用于儿童与成人脑血流量测量的自动相位对比磁共振成像算法的开发与评估
研究纳入59名儿童(3.43±2.60岁)和39名成人(57.28±3.87岁)的3T相位对比MR图像,开发自动化算法完成血管分割、去混叠、血管识别与全脑血流量计算,并与人工分析金标准比较。算法各组件性能与人工分析相近,全脑血流量测量在人与算法间无显著差异(p=0.1558),但事后检验中仅金标准与算法间差异有统计学意义(p=0.033)。
要点
- 算法全脑CBF与金标准及两名分析者间ICC为0.748—0.817,两名分析者间ICC为0.810—0.919。
- 算法去混叠误差在ICA(MAE 0.538)与VA(MAE 0.355)均低于人工分析(ICA 0.555,VA 0.410—0.414)。
- 儿童血管识别算法敏感度ICA 0.983、VA 0.983,成人ICA与VA均为1.000。
核心结论
- 自动算法各组件性能与金标准人工分析相似,并能保证高精度。
研究设计与样本
- 研究为二次分析,采集2项研究(一项儿童、一项成人)的3T相位对比与T1 MR图像,儿童59名、成人39名。
- 儿童图像在3T Philips Achieva、Achieva CX和Ingenia扫描仪获取,成人图像在3T Siemens Prisma扫描仪获取。
- 儿童序列参数为VENC 30—60 cm/s、回波时间7.41—17.32 ms、重复时间12.20—27.17 ms、信号平均次数6—36、各向同性面内分辨率0.50—0.89 mm、层厚5.00 mm、CSENSE因子2。
- 成人序列参数为VENC 60 cm/s、回波时间4.89 ms、重复时间47.34 ms、信号平均次数32、各向同性面内分辨率0.40 mm、层厚5.00 mm、GRAPPA因子2。
- 参考标准为主分析者首次人工评估,去混叠另以高VENC(60 cm/s)无混叠图像作为外部金标准。
关键影像表现/征象
- 相位对比图像在幅度图、复数差图和相位图上分别显示神经解剖结构、血管解剖和血流速度。
- 分割差异多发生于血管边缘低流速处,对结果影响被最小化。
- ICA(较大血管、较高血流)的分割MCC优于VA(较小血管、较低血流)。
诊断标准与关键数值
- 全脑CBF以2支颈内动脉与2支椎动脉血流之和计算,每支血管血流为各体素流速乘以体素面内面积后求和。
- 血管分割MCC:算法ICA 0.835—0.849、VA 0.777—0.785;主分析者第二次ICA 0.918—0.930、VA 0.889—0.914;次分析者ICA 0.861—0.890、VA 0.830—0.873。
- 去混叠MAE:算法ICA 0.538、VA 0.355;主分析者ICA 0.555、VA 0.410—0.414。
- 血管识别敏感度:算法儿童ICA 0.983、VA 0.983,成人ICA 1.000、VA 1.000;总体ICA与VA均为0.990。
- 全脑CBF的ICC:儿童0.817—0.978、成人0.748—0.957;儿童平均CBF 524±253 ml/min、成人682±127 ml/min。
临床应用与阅片要点
- 算法可自动完成颈内动脉与椎动脉的分割、去混叠、识别及全脑CBF计算,减少人工处理时间与观察者内和观察者间变异。
- 算法将颈内静脉识别为图像中线左右两侧负向血流最大的2个血管ROI,并以同侧ICA为参照在指定距离内识别VA(前10体素、外侧20体素)。
- ICA候选为血流至少达最高血流20%的血管,按距前缘、距中线、距最近颈内静脉及血流4项加权评分,左右两侧权重最大者判定为双侧ICA。
- 合并非混叠相位图像前先进行背景相位校正,混叠血管按动脉与静脉两种可能分别拟合抛物线流型,选择r平方最优者。
局限性
- 原文指出儿童血管更小、血流更低且易在MRI中移动,预期在年幼参与者中测量性能受限。
- 原文指出因临床时间限制,儿童与成人图像仅在一个VENC下采集。
- 原文指出儿童图像因序列时间高度受限导致分辨率较低、信号平均次数较少。
- 原文报告算法与金标准在事后检验中存在差异(p=0.033)。
全文中译29 节 · 点击展开
引言
脑血流量(CBF)为大脑提供氧气和葡萄糖,这些对健康的大脑发育和功能至关重要[1]。儿童CBF测量为研究肿瘤诊断和治疗[2–4]、正常大脑发育的中断[5, 6]、血管疾病[6–8]以及认知障碍[9]提供数据。区域CBF测量是区分高级别与低级别脑肿瘤的重要方法[3, 4]。然而,许多区域CBF测量耗时、包含来自不同图像采集和处理方法的不精确性、具有侵入性或涉及辐射。一种快速、精确、非侵入性的全脑CBF全局测量将补充区域CBF测量。我们可以从区域与全局CBF测量中获得全脑CBF的比值,并利用该比值对区域肿瘤灌注测量进行缩放,从而提高测量准确性。因此,快速且精确的全局CBF测量将增强对儿童肿瘤和其他病变的研究。
正电子发射断层扫描(PET)是准确测量区域CBF的一种方法,需要注射和监测放射性15O标记的水作为放射性示踪剂[10]。一种较新的区域CBF测量方法是动脉自旋标记(ASL),它利用血液的磁共振(MR)特性作为非侵入性示踪剂。ASL需要相对较长的成像时间,在儿童人群中容易产生运动伪影,其数据处理通常需要对脑血流动力学进行假设[11]。相位对比(PC)MR成像是测量全局CBF的一种非侵入性、无辐射方法[12]。每幅PC图像分别在幅度、复数差和相位分量中显示神经解剖结构、血管解剖结构和血流速度。计算血管中的血流量需要选择血管腔内的体素,将每个体素中的血流速度乘以体素横截面积,并将所有选定体素的值相加(公式1)。在每幅PC图像中,全脑CBF是2条颈内动脉(ICAs)和2条椎动脉(VAs)中血流量的总和(公式2)。获取高质量PC图像的挑战已广为人知,并有推荐的成像方法来解决这些问题[13, 14]。PC成像层面必须同时垂直于ICAs和VAs,图像必须具有足够的空间分辨率以显示4条血管的管腔[13, 14]。速度编码(VENC)参数决定了速度值和强度值的采样范围,必须尽可能低以最大化信噪比,同时又要高于血管中的速度以避免相位图像出现混叠[12, 13, 15]。选择正确的VENC具有挑战性,因为从出生到成年速度变化很大(均值和标准差为18 ± 5至45 ± 15 cm/s)[16, 17]。混叠可以通过增加采集VENC来预防,或在后处理中通过对图像进行相位解缠来校正。尽管手动处理PC图像是金标准,但剩余的主要挑战是通过系统性血管识别、血管分割和混叠校正来减少PC测量误差。
用于处理过程中分割及其他问题的自动相位对比(PC)图像处理,有可能通过精确的全脑脑血流量(CBF)测量消除观察者间和观察者内变异,并减少人工处理时间,从而产生可补充区域CBF测量的信息[18]。自动化算法将具有精确的精度,量化其在整个生命周期中的性能将有助于确定其在儿童期的适用性,因为儿童期CBF存在很大变异。在较年轻参与者中测量CBF时,预计会突显性能局限,因为儿童血管更小、血流更低,并且倾向于在MRI检查期间移动。因此,我们报告我们的自动PC处理算法在一组相对易于评估的成年志愿者和一组非常难以评估的儿科患者中的性能分析。
材料和方法
参与者
我们从2项研究(一项儿科研究和一项成人研究)中获取PC和T1 MR图像用于二次分析。在儿科研究中,PC成像被添加到在一家四级儿科学术医院接受成像的已知情同意儿童(住院和门诊患者)的常规神经影像检查中(IRB CHLA-18-00439,NCT04435834)。每个PC成像序列使临床扫描时间增加约1分钟。儿科参与者包括伴有和不伴有中枢神经系统病变(如肿瘤、神经系统疾病和其他生理状况)的儿童。在成人研究中,参与者知情同意在一家学术医院接受研究性扫描(IRB CHLA-18-00439)。每个PC成像序列耗时约1分钟。成人参与者包括非糖尿病、糖尿病前期或糖尿病患者。
由于临床时间限制,儿科和成人图像均仅在单一VENC下采集。然而,评估去混叠需要分别在低VENC(伴有混叠)和高VENC(无混叠的真实值)下采集的图像对。因此,一名我们有时间采集图像对的知情同意成人(29岁)也接受了扫描(IRB HS-22-00468)。在低VENC和高VENC(30和60 cm/s)下采集成对PC图像,从而生成有混叠和无混叠的图像。这些成人图像的PC成像参数和切片位置与儿科图像中的相当。
数据采集
所有儿科图像均在3 T Philips(Amsterdam, Netherlands)Achieva、Achieva CX和Ingenia MR扫描仪上采集,软件版本为R5.7.1.2。VENC、信号平均次数和各向同性平面内分辨率参数针对儿科血管尺寸和速度进行了优化,以减少混叠并提高对比度和信噪比。关键序列参数为:VENC 30—60 cm/s,回波时间7.41—17.32 ms,重复时间12.20—27.17 ms,信号平均次数6—36,无心脏门控,各向同性平面内分辨率0.50—0.89 mm,层厚5.00 mm,压缩感知灵敏度编码(CSENSE)因子2。
所有成人图像均在3 T Siemens(Erlangen, Germany)Prisma扫描仪上采集。扫描参数针对成人血管尺寸和速度进行了优化。关键序列参数为:VENC 60 cm/s,回波时间4.89 ms,重复时间47.34 ms,信号平均次数32,无心脏门控,各向同性平面内分辨率0.40 mm,层厚5.00 mm,广义自动校准部分并行采集(GRAPPA)因子2。
对于儿童和成人PC图像,我们保存了幅度、复差分和相位信息。PC成像层面置于颈动脉分叉上方1 cm处,垂直于双侧颈内动脉(ICA)和椎动脉(VA)。儿童图像是在临床MR成像的研究附加序列中采集的。因此,该序列时间高度受限,导致分辨率较低且平均信号次数较少。相比之下,成人图像是在长达2小时的神经影像协议中采集的,时间限制要小得多。
脑体积图像处理
对于儿童和成人T1图像,我们使用FreeSurfer(儿童图像使用7.2.0版本,成人图像使用5.3.0版本,计算神经影像实验室,波士顿 MA)处理T1图像。如果由于脑解剖结构异常而无法使用FreeSurfer处理脑体积,我们要么使用计算解剖工具箱(CAT12)(12.9,耶拿大学,德国)结合统计参数映射(SPM12)和MATLAB(2023A MathWorks,纳蒂克 MA),要么根据其性别和年龄[19]推算其脑体积。
脑血流量图像处理
我们的PC处理算法用MATLAB(2023A MathWorks,纳蒂克 MA)编写,包含4个组件(图1)。这些关键组件是:1. 从复差分图像中分割颈内动脉、椎动脉和颈内静脉的血管;2. 对相位图像中的体素进行血管去混叠;3. 使用相位和复差分图像识别颈内动脉和椎动脉;4. 使用分割和识别后的血管以及去混叠相位图像计算脑血流量(CBF)。
血管分割
该算法首先将头部与周围空气分割,然后从头部的组织中分割血管。
分离头部
主动轮廓法(Chan-Vese)[20]处理幅度图像以将头部与周围空气分离。主动轮廓从选择整个图像开始,迭代(N = 200)收缩区域以分割颅内感兴趣区(ROI)。
分离血管和邻近组织
迭代直方图法处理复差分图像以选择血管内部及周围组织区域的体素。该方法识别分割颅内ROI内强度最高的体素,并以该体素为中心的小圆(半径15个体素)创建血管ROI。这些血管ROI包含使颅内ROI数据偏斜的体素,因此将它们从下一次迭代中排除,从而能够捕获可能是潜在血管的大区域和小区域。该过程重复进行,直到颅内ROI中未选择的体素不再偏斜(偏度 < 0.8)或完成10次迭代。
阈值化血管
使用阈值(未选择体素的中位幅度加上这些体素四分位距的2.5倍)来精炼上一步选择的血管ROI。低于该阈值的体素(可能是静态组织或缓慢流动的脑脊液)从血管ROI中移除。
精炼血管
活动轮廓方法(Chan-Vese)[20]精炼生成的血管感兴趣区。活动轮廓方法执行3次带收缩偏置的迭代,然后膨胀1个体素以抵消该偏置。
将错误标记为单根血管的相邻血管分离(分水岭)
颈内动脉(ICA)紧邻颈内静脉,这可能导致两根血管被错误地选择为具有正向和负向血流的单一感兴趣区。为防止这种情况,我们对相位图像执行初步的解卷绕步骤(Ghiglia-Romero)[21],并将这些感兴趣区分水岭分割为正向血流和负向血流的独立区域。
血管解卷绕
接下来,算法评估卷绕血管是动脉还是静脉,然后相应地对该血管进行解卷绕。
背景校正
我们通过将血管区域膨胀1个体素并应用MATLAB regionfill函数来校正背景相位。Regionfill计算这些区域内部的拉普拉斯算子,同时在感兴趣区边缘维持狄利克雷边界条件。然后我们从相位图像中减去regionfill图像,从而去除血管内任何非零背景相位。
血管类型评估
使用4个参数评估卷绕血管以确定其为动脉还是静脉。这些参数为:A. 具有正向(动脉)与负向(静脉)血流值的体素比率,B. 解卷绕前的总血管血流(Eq. 1),C. 初步解卷绕(Ghiglia-Romero)[21]后的总血管血流,以及D. 拟合于血管的抛物线血流廓线的解。参数A至D被赋予能提供最佳结果的权重,若参数的加权和超过2,则该血管被分类为动脉(Eq. 3)。
相位卷绕会破坏感兴趣血管中的血流廓线。ICA中的预期血流廓线为钝化抛物线(Womersley数5.33)[22],但我们选择了一个简约的抛物线模型作为合适的简化。卷绕血管在同一感兴趣区内同时包含正向和负向血流值,使其作为动脉或静脉的识别变得复杂。我们的算法通过将每根卷绕血管分别作为动脉和静脉进行解卷绕来处理这种模糊性。然后将两种可能性都拟合为抛物线廓线。我们排除不可能的抛物线拟合(即具有虚数解的拟合),选择r平方值最佳的拟合,并使用该拟合来确定权重参数D。
解卷绕动脉和静脉
若上述分类参数的总权重 greater than 2,算法将血管指定为动脉,否则算法将该血管指定为静脉。然后使用选定的抛物线血流函数对指定血管管腔内的卷绕体素进行解卷绕。
血管识别
算法使用先前计算的血管感兴趣区和血流来识别2根ICA和2根VA。
颈内静脉识别
颈内静脉被识别为图像中线左右两侧具有最大负向血流的2个血管感兴趣区。
动脉评估
我们首先识别流量最高的血管。所有流量至少达到最高流量20%的血管均为潜在ICA候选血管。对每个候选血管评估4项指标以判定其是否为ICA(公式4):A. 到图像前缘的距离,按前后方向图像尺寸缩放;B. 到中线的距离,按左右方向图像尺寸缩放;C. 到最近颈内静脉的距离,按每个ICA候选血管到其最近颈内静脉距离之和缩放;D. 血管流量,按所有潜在ICA流量之和缩放。与VA相比,ICA在解剖上更靠前、更靠外侧且更靠近颈内静脉;与VA相比,ICA的血管流量更高。我们将A、B、C、D 4项指标相加,得到每根血管的总权重。
ICA识别
中线左右两侧总权重最大的血管被识别为双侧ICA。
VA识别
该算法以ICA为参考,将与同侧ICA在指定距离内(前方:10个体素,外侧:20个体素)流量次高的血管识别为VA。
CBF计算
该算法随后使用识别出的ICA和VA血管ROI以及去混叠相位数据计算总CBF。对于每个ICA和VA ROI,将相位图像中每个体素的流速乘以面内体素面积并求和,得到血管流量(公式1)。然后计算总CBF为2根ICA和2根VA流量之和,至此算法完成(公式2)。
CBF归一化
我们注意到许多研究使用ASL和PET,因此报告归一化CBF值,即单位为ml/min/100 g [12]。我们的算法不需要这种归一化,但如果需要归一化CBF,则可以很容易地计算。脑体积可从其他神经影像(例如T1加权图像)获得,脑重量可通过乘以参考标量密度(1.081 g/cm3)[23]获得。
人工处理与算法比较
初级和次级图像分析人员在MATLAB(血管分割、血管识别、CBF计算)和ImageJ(血管去混叠)中手动分析所有图像。两名分析人员均对算法结果设盲。我们进行统计分析,以评估儿童和成人图像在表现上可能存在的年龄相关差异。初级图像分析人员进行了两次手动分析,第一次观察的结果被用作血管分割、识别和CBF计算的 ground truth。我们选择初级图像分析人员的第一次评估作为我们的 ground truth,因为这是我们的最熟练分析人员所做的无偏初始评估。因此,我们的 ground truth 代表了熟练个体在不受可能影响同一图像后续评估的影响或学习效应的情况下所做的工作。
统计分析
我们比较了以下各项的手动与算法组成部分:1. 使用马修斯相关系数(MCC)[24]进行血管分割,2. 使用平均绝对误差(MAE)[25]进行血管去混叠,3. 使用MCC进行血管识别,4. 使用组内相关系数(ICC)[26]进行CBF计算。1. 血管分割 我们评估算法是否选择了手动选择的体素(真或假)以及该体素是否为血管(阳性和阴性),使用MCC比较ICA和VA的分割。我们将MCC计算限制在每个血管宽度和高度两倍的区域内,从而能够对我们处理的每个血管评估MCC。
2. 血管去混叠 我们对来自单一成年参与者在低VENC(30 cm/s)下获得的9幅相位图像进行了去混叠。去混叠由每位图像分析人员和算法执行。我们将结果与在高VENC(60 cm/s)下采集的配对图像进行比较,后者无混叠,因而作为我们的金标准。我们计算MAE为去混叠图像与金标准图像的平均差异,并报告由主要分析人员、次要分析人员和算法处理的ICA和VA的MAE。
3. 血管识别 我们希望分离算法血管识别的性能(而非先前的分割)。因此,我们使用主要分析人员第一次观察的手动分割图像及其所得识别结果作为金标准。我们对主要分析人员(第二次观察)、次要分析人员和算法在识别正确血管(真或假)以及血管是否存在于手动分割(阳性和阴性)方面的能力进行评分。由于所有血管在分割中均可见,数值分布均为“真阳性”或“假阴性”。我们报告ICA和VA的灵敏度。
4. CBF计算 两位图像分析人员和算法使用来自先前组成部分的分割、去混叠和识别的血管计算CBF:1. 血管分割,2. 血管去混叠,3. 血管识别。我们计算主要分析人员(第一次观察,金标准)与主要分析人员第二次观察及算法之间CBF计算的ICC。对于患有神经系统肿瘤的儿科参与者,我们创建了一个匹配(年龄和性别)的无肿瘤队列。我们计算2组中主要分析人员(第一次观察)与次要分析人员和算法之间CBF计算的ICC。
样本量
我们希望确保使用足够的样本以避免错误地报告等效性能。我们在功效分析中使用一个子组来估计每个组成部分的效应量和标准差。我们设定I类和II类错误(α = 0.05,功效 = 80%),并计算评估每个组成部分所需的图像数量。然后,我们找到需要最多数据的评估(3. 血管识别,N = 49幅图像),并在所有3个组成部分中超过了该图像数量。对于具有客观金标准的一个组成部分(血管去混叠),我们收集了该客观金标准(在适当VENC下的无混叠采集)并报告相对于其的数值。
结果
共从 N = 59 名年龄为 3.43 ± 2.60(范围 0.00—12.57)岁的儿童参与者中采集了 N = 60 幅图像,并从 N = 39 名年龄为 57.28 ± 3.87(范围 50.00—64.00)岁的成人参与者中采集了 N = 39 幅图像。详细的参与者人口统计学和临床信息报告于汇总表 1。为获得去混叠分量的地面真值,在 1 名非糖尿病女性成人(年龄:29 岁,族裔:拉丁裔,种族:其他)中以低和高 VENC(30 和 60 cm/s,含和不含混叠)采集了 9 对图像(共 N = 18)。算法性能报告于汇总表 2,并在下文各节中详细报告。
对于血管去混叠,我们能够获得外部地面真值。对于其他分量,我们将主要分析师的首次观察视为地面真值。缩写:颈内动脉(ICA),不适用(NA),椎动脉(VA)。
1. 血管分割
主要图像分析师的首次评估被用作地面真值。其第二次评估结果在双侧 ICA(MCCs = 0.918—0.930,表 2)和 VA(MCCs = 0.889—0.914,表 2)上均具有可比性。次要图像分析师相对于地面真值的性能在双侧 ICA(MCCs = 0.861—0.890,表 2)和 VA(MCCs = 0.830—0.873,表 2)上略低。同样,算法在双侧 ICA(MCCs = 0.835—0.849,表 2)和 VA(MCCs = 0.777—0.785,表 2)上的可比性也略低。分割中的差异往往发生在血管边缘,该处速度较低,从而最大限度减少了不同分割的影响。
单个 ICA 和 VA 的 MCCs 显示,ICA(较大血管、较高血流)的性能优于 VA(较小血管、较低血流)(图 2)。对来自分析师比较(主要分析师 versus 次要分析师和主要分析师 versus 算法)以及 2 种不同血管(ICA 和 VA)的 MCCs 进行双因素方差分析(ANOVA),表明血管之间存在差异(p < 0.001)、比较之间存在差异(p < 0.001),以及血管-比较交互作用(p = 0.002)。
2. 血管去混叠
无混叠采集的数据被用作地面真值。对于 ICA(MAE 算法 = 0.538,分析师 = 0.555,表 2)和 VA(MAE 算法 = 0.355,分析师 = 0.410—0.414,表 2),算法去混叠的误差均低于手动去混叠。对来自比较(主要分析师、次要分析师和算法均 versus 地面真值)以及 2 种不同血管(ICA、VA)的 MAEs 进行双因素 ANOVA,表明血管之间存在差异(p < 0.001),但比较之间无差异(p = 0.639)或血管-比较交互作用无差异(p = 0.878)。主要图像分析师和算法 versus 地面真值执行的去混叠显示于(图 3)。
3. 血管识别
主要图像分析师的首次评估被用作地面真值。主要和次要分析师的识别对所有图像均完美(所有 ICA 和 VA 的敏感性 = 1.000,表 2)。算法的识别在儿童图像(敏感性 ICA = 0.983,VA = 0.983,表 2)和成人图像(敏感性 ICA = 1.000,VA = 1.000,表 2)中非常相似。儿童图像中的假阴性错误包括 VA 被误识别为 ICA 和漏识 ICA。ICA 和 VA 总体识别的敏感性分别为 0.990 和 0.990。血管识别在一系列血管血流范围内均高度敏感(图 4)。
4. CBF 计算
主要图像分析师的首次评估被用作金标准。图像分析师和算法测得的脑血流量(CBF)高度相关(儿童:ICC = 0.817—0.978,成人:ICC = 0.748—0.957,表2)。主要分析师、次要分析师和算法在儿童和成人中测得的平均CBF分别为524 ± 253和682 ± 127 ml/min(表3)。儿童血流的较大变异是由于我们所研究的年龄范围较宽,这在预期之内。对4种分析(金标准、主要分析师、次要分析师和算法)的总CBF以及2个不同人群(儿童、成人)进行双因素方差分析,结果显示年龄组间存在预期差异(p < 0.001),分析师与算法之间存在差异(p = 0.016),但无分析师与年龄的交互作用(p = 0.992)(表3)。使用Tukey–Kramer HSD检验对所有分析配对进行事后比较,结果显示仅金标准(主要分析师的首次评估)与算法之间存在差异(p = 0.033),其余所有配对比较均无统计学意义(p > 0.050)。ICC表明,在儿童中算法与分析师之间的信度略高,而在成人中则呈现相反趋势,即分析师之间的信度更高(表2)。我们报告,在患有肿瘤的儿童参与者中,算法-分析师比较和分析师-分析师比较的信度较低(ICC = 0.162和0.809),而与之匹配的无肿瘤队列比较信度较高(ICC = 0.942和0.897)。
5. CBF归一化
总CBF和归一化CBF均按年龄绘制(图5)。大多数儿童脑体积(82%,N = 49)和所有成人脑体积(100%,N = 39)使用Free Surfer进行处理。部分儿童图像未能通过Free Surfer分析,分别使用CAT12处理(10%,N = 6)、因严重脑积水完全省略(2%,N = 1)或因缺乏任何T1脑图像而进行插补(7%,N = 4)[19]。
分析师和算法在儿童和成人中测得的平均归一化CBF分别为50 ± 17和64 ± 14 ml/min/100 g(表3)。还对4种分析(金标准、主要分析师、次要分析师和算法)的归一化CBF以及2个不同人群(儿童和成人)进行了双因素方差分析。结果表明年龄组间存在预期差异(p < 0.001),分析方法之间存在差异(p = 0.001),但无分析师与年龄的交互作用(p = 0.982)(表3)。使用Tukey–Kramer HSD检验对所有分析配对进行事后比较,结果显示仅金标准与算法之间存在差异(p = 0.005,平均差 = 8.165),与次要分析师之间存在差异(p = 0.022,平均差 = 6.986),其余所有配对比较均无统计学意义(p > 0.050)。
讨论
我们开发了一种算法,可自动化PC图像处理,并为每个关键分析步骤提供度量,同时让图像分析人员以盲法手动处理相同图像,与自动化输出进行对照。由于儿童PC图像通常质量较低且比成人PC图像分析更具挑战性[12],我们在儿童和成人PC图像上均评估了该算法。总体而言,手动和算法在儿童和成人图像中的性能相似,算法在儿童图像中的总体可靠性更好。
MR图像的人工处理容易受到操作者间和操作者内变异性的影响[27],这表明需要具有更高一致性的自动化方法。自动化算法与人工处理在儿童和成人图像的血管分割方面表现相似。正如预期的那样,两名分析人员的分割结果不如一名分析人员重复分割两次精确,并且正如预期的那样,两者均劣于产生相同结果的自动化处理。自动血管去混叠优于人工方法,后者因高估和错误体素选择而引入误差。该算法与人工处理在儿童和成人图像的血管识别方面也表现相似。总体而言,自动化和人工方法的CBF计算具有高可靠性。然而,当从ICA和VA流量计算CBF时,用户应检查分割、去混叠、识别中的错误,并根据需要提供手动校正。对于质量较低的PC图像,图像分析人员和算法均更难分割ICA和VA。分割中仅几个体素的差异即可导致去混叠或流量计算中的错误,从而导致血管识别错误。
所有方法在患有神经系统肿瘤的儿童参与者中计算CBF的可靠性均低于其匹配队列。患有神经系统肿瘤的儿童图像可能更难处理,这凸显了需要一种精确的自动化方法。
通过采用标准化指南[11],ASL图像采集得到了改善。我们还可以通过制定类似的标准化指南来改善PC图像采集。由于MR技师在采集时实施不同的方案,PC图像会有所不同。努力评估并最小化来自不同MR供应商、场强、梯度强度、梯度转换速率或线圈的变异,将提高不同站点之间以及单一站点不同时间之间CBF测量的可靠性。
用于处理PC图像的自动化算法的成功开发和验证,对于在研究和最终临床应用中测量CBF具有重要意义。算法CBF测量提供了随时间推移提高一致性的潜力,避免了由不同个体进行人工分析时在CBF估计中产生的人为偏差。纵向研究和具有多个数据采集站点的研究在这方面尤其受益。PC图像的采集时间较短(少于2分钟),并且与我们的自动化处理算法相结合,可用于验证使用其他方法(例如ASL)获得的CBF测量值。
局限性
我们的参与者来自2个不同的队列,由幼儿和成人组成。因此,我们没有评估算法在青少年中的性能。然而,我们预计我们的算法在青少年人群中的性能会有所提高,因为幼儿的动脉较小、血流较低且扫描时移动的可能性增加,使得PC采集更具挑战性。此外,部分儿童在麻醉下成像,这可能降低CBF。由于PC成像涉及通过血管腔内血流速度的体素采样来计算血流量,麻醉儿童较低的CBF会降低图像质量。因此,我们的儿科PC图像质量通常低于成人。我们仅纳入了少量患有肿瘤的儿童,且他们未接受ASL成像,然而我们工作的主要重点是改进PC处理。
这2个队列在不同的MR扫描仪上使用不同的成像参数进行成像。然而,我们研究的重点是对儿科和成人图像的处理性能。由于扫描仪和队列年龄完全混杂,我们无法区分处理儿科和成人图像的差异与处理不同扫描仪图像的差异。我们不能排除我们的算法性能可能因扫描仪采集或年龄而有所不同。尽管如此,这些图像采集参数和质量的差异有助于验证自动化算法的稳健性。如果图像质量较差是因为未考虑年龄相关因素,那么预期具有更高图像质量的采集将产生不劣于或优于算法的性能。
此外,成像层面的不正确放置可能导致捕获到斜行的ICA和VA或颈外动脉,这将分别使分割或识别复杂化。对于这些次优情况,算法具有手动校正分割和识别的能力。也可以采用数学模型来准确插补CBF [28]。并非所有扫描仪都可能提供Philips和Siemens扫描仪所需算法所需的3幅图像(幅度图、复数差图、相位图)。对于血管分割等组件,算法可以进一步开发以探索仅使用幅度图和相位图的可能性。
常见做法包括在整个心动周期中采集动态PC图像,从而能够测量心动周期内的血流。然而,我们分析的PC序列采集并平均了图像,因此它只能给出心动周期内的平均血流。尽管如此,该算法也可用于计算动态PC图像的血流,这些图像需要相同的组件,即生成血管感兴趣区域、识别血管、对血管进行去混叠以及计算总CBF。当图像数量增加时(如动态PC图像的情况),自动化分析方法(如我们的方法)更为重要。来自额外图像的测量结果可以反馈到算法的验证中,并有可能改进各组件。我们算法中的权重参数是针对我们的图像优化的,可以针对其他数据集进一步细化。
我们仅计算了颈内动脉(ICA)和椎动脉(VA)血管的血流。尽管如此,使用门控相位对比(PC)序列和较低的编码速度(VENC)可以测量可变形颈内静脉的血流,从而获得关于流出侧脑血流量(CBF)的额外信息,进而评估Monroe-Kelly假说。另一种方法是,可以测量其他液体的流动,例如通过中脑导水管或人工结构(如脑室腹腔分流管腔)的脑脊液流动[29]。
我们评估了2名图像分析人员的工作表现,在需要时以主要分析人员作为金标准。然而,我们的目标是一种自动化替代方案,其准确性类似于手动分析,同时能产生高精度结果。因此,我们可以通过用算法替代人工分析人员来消除观察者间和观察者内的变异性。我们并非试图再次展示医学图像处理中的观察者变异性,这一点已得到充分确立。
我们没有记录分析人员或算法的处理时间,因此无法报告算法可能节省的时间。定性而言,两位分析人员均指出,生成血管感兴趣区和去混叠血管所耗费的时间远多于识别血管和计算总脑血流量。两位分析人员还报告称,手动处理令人疲劳,需要他们放慢速度以保持质量。这些观察结果表明,该算法可能作为放射科医生的临床支持工具是有用的,有助于减轻认知负担。在临床实践中实施此类工具需要与放射科医生工作站软件集成,并考虑其整体工作流程。
结论
我们提出了一种用于处理相位对比图像和计算脑动脉血流的高效算法。与图像分析人员手动处理生成的结果相比,该算法对儿童和成人图像均能产生可靠的脑动脉血流测量值。相位对比成像采集速度快、对建模差异相对不敏感且无辐射。相比之下,儿童中使用的其他常见脑血流量测量方法要么受到通过时间的影响(动脉自旋标记(ASL)),要么涉及辐射(正电子发射断层扫描(PET))。因此,尽管ASL(相较于PC)在研究性神经影像方案中远为常见(分别> 97% vs < 22%的研究),PC可能更适合纳入常规神经影像方案[18]。相位对比成像所需的采集时间和减少的处理时间将共同有助于充分发挥在儿科中产生高精度脑血流量测量的临床和研究潜力。
引用
- Liu J, Torres I, Ranganathan S, et al. Development and evaluation of an automated phase contrast magnetic resonance imaging algorithm for pediatric and adult cerebral blood flow measurement. Neuroradiology. 2026. PMID: 41894041. doi:10.1007/s00234-026-03948-3
- 全文:PMC13408155(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13408155/
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。