新型CT自动分析方法在测量脑萎缩和白质病变方面与MRI结果相当
本研究开发了一种从CT扫描自动评估内侧颞叶萎缩(MTA)、全脑皮层萎缩(GCA)和白质病变(WMLs)严重程度的方法,并在214例同时具有CT和MRI的多中心队列中与MRI自动分析结果比较。结果显示CT与MRI测量值高度相关(MTA r=0.90,GCA r=0.82,Fazekas r=0.86),多数病例分级差异≤1级,表明MRI不可用或禁忌时CT自动分析可提供可靠替代。
要点
- CT自动分析的MTA、GCA和Fazekas分级与MRI高度相关,差异≤1级者占86-98%。
- CT在严重萎缩病例中倾向于高估MTA和GCA分级,在轻度萎缩时低估。
- 额叶和颞叶皮层萎缩的CT-MRI一致性较好,顶叶和枕叶稍弱。
核心结论
- 基于CT的自动分析方法可可靠评估MTA、GCA和Fazekas分级,与MRI结果高度一致,扩展了MRI不可用或禁忌时的应用可能。
研究设计与样本
- 多中心回顾性研究,纳入214例同时具有CT和MRI的受试者(UEF 120例,HUS 94例),平均年龄69.9±9.8岁。
- MRI使用1.5T或3T扫描仪,T1加权3D-MPRAGE序列用于结构分析,FLAIR序列用于白质病变分割;CT层厚1.0-5.5 mm。
- 以MRI自动分析结果(cNeuro工具)作为参考标准,比较CT自动分析得出的MTA、GCA和Fazekas分级。
关键影像表现/征象
- CT与MRI计算测量的相关系数:MTA r=0.90,GCA r=0.82,Fazekas r=0.86。
- CT与MRI分级完全一致的比例:MTA 60%,GCA 62%,Fazekas 60%;差异≤1级的比例分别为98%、96%、97%。
- Bland-Altman图显示CT在严重脑萎缩时倾向于高估MTA和GCA分级,在萎缩较轻时低估MTA。
- 分脑叶评估GCA时,额叶和颞叶CT与MRI结果相似,顶叶和枕叶相关性稍弱,但严重误差(≥2级)罕见。
诊断标准与关键数值
- MTA分级范围0-4,GCA和Fazekas分级范围0-3,由连续值裁剪至允许范围后四舍五入为整数。
- MTA的二次加权Cohen‘s kappa值显示两种模态间具有极好一致性(具体数值原文未在节选中提供)。
- GCA的二次加权kappa=0.78,Fazekas的加权kappa值也显示极好一致性(具体数值原文未在节选中提供)。
- 将正常或轻微改变(0-1级)与异常(>1级)合并分组后,CT与MRI分类准确率:MTA 89.7%,GCA 84%,Fazekas 88%。
临床应用与阅片要点
- 在MRI不可用或禁忌时,可利用CT自动分析评估MTA、GCA和Fazekas分级,辅助神经退行性疾病的诊断。
- 阅片时注意CT在严重萎缩病例中可能高估MTA和GCA分级,在轻度萎缩时可能低估MTA。
- 分脑叶评估时,顶叶和枕叶的CT-MRI一致性稍弱,解读结果需谨慎。
局限性
- 回顾性研究设计,CT和MRI扫描时间间隔在UEF队列中允许小于6个月,HUS队列中小于6周,可能存在疾病进展影响。
- 研究排除了具有主要局灶性病变(如血肿、脱髓鞘病变、皮层梗死、肿瘤等)的受试者,限制了结果的普适性。
- 图像采集来自多个中心和多种扫描仪,参数存在差异。
全文中译22 节 · 点击展开
引言
自其诞生以来,脑成像一直是神经退行性疾病诊断评估中的关键要素。直到21世纪,神经影像学的主要目的是排除可能导致认知症状的可治疗或病因性病变,如肿瘤、血肿或脑积水[1, 2]。然而,越来越多的证据证明了生物学和影像生物标志物的力量,促使诊断模式从单纯排除其他疾病转变为主动检测神经退行性疾病(如阿尔茨海默病(AD))所致的病理改变[3–5]。
根据欧洲神经病学联盟(EFNS)关于神经退行性疾病诊断的指南[6],脑萎缩可通过视觉评定量表在颞叶区域(内侧颞叶萎缩,MTA)[7]、后部区域(后皮质萎缩)[8]以及全脑整体(全脑皮质萎缩,GCA)[9]进行评估,而与血管病理相关的白质病变(WMLs)通常采用Fazekas等人为磁共振成像(MRI)开发的量表进行评估[10]。这类视觉评定量表在临床实践中使用快捷简便。然而,它们需要神经放射学专家的专业知识,且仍相对粗糙、主观,可能容易出现地板效应和天花板效应[11],并依赖于阅片者的经验。已有研究表明这些问题会导致结果存在显著的评定者内和评定者间变异[7]。基于手动勾画的大脑结构定量被视为金标准,但其非常耗时,且尽管采用了精心规划的流程,仍部分具有主观性[12, 13]。
计算机科学的最新进展以及机器学习方法在影像数据分析中的应用,使得全自动结构影像分析方法和诊断决策支持算法得以开发[14]。与视觉评估相比,自动化方法具有若干优势:i)无需人工操作,因而用户友好;ii)客观且可提供可重复的结果;iii)可提供大脑结构的单被试水平定量数据,易于用于进一步分析和计算诊断工具,如疾病状态指数[15]。先进的方法可用于同时测量从单个脑结构到全大脑所有皮质和皮质下区域的任何指标[16–23]。
迄今为止,自动化方法主要集中于MRI,从而排除了仅能获得计算机断层扫描(CT)的患者。MRI的可及性相当广泛,并且在电离辐射方面无创,可提供中枢神经系统的精确结构信息。然而,在某些情况下可能会选择CT而非MRI。第一,部分患者存在MRI禁忌证,例如某些类型的心脏起搏器。第二,患者可能因幽闭恐惧症或认知问题而不愿或无法接受耗时的MRI检查,导致缺乏足够的配合,或仅仅因为仰卧位时间过长。第三,认知障碍有时在没有MRI设备的诊所中被诊断,或资源缺乏限制了这些患者使用MRI。第四,脑CT常作为各种急性神经科疾病的诊断流程的一部分而进行。如果患者后来出现神经退行性疾病的症状,或需要作为疾病状态随访的一部分对脑结构变化进行纵向评估,这些图像是有用且重要的。
在本研究中,我们旨在通过开发一种新型自动化方法来克服这些局限性,该方法可同时从CT图像中提供单被试水平的结构性脑变化以及白质病变(WMLs)的信息。我们将自动化分析流程的结果与来自库奥皮奥和赫尔辛基大学医院登记处的214名受试者多中心队列中自动化MRI分析获得的结果进行了比较。
材料与方法
研究对象
这项多中心研究通过回顾性收集东芬兰大学(UEF)生物标志物登记处和赫尔辛基大学医院(HUS)临床图像档案的数据进行。由于研究目的是比较CT和MRI获得的测量指标,所有未接受两种成像方式扫描的受试者均被排除。相同的排除标准适用于UEF和HUS数据。所有具有重大局灶性病变的受试者均被排除,例如血肿(微出血除外)、脱髓鞘病变、皮质梗死、创伤性脑损伤或肿瘤。具有轻微局灶性病变的受试者,例如小的腔隙性梗死或小脑梗死,未被排除。
来自UEF生物标志物登记处的所有受试者于2004年至2017年间在库奥皮奥大学医院(KUH)接受评估和成像,并因疑似认知功能下降而被转诊至参与的门诊诊所;这些患者按照芬兰国家神经退行性疾病诊断指南进行检查[24]。对于UEF数据,要求CT和MRI扫描之间的时间间隔小于6个月,以避免因可能的疾病进展导致的脑结构差异。在大多数情况下,初始脑成像的原因是排除局灶性病变作为认知或神经系统症状的病因。如果初始成像使用CT进行,随后进行MRI的通常理由是为了获得关于脑结构或可能的病理变化的更精确信息以用于鉴别诊断目的。在某些情况下,CT在MRI之后进行,主要原因是出现了新的急性神经系统症状,例如定向障碍或眩晕。
赫尔辛基地区的影像数据收集自 HUS 临床影像档案库,时间范围为 2014 年 1 月至 2016 年 12 月。HUS 临床影像档案库包含来自 HUS 以及赫尔辛基地区五家区域医院的影像。脑部影像由合格的医疗保健专业人员进行系统筛查,以制作 CT-MRI 图像对。对于 HUS 队列中的所有病例,两次扫描之间的时间间隔均小于 6 周。最终,147 对 CT-MRI 图像对被分为三个 Fazekas 组(Fazekas 0–1,n = 50;Fazekas 2,n = 48)[25]。
图像采集
由于影像检查在多个地点进行,且数据收集时间跨度较长(2004 年至 2017 年),数据中包含使用多个不同制造商的不同扫描仪获得的图像。所有 MRI 扫描均使用西门子或飞利浦制造的 1.5T 或 3T MRI 扫描仪进行。自动 MRI 分割和结构分析在 T1 加权图像上进行,采用三维磁化准备快速采集梯度回波(3D-MPRAGE)序列或相应序列。其他成像参数略有差异,但所有 T1 加权图像的层厚均为 0.9–1.5 mm,体素体积为 0.2–1.6 mm3,并完整覆盖颅骨和脑部。白质病变(WML)从采用液体衰减反转恢复(FLAIR)序列获得的轴位图像上进行分割,层厚为 0.6–6.5 mm,体素体积为 0.1–5.3 mm3,各图像有所不同。CT 图像使用西门子和 GE 设备采集,层厚为 1.0–5.5 mm,体素体积为 0.1–1.4 mm3,方向沿颅底对齐。
最后,图像质量欠佳的受试者被排除,例如由于运动伪影、大脑部分图像视野覆盖不全,或 CT 层厚 >5.5 mm 及 T1 加权 MRI 层厚 >1.5 mm。最终纳入 214 名受试者,分别有 120 名和 94 名来自 UEF 和 HUS 数据库,总体平均年龄为 69.9 ± 9.8 岁。描述受试者选择方案的流程图见图 1。
MRI 图像处理
MRI 图像使用 cNeuro 定量分析工具(Combinostics,Ltd.)进行分析。该工具使用多图谱分割方法将三维 T1 加权图像分割为 133 个结构。cNeuro 工具还在 FLAIR 图像上分割了 WML。MTA、GCA 和 Fazekas 分级根据这些结果使用 [26] 中描述的方法确定。简言之,首先使用线性回归模型从自动确定的测量值中估计视觉分级。因此,该估计值使用分段线性回归模型进行了精细调整。回归参数从单独的训练集(n = 513)中获得,该训练集具有可用的视觉 MTA、GCA 和 Fazekas 分级。MTA 值(左侧和右侧,0 至 4 之间的连续值)由侧脑室下角和海马体积确定,GCA 由 VBM 结果计算得出,Fazekas 分级由深部白质中 WML 的体积确定 [26]。
CT 图像处理
CT图像分析总结于图2。首先,对CT图像进行颅骨剥离。然后,将图像与平均解剖CT模板进行配准。在该模板空间中进行卷积神经网络(CNN)分割,以分割脑脊液(CSF)和脑白质病变(WMLs)。随后,将模板空间中的分割结果和预定义数据变换回CT图像的原始空间。最后,从分割结果中计算特征,并确定CT图像中MTA、GCA和Fazekas分级的计算对应值。
模板数据
模板数据由平均解剖CT模板组成,该模板代表CT图像的平均解剖结构和平均强度。CT模板的生成方法是:首先将数据集的CT图像与相应的T1加权图像进行刚性配准。然后,将T1加权图像与cNeuro的平均解剖模板进行配准,并使用相同的变换对CT图像进行变换。最后,计算CT图像的平均强度。
此外,从模板中手动绘制了定义深部白质(用于计算Fazekas分级)的掩膜和内侧颞叶(MTL)的掩膜。进一步地,通过将受试者的MRI图像配准到平均模板、计算每个体素的CSF浓度并定义CSF浓度的第99百分位数,从835名受试者的多中心数据集中计算了认知正常受试者CSF浓度的概率图。假设CSF浓度高于参考数据集第99百分位数的体素代表异常CSF,即脑萎缩,这些体素因而被用于计算GCA分级。
颅骨剥离
作为第一步,使用期望最大化(EM)算法从CT图像中提取脑部。步骤如下:使用非局部均值平滑对图像进行滤波。
去除离群强度值。
使用固定先验的两类EM分类。
从EM结果中计算颅骨的阈值。
形态学操作以精细调整脑掩膜。
与平均模板配准
使用仿射配准将目标CT图像与平均CT模板进行配准。对二值颅骨掩膜执行9参数仿射配准,通过基于梯度的优化最小化强度差异。
CNN计算在平均CT模板空间中的图像上进行。对于CNN,通过对脑体素进行z分数标准化来归一化CT图像的强度。
为了将模板数据(深部白质掩膜、MTL掩膜和CSF百分位数数据)准确地变换到受试者CT图像,通过使用灰度图像的归一化互信息最大化对受试者CT图像和平均CT模板进行非刚性配准,来精化仿射配准的结果。
CNN分割
使用CNN从CT图像中分割CSF和WMLs。为建立用于训练的真实标注分割,使用cNeuro从MRI图像中分割CSF和WMLs。然后,使用刚性T1-CT配准将分割结果传播到受试者CT空间,最后使用上述仿射配准传播到平均CT模板空间。
在本研究中,我们使用了U形卷积神经网络(CNN)[27, 28]。CNN是一种机器学习模型,它以大量训练样本作为输入,并构建一个基于训练样本预测输出的模型。本研究中使用的CNN架构是Guerrero等人[27]提出的U形残差网络。简而言之,该网络由12层组成,约有100万个参数。包含8个残差单元、3个反卷积层以及一个最终卷积层,该卷积层为每个体素提供类别概率作为输出。CNN模型的训练采用十折交叉验证进行,即90%的数据集用于训练,剩余10%用于测试。此过程重复10次,以使每张图像均曾被用于测试集。
除交叉验证过程外,CNN分割重复十次,从而对每张CT图像获得十个独立的分割结果。目的是通过组合这十个分割结果来提高稳健性。十个分割结果的组合按如下方式进行:计算每对分割结果之间的相关系数cij(10×10的相关系数矩阵)。CNN的输出是目标的概率。
对于每个分割结果i,计算满足cij > min(0.8, 0.9*max(cij))的数目ni。
计算权重wi = ni / sum(ni)。
计算原始分割概率的加权和,并以阈值0.5对结果进行阈值化处理。
分割结果的组合在模板空间中执行。此后,在预处理阶段计算使用仿射变换的最终分割。MTL和深部WM掩膜以及CSF百分位数数据使用仿射和非刚性变换传播至原生CT空间。所有剩余计算均使用原生CT空间中的数据执行。
从CT测量值计算计算学指标
从一个或多个影像学测量值定义计算学指标的方法此前已详细描述[26],此处简要总结。该方法基于一个训练集,其中可获得真实分级。在[26]中,真实分级为视觉分级,但在本研究中,我们使用计算学MRI分级作为真实分级。首先,训练一个线性回归模型以从CT测量值估计分级。然后,使用分段线性模型将真实分级与估计分级的中位数进行匹配。随后将此两步模型应用于未见数据,以从CT测量值定义计算学指标。
从CT计算内侧颞叶萎缩(MTA)计算学分级
MTA的CT估计值由MTL掩膜内的CSF体积计算得出。CSF体积归一化至总脑体积(计算为去颅骨CT图像的体积)。
从CT计算全局皮质萎缩(GCA)计算学分级
为确定计算学GCA,将CT图像的CSF概率(未经最终阈值化的CSF分割)与CSF概率参考数据集的第99百分位数进行比较。计算CT图像CSF概率高于第99百分位数的区域体积。经总脑体积归一化的体积被用作GCA的测量指标。
还计算了每个脑叶(额叶、颞叶、顶叶和枕叶)的GCA分级。计算方法与全局GCA相同,但脑脊液体积每次仅针对一个脑叶进行计算。脑叶分割通过将模板分割(图3)变换至受试者CT图像获得,所用变换与其他模板数据(如MTL掩膜;见图2)相同。
基于CT的计算Fazekas分级
为从CT图像估计Fazekas分级,计算深部白质掩膜内白质病变的体积,并归一化至全脑体积。
评估与统计方法
将基于CT的MTA、GCA和WML测量值与MRI对应的计算测量值进行比较。尽管原始Fazekas分级[10]仅指基于MRI的评估,在本研究中,我们以相同量表描述基于CT的WML测量值,以避免不必要的复杂性。我们计算了这些测量值的Pearson相关系数以及CT与MRI估计值完全一致的病例数。我们还评估了估计萎缩或Fazekas分级差异至多为1的病例比例。计算相关系数时,我们使用图像分析流程给出的MTA/GCA/Fazekas连续值。基于CT和MRI的测量值的估计误差百分比基于分类类别数。分类类别由计算所得的连续值获得:首先将值截断至允许范围([0 3]或[0 4]),然后将值四舍五入至最接近的整数(MTA为0、1、2、3或4;GCA和Fazekas为0、1、2或3)。CT与MRI值之间的一致性还通过计算各结果的Cohen二次加权kappa进行评估。结果使用MATLAB R2016a(MathWorks, Inc.)计算,CT和MRI测量值使用Bland–Altman图和散点图进行可视化。
伦理声明
UEF生物标志物登记数据的使用经芬兰库奥皮奥北萨沃医院区研究伦理委员会批准。HUS不要求伦理委员会对研究进行时作为常规临床护理的一部分前瞻性收集的影像数据的回顾性分析进行额外审查。本研究按照《赫尔辛基宣言》原则进行,并获得各参与中心的机构批准。所有影像数据均经匿名化处理并谨慎处置。
结果
基于CT和MRI的计算测量值的Pearson相关系数、估计分级完全一致的例数、估计误差率以及组间一致性的Cohen kappa值见表1。从临床角度来看,重要的是区分无变化或仅有轻微变化(对应0–1级)与明显可见的变化(1级以上)。因此,我们进行了将正常或仅有轻微变化与异常分级合并分组的分析。结果见表1中“正常分类一致百分比”列。
表2显示了研究病例的MTA、GCA和Fazekas值的类别分布混淆矩阵。这些指标的散点图和Bland–Altman图分别见图4和图5。关于不同脑叶中GCA估计等级间差异的Pearson相关系数和百分比,见表3。
MTA
MTA在两种成像模态之间的相关性最高,r = 0.90(表1,图4)。MTA测量值估计完全相同的百分比为60%。在98%的病例中,基于CT和MRI的MTA值差异等于或小于1。MTA的二次加权Cohen kappa值显示两种模态之间具有极好的一致性(表2)。根据Bland–Altman图(图5),与MRI相比,CT倾向于在较低值时略微低估萎缩等级,而在严重萎缩的大脑中高估萎缩等级。将正常或仅有轻微改变与异常等级合并分组后,准确率高达89.7%。
GCA
CT和MRI之间的GCA等级具有高相关系数(r = 0.82)(表1,图4)。在96%的病例中,GCA值差异等于或小于1(表1)。加权kappa值显示CT和MRI之间具有极好的一致性(二次kappa = 0.78)。Bland–Altman图显示较高GCA值有轻微离散增大的趋势(图5)。然而,两种模态在计算值上似乎均未呈现任何系统性差异。正常与异常分类合并分组的准确率为84%。
各脑叶皮质萎缩的单独结果见表3。CT和MRI似乎提供相似的结果,尤其是在额叶和颞叶,而在顶叶和枕叶的相关性略弱。然而,整体萎缩等级之间的估计差异在额叶、顶叶和颞叶中很少见(93–98%的结果处于同一等级)。即使在最弱的区域,即枕叶,86%的病例彼此处于1个萎缩等级范围内。
Fazekas
Fazekas分级呈现出高相关系数 r = 0.86(表1,图4)。CT与MRI获得的分级在60%的病例中完全一致,但在全部病例中,Fazekas分级之间的差异至多为一个级别的比例达97%(表1)。加权kappa值也显示不同模态获得的值之间具有极好的一致性。正如预期,在较低Fazekas分级中,值的离散程度较为明显(图5)。对于Fazekas,合并正常组与异常组时的准确率为88%。
讨论
本研究旨在在一个由214名受试者组成的大型多中心队列中,比较测量脑萎缩(MTA、GCA)和WMLs的自动定量分析方法在CT与作为金标准的MRI之间的表现。根据我们的结果,使用我们新型CT算法获得的测量值与等效的MRI值高度相关,并在大多数病例中提供关于萎缩率和WMLs的可比信息。尽管估计的萎缩和Fazekas分级在两种模态之间的完全一致率并非特别高,但估计分级的误差仅为轻微,因为在86–98%的病例中差异等于或小于一个级别。在严重脑萎缩的受试者中,基于CT的测量值倾向于比基于MRI的测量值给出略高的MTA和GCA分级。在保存良好的脑实质中,MTL区域的效果相反。分别评估脑叶时,顶叶和枕叶的皮质区域在CT与MRI测量值之间的相关性略低于额叶和颞叶区域。然而应当注意,在顶叶和枕叶区域,2个或以上级别的严重误差也较为罕见。根据Fazekas量表检测WMLs显示两种成像模态之间总体相关性高,尽管Bland–Altman图(图5)显示,在仅有轻微WMLs的病例中(Fazekas分级0–1),估计值存在明显离散。这表明在WMLs明显的病例中,CT检测WMLs可能更为可靠。我们还分析了用于生成MTA、GCA和Fazekas分级的原始MRI和CT特征的相关性,见补充图S1、S2、S3、S4和S5。MRI和CT特征的相关性与转换后的MTA、GCA和Fazekas分级相关性相当。
早期研究表明,放射科医师可以使用两种成像模态通过视觉评估脑萎缩,准确率几乎相等[29, 30]。随后使用更先进的64排CT重复了使用视觉评定量表在CT与MRI之间进行萎缩检测比较的研究,结果相似[31]。MRI被发现对显示WMLs征象更为敏感,但这并未被视为显著问题,因为轻微WMLs不会引起临床相关症状,而提示血管性病因作为认知下降可能原因的主要WMLs也可在CT上检测到[31]。
一些研究还将自动图像分析方法应用于CT图像。Chen等人[32]通过对1082例急性缺血性卒中患者的大型数据集应用随机森林方法,自动评估了CT图像上的白质病变(WML)体积。他们表明,基于CT的WML体积与使用MRI获得的结果具有高度相关性。最近的两篇出版物报告了类似结果,尤其是在中度或重度WML负荷的患者中[25, 33]。然而,这些研究仅关注WML,未提供对神经退行性疾病鉴别诊断具有重要意义的脑结构特征信息。Imabayashi等人[34]解决了这一问题,他们开发了一种基于体素形态学分析(VBM)的技术来检测CT图像上的脑萎缩。他们的结果表明,对照组与AD患者组之间存在统计学显著差异。然而,该研究的人群非常小,且该方法侧重于检测组间差异,而非在单受试者水平测量萎缩。
我们的结果与早期比较CT和MRI神经影像学的研究一致。Wattjes等人[31]表明,脑CT和MRI可视觉评估内侧颞叶萎缩(MTA)和全局皮质萎缩(GCA),且观察者内一致性极好。在我们先前的工作中,来自MR图像的计算MTA、GCA和WML分级与视觉分级主要呈高度相关;左侧MTA(训练集0.83/测试集0.78)、右侧MTA(训练集0.83/测试集0.79)和WML(训练集0.75/测试集0.75),但GCA除外(训练集0.64/测试集0.64)[26]。在78%的病例中,来自CT和MR图像的计算WML分级与视觉分级相等[25]。在本研究中,关于Fazekas分级的结果略弱,但总体上仍存在显著一致性。CT与MRI之间大多数不一致的Fazekas分级涉及0和1的较低分级,这一发现也可见于我们的结果中(图5)。这种现象可能由MRI在检测轻微WML方面具有更好的敏感性所致,此前多项研究已报告这一点[29–31]。利用自动CT方法分析WML的研究也显示,与由训练有素的专家在MRI上视觉评估的Fazekas分级呈强相关,尤其是在较高的Fazekas分级2–3中[25, 32, 33]。在本研究中,我们特别比较了计算CT与MRI分级之间的相关性,这排除了评估者间和评估者内变异。
迄今为止,仅有少数研究涉及基于CT图像的大脑自动化结构分析。Adduru等人[35]开发了一种名为“CTseg”的方法,可从CT扫描中自动测量总颅内体积和总脑体积。他们的结果显示与自动和手动估计的体积具有极好的相关性。然而,这些测量相当粗糙,因为它们不提供任何关于可能萎缩分布的信息,而这在神经退行性疾病(如AD和额颞叶痴呆(FTD))的鉴别诊断中尤其有意义。Imabayashi等人[34]使用自动VBM方法,对同一研究对象分别进行CT和MRI扫描,在7名对照者和5名AD患者之间进行了组间萎缩率的比较。基于CT的评估显示AD组海马区域存在显著萎缩区域,与MRI结果一致。令人惊讶的是,CT似乎还检测到颞极区域、尾状核和前扣带回的显著萎缩,而MRI未能检测到。作者得出结论,基于CT的分析对脑萎缩可能比MRI更敏感,可能是因为CT图像比MRI图像具有更好的均匀性和更小的失真。然而,他们的研究样本量非常小,这限制了结果的可靠性和可推广性。基于我们的结果,从CT获得的萎缩测量总体上与从MRI获得的测量显示出极好的一致性,但根据脑萎缩的程度,可能对结构体积存在轻度高估或低估(图5)。在小样本量中,这种效应可能对结果产生显著影响。
我们的研究具有若干优势和优点。研究人群大于其他具有类似目标和方法的神经营像研究。使用多个中心、扫描仪和成像系统要求一定的方法学稳健性,而我们在流程中未遇到任何重大分割错误或其他技术问题。
我们的结果与文献中先前报道的结果一致,并显示来自CT和MRI模态的值之间具有高度一致性。上述较小规模的研究先前已获得类似结果,但存在局限性:仅关注白质病变(WMLs)[25, 32, 33]、仅评估组间差异[34]或评估非常粗糙的结构特征(如全脑体积)[35]。我们的研究通过同时提供更全面的脑分析,对这些方法进行了改进。
还应说明我们研究的某些局限性。首先,有人可能会认为图像采集方案和设备的差异可能对结果产生了影响。这是影像学研究中的一个常见问题,尚无最终解决方案。先前发表的数据表明,至少MRI扫描仪制造商、脉冲序列或空间分辨率的变化对精细结构MRI指标(如皮质厚度)没有显著影响[36]。临床实践中使用的扫描仪通常因中心而异,这意味着多台扫描仪的设置比严格规划的成像方案更能代表真实世界情况。此外,我们的结果合理且与文献中先前报道的一致,没有无法解释的偏差,这表明我们的方法很可能相当稳健,能够耐受成像数据的微小变异而不对结果产生显著影响。CT图像的层厚在1.0至5.5 mm之间变化,87.9%的病例为4或5 mm。CT与MRI估计值之间的相关性似乎并未因层厚不同而存在显著差异。然而,应当注意,我们的队列中仅有少数受试者有1 mm层厚可用,这意味着我们无法充分评估这些薄层扫描在我们的队列中的潜在优势。这有待未来研究进一步阐明。
其次,CT与MRI之间的时间间隔从几天到最长6个月不等。在时间间隔最长(5至6个月)的病例中(n = 9),脑萎缩和WML数量可能有所进展,这意味着两次影像检查时脑本身并不完全相似。这可能导致结构指标和WML体积的变异增加。然而,我们研究人群的平均时间差仅为31天,在此期间出现新的显著神经退行性改变的可能性不大。此外,由脑变化进展引起的不同模态间计算的MTA、GCA和Fazekas分级可能的差异最有可能削弱所观察到的相关性,这意味着我们的结果并未高估方法的准确性。
第三,尽管我们的结果证明不同影像模态估计的分级之间具有高相关性,但完全一致的比例仍有提升空间。在临床环境中,首先确定患者是否存在明显可察觉的结构改变非常重要。为模拟这一点,我们分析了轻微或无改变(0–1级)与明显异常值(>1级)的合并组。这一二分类比较显示,我们的方法在84–90%的病例中对正常与异常结构给出一致的估计,这提高了使用该比较时分级估计完全一致的百分比,但自然并未提高我们方法的准确性。然而,这些高数字表明所有分级之间的微小差异从临床角度来看很可能并不关键。数据集由214名受试者组成,在十折交叉验证研究中用作CNN的训练集。分割准确性可能可以通过增大数据集规模来提高,最佳情况下可利用CT图像的手动分割。
本研究的目标是将CT成像的结果与MRI表现进行比较。因此,对CT和MRI均采用了自动分析。然而,将结果与放射科医生的视觉评分进行比较,将能为我们自动CT分析结果的质量提供更全面的信息。
结论
结果表明,神经退行性疾病临床评估中的重要影像学特征(内侧颞叶萎缩(MTA)、皮层萎缩和Fazekas分级)也可以借助我们的自动分析方法从CT扫描中得到可靠评估。这些影像学特征在约60%的病例中完全吻合,但与MRI相比,能以84–90%的一致性将伴有中度至进展性结构改变的病例与无改变或仅有轻微发现的病例区分开来。这拓展了在MRI不可及或有禁忌时于临床环境中使用这些自动分析方法可能性。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 227 KB)
引用
- Kaipainen AL, Pitkänen J, Haapalinna F, et al. A novel CT-based automated analysis method provides comparable results with MRI in measuring brain atrophy and white matter lesions. Neuroradiology. 2021. PMID: 34389887. doi:10.1007/s00234-021-02761-4
- 全文:PMC8589740(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8589740/
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。