文献速递神经技术与安全MR

基于人工智能的人脑磁共振成像上矢状窦旁窦周组织分割

Artificial intelligence-based segmentation of perisinusoidal tissue along the superior sagittal sinus in human brain magnetic resonance imaging.
PubMed 文献 · Neuroradiology · 2026-04-06

研究训练3D全卷积神经网络,在非增强T2-FLAIR MRI上自动分割上矢状窦旁窦周组织,并与4名专家手动分割比较。35例中训练27例、测试8例;人机平均Dice评分0.756,与评分者间0.755相当;体积测量Pearson相关系数0.927(95%CI 0.642–0.987)。

要点

  • 上矢状窦旁FLAIR高信号(窦周组织)可反映含脑膜淋巴管的硬脑膜淋巴结构。
  • 深度学习自动分割与人工分割的平均Dice评分相近(0.756 vs 0.755)。
  • 前段窦周组织较薄,人机分割一致性及体积相关性均低于中段和后段。

核心结论

  • 基于深度学习的窦周组织分割技术可行且准确性良好,与人工分割性能相当。
  • 该方法旨在实现大规模前瞻性人群及干预研究中硬脑膜淋巴结构的高效体积分析。

研究设计与样本

  • 研究为方法学开发与验证,使用3D T2-FLAIR MRI(体素0.5×0.5×1 mm),数据来自两项精神分裂症院内研究(TRIMAGE和DOPA LONG)。
  • 共纳入35人(训练集27人,测试集8人;年龄22–64岁,平均39±12岁;男23例、女12例),使用3 T混合全身mMR Biograph PET/MRI扫描仪(Siemens Healthcare)。
  • 参考标准为4名经过培训的医学学生依据详细手动分割协议进行的标注。
  • 自动分割采用nnU-Net v2 3D Fullres架构(PlainConvUNet,6个UNet阶段,基础特征通道32,瓶颈特征通道320),使用5折交叉验证模型集成推断。

关键影像表现/征象

  • 窦周组织表现为上矢状窦旁FLAIR高信号,手动分割需参考矢状旁硬脑膜与更外侧硬脑膜信号对比。
  • 分割范围按前段、中段、后段上矢状窦标准化划分,前段组织较其他区域更薄。

诊断标准与关键数值

  • 评分者间平均Dice评分为0.755(SD=0.050);前段0.715(SD=0.105)、中段0.802(SD=0.044)、后段0.706(SD=0.071)。
  • 人机比较平均Dice评分为0.756(SD=0.047);前段0.728(SD=0.099)、中段0.781(SD=0.045)、后段0.731(SD=0.067)。
  • 手动分割体积的组内相关系数:总体0.98(95%CI 0.92–1.00)、前段0.92(95%CI 0.59–0.99)、中段0.99(95%CI 0.97–1.00)、后段0.97(95%CI 0.84–1.00)。
  • 人工与算法体积测量的Pearson相关系数为0.927(95%CI 0.642–0.987);中段、后段及总体体积相关性显著,前段无显著相关。

临床应用与阅片要点

  • 自动分割可用于上矢状窦旁窦周组织体积的快速定量分析,适用于大规模影像研究。
  • 前段窦周组织较薄,人机分割一致性和体积相关性较低,解读前段体积时需谨慎。
  • FLAIR高信号并非仅来自脑膜淋巴管,还包含硬脑膜基质和结缔组织等结构,报告时应避免直接等同于淋巴管体积。

局限性

  • 相邻皮质与外侧边界的标准化区分困难,导致评分者间差异,尤其影响前段较薄的窦周组织。
  • 体素纳入的信号强度阈值受个体判读影响,因信号强度值无法在不同扫描间客观比较。
  • 手动分割耗时导致训练和测试数据集较小。
  • 所有数据均在单中心采集,未进行外部验证,可能限制研究结果的普遍性。
  • FLAIR高信号并非仅源于脑膜淋巴管或淋巴液,未来需研究明确其精确组成;作者指出需在更大、更多样化数据集中进一步验证。
全文中译13 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 Apr 6;68(7):1897–905. doi: 10.1007/s00234-026-03912-1

引言

类淋巴系统理论于2012年才被发现[1],该理论总结了参与清除大脑和脑脊液(CSF)中废物的结构和通路。按照当前的概念,CSF经由动脉周围间隙流入脑实质,与间质液(ISF)混合,随后将细胞外代谢废物和多余液体清除至颈部淋巴系统[2–4]。越来越多的证据表明,类淋巴系统功能障碍在包括阿尔茨海默病和帕金森病在内的神经退行性疾病发病机制中发挥重要作用,其中代谢废物清除不足可能促进神经退行性变[4–6]。

在过去几年中,逐渐形成的图景是硬脑膜淋巴管在类淋巴系统中发挥重要作用,将含废物的液体从大脑运输至颈部淋巴管[5]。已发现脑膜淋巴管(MLVs)衬附于人类脑膜的硬脑膜窦以及颅神经出口处。它们被证明能够携带蛋白性液体,同时表达淋巴管内皮细胞的所有分子标志[7]。近期研究结果支持CSF外流至含有MLVs的旁矢状硬脑膜。随着关于脑废物清除过程的讨论持续进行,MLVs通常被认为在废物引流途径和神经免疫监视中发挥基础性作用。这些似乎与颈深淋巴结相连,突显了它们在这些过程中的重要性[3–5, 8, 9]。例如,在小鼠中消融MLVs会加剧Aβ积累以及小胶质细胞增生和神经血管功能[10]。同样,破坏颅外淋巴引流导致α-突触核蛋白积累增强,促进α-突触核蛋白相关病理[11]。另一项研究表明,小鼠创伤性脑损伤会破坏MLVs功能,同时还促进神经炎症和认知功能障碍[12]。总之,这些发现支持MLVs在维持大脑健康中的关键作用,并强调其作为神经炎症和神经退行性疾病治疗靶点的潜力。

人脑类淋巴系统和废物清除通路的初步影像学研究依赖于有创方法,包括鞘内注射对比剂[4, 13, 14]。此外,此后还开发了用于表征人脑类淋巴系统部分结构的无创影像学方法。已确立的影像学标志物包括血管周围间隙(PVS)分割、沿血管周围间隙的弥散张量图像分析(DTI-ALPS)以及枕骨大孔处全局血氧水平依赖(BOLD)信号与脑脊液信号的时间相关性[15–18]。结构MRI上可评估的类淋巴系统的另一个关键方面是脑膜淋巴管(MLVs),其主要沿上矢状窦(SSS)分布,通常通过有创技术成像,包括应用鞘内[13, 19]或静脉[7, 20, 21]对比剂。近期,Albayram等[3]提出了一种使用非增强FLAIR成像可视化MLVs的技术,该技术依赖于MLVs内富含蛋白质的淋巴液信号,无需任何外源性示踪剂。该研究能够识别和量化沿腹侧和背侧引流途径的FLAIR高信号,并将其与MLVs相关联[5]。然而,这些FLAIR高信号结构的确切微观结构组成仍不清楚。除MLVs外,这些结构还可能包含硬脑膜内蛛网膜颗粒和硬脑膜基质,后者已被证明含有免疫细胞群[22, 23]。尽管存在这一持续争议,我们将沿SSS含有MLVs的窦周组织(PT)确定为一个有趣的影像学标志物,可在跨多种疾病的大型标准化临床数据集中进行评估。然而,要使这种高通量方法取得成功,对窦周FLAIR高信号的分析必须快速且可重复。迄今为止,人脑PT的表征依赖于二维测量或手动体积分割。这两种方法均具有主观性且耗时,从而限制了其在大规模影像学研究中的应用。为弥补这一差距,我们开发了一种基于深度学习的分割工具,能够在常规FLAIR成像上对沿SSS的PT进行半自动分割。

方法

参与者

MRI数据来源于两项关于精神分裂症的院内研究的参与者数据。在第一项研究(名为TRIMAGE)中,健康对照者和精神分裂症患者通过同步F-DOPA-PET-MRI进行评估,以研究多巴胺合成能力与基于MRI的测量指标之间的关系[24]。我们使用了14名健康对照者和16名患者的T2-FLAIR MRI。在第二项后续但仍在进行的研究(名为DOPA LONG)中,健康对照者和精神分裂症患者再次通过同步F-DOPA-PET-MRI进行评估。我们使用了5名健康对照者的T2-FLAIR MRI。参与者年龄范围为22至64岁,平均年龄为39 ± 12岁(男23例,女12例)。健康对照者无任何严重系统性内科疾病、任何神经或精神疾病以及任何脑部异常。患者和健康对照者在脑MRI上均未显示任何结构异常。两项研究均经德国慕尼黑工业大学医学院Klinikum Rechts der Isar伦理审查委员会批准。所有参与者在成像前均签署知情同意书。

影像数据

该数据集包含35个个体的三维T2-FLAIR MRI图像(体素大小0.5×0.5×1 mm)(其中27个用于训练,8个用于测试),来源于TRIMAGE和DOPA LONG研究(图1)。两项研究均使用3 T混合全身mMR Biograph PET/MRI扫描仪(Siemens Healthcare)。TRIMAGE扫描使用12通道相控阵头部线圈采集,DOPA LONG扫描使用32通道相控阵头部线圈采集。扫描的成像参数设置如下:重复时间(TR)=5000 ms,回波时间(TE)=393 ms,反转时间(TI)=1600 ms,视野(FOV)=250 mm。

图1 图像分割与评估流程的示意图,包括数据准备、模型优化和框架评估 查看原图 ↗

卷积神经网络(CNN)

训练和验证数据包括27次扫描(每位评估者3×7和1×6个标注)。此外,从TRIMAGE和DOPA LONG中选取8次扫描用作测试数据集。这8次扫描中有4次由全部四位评估者标注,以检验评估者间变异性。其余4次扫描各由一位评估者标注,用于分割模型的评估。作为起点,我们选择了nnU-Net架构v2 3D Fullres版本[25]。在超参数选择方面,我们使用了nnU-Net基于5折交叉验证的自动超参数搜索。由此得到以下训练参数:PlainConvUNet架构,包括6个UNet阶段,32个基础特征通道和320个瓶颈特征通道,每个UNet阶段两次卷积,卷积核大小3,实例归一化,以及Leaky ReLU激活函数。所有输入图像均进行z分数归一化。各向异性体素间距([1.0, 0.488, 0.488] mm)通过nnU-Net的各向异性感知预处理和网络配置得到了明确处理,该配置保留了原始间距,并采用各向异性重采样、卷积核和下采样方案以防止穿平面模糊。在推理阶段,我们按照nnU-Net框架的推荐,采用了五个交叉验证模型的集成。训练和推理在配备CUDA 12.1版本的NVIDIA RTX A6000 GPU上进行。上矢状窦(SSS)分为前部、中部和后部是使用NiftyReg软件[26, 27]作为标准化后处理步骤完成的。

图像分割

手动分割由四位不同的人类专家评分者完成,他们根据先前建立的分割方案,使用ITK-SNAP 4.0.1版[28]对沿上矢状窦(SSS)的窦旁高信号进行标注。该分割方案作为参考标准,为手动分割以及前、中、后段SSS之间的边界划分制定了明确的指导说明,以尽可能获得最客观的结果(图2)[3]。所有评分者均为医学生,在标注过程之前接受了基于分割方案的详细指导和培训,以确保标注标准的一致性应用。一般而言,分割校正至少在两个平面上进行,包括与SSS向量最垂直的平面(前段和后段为轴位或冠状位,中段为冠状位),以实现尽可能高的勾画空间精度。然而,对标注结构进行精确且一致的侧边界划分仍然具有挑战性,因为高信号FLAIR信号无法通过不同扫描间的特定信号强度值来定义。因此,必须将旁矢状面硬脑膜与更外侧的硬脑膜进行比较,后者在手动分割过程中作为非高信号硬脑膜的参考(图2和图3)。分割方案的详细版本见在线资源1。

图2 代表性冠状位切片显示高信号旁矢状面硬脑膜(a)。同一冠状位切片,分割掩膜以红色显示(b)。代表性矢状位切片显示SSS所有节段,无分割掩膜(c)和有分割掩膜(d)。前段以红色显示,中段以绿色显示,后段以蓝色显示 查看原图 ↗
图3 两个代表性病例显示初始FLAIR图像、手动分割(真实标注)和模型自动分割(预测)在不同平面上的结果。前段以红色显示,中段以绿色显示,后段以蓝色显示。白色箭头突出显示真实标注与预测之间的差异。此外,两个所示分割的Dice评分显示在下方 查看原图 ↗

统计分析

为量化不同标注之间的空间重叠,采用Dice相似系数(Dice评分)。通过比较训练模型未见过的手动分割与算法生成的预测在所有八次测试扫描中的结果来评估模型。所得Dice评分与评分者间Dice评分进行对比分析。此外,SSS体积值使用组内相关系数(ICC)进行分析,ICC由四次多标记扫描计算得出,Pearson相关系数由所有八次测试扫描针对不同SSS节段计算得出。我们使用ICC (3, k)模型计算手动标注高信号PT体积测量的ICC值,该模型假设评分者固定,并评估多名评分者之间评分的平均一致性。统计分析使用R软件(v4.4.1;R Core Team [29])进行。

结果

人类评分者间信度

首先,基于每位评分者对四幅扫描图像的手动标注,评估了评分者间信度。将每个标注与其他标注进行比较,共得到24个Dice评分(每幅扫描6个)。比较全部四位评分者时,平均Dice评分为0.755(SD = 0.050),代表评分者间信度。区分上矢状窦(SSS)周围三个区域时,Dice评分分别为:前段0.715(SD = 0.105)、中段0.802(SD = 0.044)、后段0.706(SD = 0.071)(表1)。标注者组合之间的详细两两Dice评分见在线资源2,所有评分者对均显示出在预期评分者间变异范围内的 agreement。

我们计算了手动标注的矢状旁高信号体积测量的组内相关系数(ICC)。该分析显示,总体积的ICC为0.98(95% CI = 0.92–1.00),前部体积为0.92(95% CI = 0.59–0.99),中部体积为0.99(95% CI = 0.97–1.00),后部体积为0.97(95% CI = 0.84–1.00)。

表1 使用Dice评分评估不同分段中分割方法的准确性。结果来自我们的留出测试集,以均值 ± SD表示。p值使用基于全部八幅测试扫描的t检验计算,以评估评分者间与人工/算法Dice评分之间的差异 查看原表 ↗

卷积神经网络分割准确性

随后将我们测试数据的全部20个手动分割(模型在训练过程中未见过)与模型的预测进行比较,结果显示评分者1至4的平均Dice评分分别为0.790(SD = 0.043)、0.752(SD = 0.043)、0.735(SD = 0.033)和0.747(SD = 0.060)。评分者标注与算法预测比较的总体平均Dice评分为0.756(SD = 0.047)(图4)。SSS各分段产生的Dice评分分别为:前段0.728(SD = 0.099)、中段0.781(SD = 0.045)、后段0.731(SD = 0.067)(表1)。为考虑由所有评分者标注的四幅扫描(多标注扫描)的过度代表性,Dice评分进一步细分为来自所有评分者分割的扫描和仅由单一评分者分割的扫描(在线资源3)。在多标注和单标注扫描之间观察到可比的Dice评分。

图4 箱线图显示比较不同评分者分割(人类评分者间信度)以及评分者分割与算法预测(人/算法信度)的Dice评分。组间统计比较使用独立样本t检验进行 查看原图 ↗

体积分析

为分析体积测量的一致性,我们将不同区域的手动分割体积与预测体积进行相关性分析(表2)。在中部、后部和总PT体积中观察到显著关联,而前段未显示显著相关性。

表2 评分者(使用全部4位评分者的均值)与CNN体积测量的相关性分析。提供相关系数及其95%置信区间和p值 查看原表 ↗

讨论

我们的结果表明,基于深度学习的沿SSS的PT分割是准确的且技术可行的,从而能够在大规模影像队列中精确表征类淋巴系统的这一部分。

PT的容积测量可作为进一步研究MLVs在病理过程中作用的定量工具,并可能作为类淋巴功能的指标。淋巴硬脑膜结构扩大的可能原因包括下游淋巴通路因收缩功能障碍导致的阻力增高(主要与衰老相关),或脑肿瘤病例中的淋巴重塑[30, 31]。然而,为更好地理解扩大的MLVs中确切微结构变化及其在神经退行性疾病背景下对引流功能的影响,需要进一步研究——既包括正常衰老也包括疾病状态。

为标准化沿SSS的PT容积分析,必须就手动分割达成共识,因其始终作为参考标准。我们有意未定义距中线的特定距离作为标注的侧方截断值,以尊重个体解剖变异。这种方法可能为个体判读留出略多空间,从而造成评分者间差异。下游窦(如横窦或乙状窦)周围的高信号窦旁硬脑膜若存在可被检出,并可通过双平面测量进行量化。然而在实践中,不同评分者的分割因与毗邻结构对比度不足而过于不一致。此外,需要进一步研究确认那些区域产生信号强度升高的组织类型。因此,增强成像模式似乎对于实现这一方法至关重要。

为通过容积分析获得更精确的结果,整合不同MR序列可能提高勾画PT以及其中MLVs与其他结构区分的能力。这可通过利用来自不同序列相互补充信息的多对比MRI来实现。

也可考虑替代性成像输入。特别是,T2加权MR成像可提供蛛网膜颗粒、矢状窦旁硬脑膜与SSS管腔之间的鉴别,如近期一项研究所示[32]。

考虑到这些腔室被蛛网膜屏障细胞层分隔,关于脑脊液中的液体和细胞如何引流至MLVs的证据匮乏。然而,理解其精确连接对于未来解读MLVs测量至关重要。基于造影剂的研究强调这些腔室必定相互连通,因为鞘内注射示踪剂后矢状窦旁硬脑膜中的示踪剂富集可被可靠观察到[19, 20]。近期一项研究[33]提示脑脊液经桥静脉周围蛛网膜屏障的不连续处(称为蛛网膜袖套出口(ACE)点)外流至矢状窦旁硬脑膜。这些可能为液体和细胞从脑脊液通往矢状窦旁硬脑膜并随后至MLVs提供通道。在此背景下,值得注意的是示踪剂血浆峰值水平在矢状窦旁硬脑膜示踪剂富集前数小时即被检测到。因此,脑脊液外流主要发生在脊髓水平[10, 34]。

以往针对结构与大小复杂程度与MLVs相近的分割任务的研究,为解读Dice评分提供了有价值的参考背景。例如,基于深度学习的T1加权MR扫描中屏状核分割在其最佳设置下(采用两个2D CNN分别在冠状面和轴面上运行的组合)得出的Dice评分为0.718(CI = 0.687–0.746)[35]。另一个可比的分割任务是配对FLAIR和T1加权图像上的MS病灶分割。最近一项研究利用三个不同3D nnU-Net的集成来预测病灶图,与人工分割相比Dice评分为0.67(± 0.14)[36]。在可比分割任务的背景下,我们的nnU-net模型表现出高准确性和一致性,突显了其稳健可靠性能的潜力。然而,需要在更大的研究队列(包括多样化数据集)中进行验证,以进一步评估其泛化能力。

局限性

我们的研究需要考虑若干局限性。在人工分割过程中,标准化相邻皮层与外侧边界的区分具有挑战性,即使有详细的分割方案也是如此,并导致了评估者间差异。该问题主要涉及前部SSS周围的高信号PT,该区域结构比其他区域薄得多,导致评估者与算法之间以及评估者彼此之间的Dice评分和体积相关系数较低(表1,在线资源2)。相应地,前段体积的相关分析未显示人工值与预测值之间存在显著关系(表2)。此外,体素纳入的信号强度截断值受个体判读影响,因为信号强度值无法在不同扫描之间进行客观比较。由于人工分割过程耗时,较小的训练和测试数据集是本研究的另一局限性。此外,所有数据均在单一中心采集,未进行外部验证。这些因素可能进一步限制我们研究结果的泛化能力。

关于旁矢状面硬脑膜中高信号FLAIR信号解读的持续讨论,我们想再次声明,这些信号并非仅来源于MLVs或其内的淋巴液。除MLVs外,嵌入旁矢状面硬脑膜的其他结构(如含免疫细胞的基质和结缔组织)也对观察到的FLAIR信号有贡献。因此,未来需要研究FLAIR信号精确组成的研究。

结论

我们开发了一种新方法,用于在无创FLAIR成像中对含硬脑膜淋巴结构的PT进行精确自动分割,其性能与人类专家相当。该方法旨在实现大规模研究中这些结构的高效体积分析,为在各种病理条件下(脑废物清除系统可能受损时)进一步研究含MLV的PT提供工具。在更大、更多样化的数据集中进行进一步验证对于确认其稳健性和泛化能力至关重要。

补充信息

以下是电子补充材料的链接。

补充材料1(PDF 327 KB)

补充材料2(PDF. 101KB)

补充材料3(PDF. 84.1KB)

引用

  1. Holz A, Karmann M, Deli S, et al. Artificial intelligence-based segmentation of perisinusoidal tissue along the superior sagittal sinus in human brain magnetic resonance imaging. Neuroradiology. 2026. PMID: 41940934. doi:10.1007/s00234-026-03912-1
  2. 全文:PMC13407718(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13407718/

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。