfer体积(超过162个结构)之间的参与者加权百分比差异中位数为9.7%(IQR 5.8%)。在SynthRAD2023数据集中(包含59对配对CT和MRI扫描),相应的平均加权百分比差异中位数为3.5%(IQR 2.0%)。

iICAC与区域BV的关系

对于每个区域BV,使用三个线性回归模型来检验BV与S和T的iICAC测量值之间的关系。所有变量的VIF均经核实低于5,表明自变量之间不存在显著共线性。在此,将大脑分割为每个半球的5个区域(共10个BV区域),包括额叶、顶叶、枕叶和颞叶,以及皮层下区域。皮层下区域包括14个结构,每个半球7个:尾状核、壳核、丘脑、海马、杏仁核、苍白球和腹侧间脑。我们预期iICAC测量值与由ACA或MCA供血区域的脑萎缩具有更强的关联,而与由PCA供血区域的关联较弱或无关联。回归模型1和2揭示S或T如何独立地对这10个区域BV作出贡献。模型3比较S和T在對区域BV贡献中的相对重要性。表2列出了模型1、2和3对10个区域BV进行回归的回归估计值。此外,我们将这三个模型应用于基于Destrieux图谱进一步分区化的162个区域BV(148个皮层、14个皮层下)。表3显示了模型1、2和3对162个区域BV进行回归时14个皮层下结构的回归结果。图4A和B分别可视化了模型1和3中S在脑叶和进一步分区化的皮层下结构上的估计值。图4C和D分别可视化了模型2和3中T在脑叶和进一步分区化的皮层下结构上的估计值。模型1、2和3对148个皮层区域的回归结果分别见表S2、S3和S4(在线资源),并在图S2(在线资源)中可视化。对所有回归模型应用了错误发现率校正[48]。

在模型1中,将10个区域脑体积(BVs)对S进行回归分析(表2),我们发现,在控制年龄、性别、人群和颅内总容积(TICV)后,60%(10个中的6个)的脑区与S呈显著负相关。这些区域包括额叶和顶叶,以及每个半球的皮层下结构(各脑区标准化估计值的可视化见图4A)。标准化估计值反映了区域BV以标准差(SD)为单位均值差异与S一个SD差异的关联。该指标使我们能够比较各区域间估计值的大小。在双侧,与其他脑区相比,皮层下区域的估计值幅度最高,显示出与S相关的BV损失最强趋势。在同一模型中,将162个区域BVs对S进行回归分析,大多数皮层下结构的体积,包括每个半球的丘脑、海马、壳核、苍白球、腹侧间脑,以及左侧杏仁核,均与S呈显著负相关,但双侧尾状核除外。表3显示,在所有162个区域中,双侧壳核体积与S的负相关最强(皮层下结构的可视化见图4A)。

表2中的模型2呈现了10个区域BVs对T的可比线性回归模型,同样控制年龄、性别、人群和TICV(各脑区标准化估计值的可视化见图4C)。与模型1(区域BVs对S回归)相比,较少的区域BVs与T呈显著负相关。仅双侧半球的皮层下区域在T较大时BVs显著较小。模型2中皮层下区域的估计值幅度低于模型1中皮层下区域的估计值,表明与S相比,T对皮层下BV损失的贡献较弱。此外,模型2中有一个边际显著的正相关,表明T与右侧颞叶体积之间可能存在正相关关系。同样值得注意的是,在模型1和模型2中,均未发现任一半球枕叶体积与S或T之间存在显著关系。这一结果在解剖学上是预期的,因为枕叶由后循环供血(后循环不直接由颈内动脉(iICA)供血)。

表2中的模型3比较了S和T对区域BV的贡献,其中S和T同时作为预测变量建模,并控制年龄、性别、人群和TICV(标准化估计值在脑区上的可视化见图4B和D)。模型3中不存在共线性问题,S和T的VIF较低(低于2.00)。S的显著估计值( )为负,而T的显著估计值( )为正。此外,与T相比,有更多6个(8对2)区域BV与S表现出显著关联。与仅将区域BV对S回归的模型1相比,在模型3中调整T后,双侧颞叶的体积均与S呈显著负相关。此外,模型2中(仅将区域BV对T回归)与双侧皮层下区域相关的两个显著负s在模型3中不显著,其中与左侧皮层下区域相关的转为正值。从模型2到模型3,两个皮层下s的幅度均大幅减小,而两个皮层下s的幅度保持相似。调整S后估计值在统计上不显著,以及回归系数幅度的大幅减小,表明T对区域BV的影响小于S的影响。

表2 线性回归模型1、2和3,其中10个区域BV分别对S、对T以及对S和T同时回归,控制年龄、性别、人群和总颅内体积,经错误发现率校正。模型规格采用Wilkinson记法,例如,BV ~ S表示S预测BV 查看原表 ↗
表3 来自模型1、2和3的14个皮层下区域(ventral DC指腹侧间脑)的回归结果,其中总共162个区域BV(基于Destrieux图谱分割)分别对S、对T以及对S和T同时回归,控制年龄、性别、人群和总颅内体积,经错误发现率校正。模型规格采用Wilkinson记法,例如,BV ~ S表示S预测BV 查看原表 ↗
图4 标准化估计值分布在每个半球的4个脑叶(共8个,每个根据表2的索引标记)和6个双侧皮层下结构(共12个,每个根据表3的索引标记)。a可视化了来自模型1的S的标准化估计值,其中区域BV仅对S回归。b可视化了来自模型3的S的标准化估计值,其中区域BV对S和T同时回归。c可视化了来自模型2的T的标准化估计值,其中区域BV仅对T回归。d可视化了来自模型3的T的标准化估计值,其中区域BV对S和T同时回归。数据通过线性回归分析,调整年龄、性别、人群和总颅内体积,经错误发现率校正(注: ) 查看原图 ↗

讨论

本研究采用一种新的自动化方法从CT图像中量化iICAC的S和T,分析了iICAC与区域BV之间的关系。我们的研究结果确定了S与区域BV丢失之间存在统计学显著的关联。在所有脑区中,皮层下BV与S的负相关最强,提示其对面容增加相关的萎缩具有更高的脆弱性。与S相比,T与区域脑萎缩的关联相对较弱,提示由S所指示的动脉僵硬度相比由T所指示的动脉狭窄可能对脑萎缩的贡献更大。

BV中与iICAC相关的变化

模型1(使用S作为区域BV的预测因子)和模型3(同时使用S和T作为预测因子)揭示了S与区域BV之间存在统计学显著的负相关关系。具体而言,在仅使用S预测因子的模型1中,90%(10个中的9个)的区域BV呈现负估计值,其中6个达到统计学显著性。在模型3(同时使用S和T作为预测因子)中,同样的90%(10个中的9个)估计值为负,但有8个具有统计学显著性。这些模式提示了一种趋势,即较大的S与多个脑区(即额叶、顶叶、颞叶)较小的BV相关,这些脑区主要由前循环和中间循环供血,而非后循环。然而,需要进一步的纵向数据来建立因果关系,并评估S作为发生脑萎缩预测因子的效用。

在双侧,皮层下BV在模型1(区域BV对S回归)和模型3(同时以S和T为预测因子)中与S表现出最强的负相关(0.100)。这提示皮层下结构,包括壳核、丘脑、海马、杏仁核、苍白球和腹侧间脑,相比其他区域更容易发生与S增加相关的体积丢失。这种更高的脆弱性可能由两个解剖因素解释。第一,豆纹动脉(LSAs)起自大脑中动脉(MCA)的M1段,供应皮层下结构,其管径较小。这使其对脑血流变化更为敏感[51]。第二,LSAs以直角起自M1段,放大了搏动性应力的传递[52]。由于MCA起自iICA,这些发现与以下假说一致:iICAC,尤其是当表面积广泛时,对深部脑结构灌注的损害比皮层区域更严重。在所有皮层下结构中,壳核(基底节之一)与S的负相关最强(表3,图4A和B可视化),表明壳核的体积丢失最可能与S增加相关。荷兰的一项研究发现壳核萎缩与AD中的认知下降显著相关[53]。S与皮层下BV之间的负相关表明,更深部脑区的萎缩可能更多地与iICAC钙化相关,值得进一步研究iICAC与这种萎缩相关的神经退行性疾病之间的关系。

尽管某些区域(尤其是右侧颞叶)对T显示出适度的正向β值,但这些效应较小且不具有统计学稳健性。鉴于T仅代表局部最大厚度测量值,因而对噪声更为敏感,这些孤立的阳性关联应谨慎解读。相比之下,S反映整体钙化负荷,并始终显示出与区域脑体积更强、更具生物学合理性的关联。未来需要更大队列的研究来确定与T相关的局部颞叶发现是否可重复。

动脉僵硬度与狭窄的比较

有两种主要假说机制可解释动脉特性的变化如何影响血流并导致脑萎缩:动脉僵硬和动脉狭窄。动脉僵硬度降低动脉随每次心跳扩张和回缩的能力,导致脑血流调节受损[54, 55]。这种弹性的丧失增加搏动性压力,损害小血管,并破坏脑自动调节,这可能促成慢性低灌注和脑萎缩[13, 14, 56, 57]。随着iICAC增加,S的扩大可能导致iICA壁弹性降低,这使得S成为动脉僵硬度的潜在代表性参数。相比之下,动脉狭窄被认为在T增大并使动脉管腔变窄时增加,限制血流并减少大脑的氧气供应,可能加速神经退行性变和体积丧失[15]。在我们的研究中,被假设可能指示动脉僵硬度的S与区域BV呈现显著负相关关系。相比之下,被假设代表动脉狭窄的T则没有。当S与T一起作为自变量建模时,从模型2到模型3,T( )对皮层下BV的标准化估计值幅度变小,并从负值变为正值。这表明,被假设指示动脉僵硬度的钙化表面积与脑萎缩的关联比钙化厚度更为密切。被假设由T代表的动脉狭窄,在该人群中除动脉僵硬度(被假设由S解释)之外,似乎在脑萎缩中作用很小。这些结果为动脉钙化影响脑血流并可能导致脑萎缩的机制提供了有价值的见解,表明保持动脉弹性在预防血管因素导致脑功能障碍方面可能具有潜在重要性。

iICAC对脑区的间接效应

脑结构并非直接由iICA供血,而是由ACA、MCA和PCA供血[34]。在4个脑叶中,其中3个主要由ACA或MCA供血,而枕叶主要由PCA供血[35]。ACA和MCA起自iICA的终末分叉处,而PCA则不是[36]。这解释了枕叶体积与iICAC S或T之间未发现显著关系的发现。

此外,远离iICA的下游脑区,如额叶和顶叶,相比更靠近iICA的颞叶,受S的影响更大。这可能是因为iICAC S的扩大(假定其增加动脉僵硬度并降低搏动性)可能仍允许部分血液到达更靠近iICA的脑叶,但可能允许较少的血液到达远离iICA的下游脑叶。由LSAs供血的皮质下区域与S呈最强的负相关,这可以通过LSAs的几个解剖和血流动力学特征来解释。首先,LSAs从MCA的M1段垂直发出[52]。当iICAC降低父动脉内的血流时,LSAs的直角起始可能进一步阻碍皮质下区域的灌注。其次,LSAs是无显著侧支循环的终末动脉,使其供血区域特别易受低灌注的影响[58]。第三,当大脑血流被来自起始动脉的iICAC改变时,LSAs的小尺寸减少了对皮质下结构的灌注[51]。

局限性

本研究介绍了一种新的自动化方法,用于量化iICAC的复杂形态特征,包括S和T,并为iICAC与区域性大脑萎缩之间的关系提供了有价值的见解。尽管如此,仍应承认若干局限性。首先,虽然研究原住民人群为iICAC和大脑萎缩提供了独特见解,这些人群生活在非工业化环境中且冠状动脉粥样硬化程度较低,但这也限制了我们研究结果的普适性。未来研究应将这些关联与不同生活方式的其他人群中的结果进行比较,并应检验痴呆血管危险因素的作用,这些因素在工业化程度更高的人群中可能更为常见。其次,本研究的横断面性质限制了我们就iICAC扩展与大脑萎缩之间因果关系得出结论的能力。需要纵向研究以更好地理解iICAC形态学的时间进展及其随时间对大脑健康的潜在影响。第三,T的测量受到CT扫描空间分辨率的限制。使用具有更高空间分辨率的CT扫描仪可以提高T量化的精度,特别是对于捕捉更精细的形态细节。第四,虽然我们将S作为动脉僵硬度的替代指标,但更直接的僵硬度测量,如脉搏波速度或其他机械特性,可以更精确地理解动脉僵硬度如何影响大脑结构。未来研究应纳入更直接的僵硬度评估,以提高关于iICAC对大脑萎缩影响的研究结果的准确性和深度,并验证S作为动脉僵硬度标志物的有效性。第五,本研究中使用的T指标无法区分iICAC增厚是向内发生(使动脉管腔变窄)还是向外发生(超出血管壁扩展)。这一局限性源于分割依赖于包含动脉壁和血管内部空间的管腔掩膜。未来采用准确动脉壁标记的研究可以实现更严格的狭窄度测量,从而区分iICAC的向内生长与向外生长。第六,CT衍生的合成MRI体积仍然是一个局限性。在独立数据集(Irimia和SynthRAD2023)上的验证显示,与真实MRI衍生体积相比,受试者加权百分比差异低于12%,表明总体上一致性可接受,但也突出了残余差异。未来工作还应致力于改进大脑分割流程以进一步提高体积准确性。同样重要的是要注意,在该人群中开展MRI不可行,因为从该人群出发在合理出行距离内没有MRI设施;因此,CT仍然是唯一可用的模态。

补充信息

以下是电子补充材料的链接。

补充材料1(PDF 789 KB)

引用

  1. Xu X, Chaudhari NN, Imms P, et al. Segmentation and morphometry of intracranial internal carotid artery calcification in relation to brain atrophy. Neuroradiology. 2026. PMID: 41831008. doi:10.1007/s00234-026-03918-9
  2. 全文:PMC13139289(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13139289/

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。