文献速递神经技术与安全CT

概率图对缺血性卒中区域的分类比CT灌注汇总图更准确

Probability maps classify ischemic stroke regions more accurately than CT perfusion summary maps.
PubMed 文献 · Eur Radiol · 2022-03-31

本研究基于两项多中心试验的225例CT灌注数据,比较单参数阈值法与多变量逻辑回归概率分类对缺血性卒中核心和低灌注区的分类效能。结果显示概率图在体素水平和患者水平均优于阈值法,预测随访梗死体积的误差更小。多变量概率方法可能有助于统一缺血性卒中区域的分类。

要点

  • 多变量概率图在体素水平上精确率和召回率优于单参数阈值图。
  • 概率分类预测随访梗死体积的中位差值为4/6/11 mL(ISP/bSVD/NLR),阈值法为29/23/23 mL。
  • 作者认为多变量概率方法可能统一缺血性卒中区域的分类。

核心结论

  • 多变量概率图在估计随访非增强CT所见的梗死病灶方面优于常规CT灌注汇总图。
  • 作者认为多变量概率方法可能统一缺血性卒中区域的分类。

研究设计与样本

  • 研究数据来自DUST试验(14个卒中中心参与,纳入182例)和MR CLEAN试验(17个卒中中心参与,纳入43例),共225例CT灌注数据集。
  • 根据随访CT血管造影的改良动脉闭塞病变分级分为成功再通组166例(mAOL 3级)和持续闭塞组59例(mAOL 0和1级),每组按2:1分为训练集和测试集。
  • CT灌注参数图用三种方法生成:商业方法ISP、块循环奇异值分解bSVD、非线性回归NLR。
  • 随访非增强CT定义随访梗死区域,DUST数据由6年经验放射科医生手动分割,MR CLEAN数据用卷积神经网络自动分割。

关键影像表现/征象

  • 概率图的精确率-召回率曲线总体位于各灌注参数曲线之上,提示分类性能更好。
  • 成功再通组中CBF和CBV的模型系数高于持续闭塞组,持续闭塞组中MTT和TTP的系数低于成功再通组,提示CBF和CBV对预测缺血核心更重要,MTT和TTP对预测总低灌注区更重要。

诊断标准与关键数值

  • 阈值法通过ROC曲线分析确定:成功再通训练组中CBF在三种处理方法下AUC最高,持续闭塞训练组中ISP的MTT AUC最高、两种自研方法的TTP AUC最高,阈值取Youden指数最大化。
  • 概率模型用逻辑回归最大似然估计纳入全部四个灌注参数,分别基于成功再通训练组建立缺血核心模型、基于持续闭塞训练组建立总低灌注区模型。

局限性

  • 随访影像采用非增强CT,因为扩散加权MR成像在数据中未普遍可用;MR CLEAN试验患者24小时后随访非增强CT上梗死有时显示不佳。
  • MR CLEAN试验中心可自行决定采集和注射方案,给CT灌注结果引入变异性。
  • 成功再通组的缺血核心在入院成像与再通之间可能已增大,尤其接受静脉溶栓的患者,因此真值图可能覆盖成像时大部分缺血半暗带,概率图应解释为再灌注时缺血核心的估计。
  • 所有患者的真值图可能受水肿导致的脑移位影响。
  • 类别不平衡虽经样本空间选择最小化,仍可能导致两种分类方法对缺血体素类的预测准确性偏低。
全文中译14 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:Eur Radiol. 2022 Mar 31;32(9):6367–75. doi: 10.1007/s00330-022-08700-y

引言

自从血管内治疗彻底改变了急性缺血性卒中的诊疗以来,基线影像学在筛选适合治疗的患者方面变得越来越重要[1–3]。计算机断层扫描灌注(CTP)成像可能提供个性化的筛选标准。

对于急性缺血性卒中患者,CTP扫描应评估不可逆损伤组织(即梗死核心)和可挽救组织(即缺血半暗带),二者共同构成总的低灌注区域。为了对这些区域进行分类,CTP扫描通过专用软件处理以生成四幅灌注图:脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)和达峰时间(TTP/Tmax)。随后,可应用预定义的阈值来勾画缺血核心和半暗带。

然而,不同厂商之间CTP处理软件和分析方法的差异导致了卒中成像中多种缺血阈值的存在(表1)。这些不同的阈值可能部分导致了不同厂商之间CTP结果的不一致,阻碍了多中心CTP研究。标准化的分类方法可以增加不同处理方法之间CTP结果的一致性。

缺血性卒中区域的概率分类已被提出作为基于阈值分类的替代方法[4, 5]。概率图可以组合多个参数,并能指示缺血的确定性[4, 6]。对于包含单一灌注参数的概率模型,从概率图获得的体积已验证与常规基于阈值的体积具有一致性[4]。然而,所选用的灌注参数在不同厂商之间仍可能不同,而被忽略的灌注图可能包含额外的——未被利用的——信息。此外,多变量概率分类已与单参数阈值法进行比较,但仅在两种分类方法使用不同CTP软件的情况下进行了比较[7]。对于在任一单一CTP软件中即可获得的多灌注参数组合的概率图,概率分类尚未与基于阈值的分类进行比较。

本研究检验以下假设:灌注图的多变量概率分析在预测缺血核心和总低灌注区域方面优于单变量阈值法。

表1 目前在各商用灌注软件包中实施的缺血核心和半暗带的临床定义。CBF为脑血流量,CBV为脑血容量,MTT为平均通过时间,TTP/Tmax为达峰时间。相对于对侧半球的值以“r”表示 查看原表 ↗

方法

影像数据的采集

荷兰急性卒中(DUST)研究(有14个卒中中心参与)和荷兰急性缺血性卒中血管内治疗多中心随机临床试验(MR CLEAN)(有17个卒中中心参与)均将数据贡献给本研究[8, 9]。所有纳入的DUST参与者(n = 182)和纳入的MR CLEAN参与者(n = 43)均知情同意使用其临床和影像数据。

DUST研究方案设计描述了在40至320排CT扫描仪(GE Healthcare、Philips、Siemens、Toshiba)上以80 kVp和150 mAs采集入院CTP扫描,间隔2 s,持续50 s,并重建为5 mm层厚。建议的注射方案为40 mL对比剂团注,注射速率6 mL/s,随后以6 mL/s的速率注射40 mL生理盐水冲洗。符合治疗条件的患者接受静脉溶栓、动脉内溶栓和/或机械取栓。对于本研究,必要的随访影像包括非增强CT(NCCT)以及3天内的CT血管造影(CTA)扫描。

在MRCLEAN试验中,各中心可遵循自己的采集和注射方案。符合治疗条件的患者接受静脉溶栓、动脉内溶栓和/或机械取栓。必要的随访影像同样包括NCCT以及CTA扫描,并在24 h后采集。

影像数据处理

对于DUST研究的数据,一位具有6年经验的放射科医生手动分割每位患者的随访NCCT以定义随访梗死区域。在MRCLEAN试验中,每位患者的随访NCCT使用卷积神经网络自动分割[10]。由于我们的研究比较了两种分类方法,随访梗死区域的任何不一致在这两种方法中都是相同的。

总患者人群(n = 225)根据随访CTA确定的改良动脉闭塞性病变(mAOL)分级分为再通成功患者组(REC,n = 166)和持续闭塞患者组(OCC,n = 59)(REC:mAOL 3级;OCC:mAOL 0级和1级)[11]。随后,每个患者组按2:1分为REC/OCC训练患者组(n = 110/n = 39)和REC/OCC测试患者组(n = 56/n = 20)。

患者被分为REC和OCC患者组,因为对于REC患者组,随访NCCT上的分割应类似于入院影像时的梗死核心(因为再通应已挽救了半暗带),而对于OCC患者组,随访NCCT上的分割应类似于入院影像时的总低灌注区域(因为闭塞应已使半暗带梗死)。因此,REC患者组用于训练和测试梗死核心的分类,而OCC患者组用于训练和测试总低灌注区域的分类。

为评估我们方法的稳健性和普适性,使用三种灌注处理方法生成灌注图,均提供CBF、CBV、MTT和TTP图。第一种是商业方法,其中CTP扫描使用IntelliSpace Portal(ISP;Brain Perfusion,IntelliSpace Portal 10.1,Philips Healthcare)中的到达时间敏感算法进行分析。第二种是内部开发的方法,使用块循环奇异值分解(bSVD)[12]算法。第三种是内部基于模型的非线性回归(NLR)方法[13]。

在灌注分析之前,两种内部方法(bSVD 和 NLR)的 CTP 扫描均按先前所述相同方式处理 [14]。对于 ISP,使用 IntelliSpace Portal Brain Perfusion 应用程序对 CTP 图像数据进行滤波,并自动选择动脉输入函数(AIF)和静脉输出函数(VOF)。所有后续数据处理和分析均使用 MATLAB(MATLAB, R2019b: The Mathworks Inc.)进行。

确定阈值

为确定阈值,我们遵循(并参照)ISP 当前临床阈值所依据的程序 [15]。概括而言,对每个灌注参数生成受试者工作特征(ROC)曲线。选择其 ROC 曲线曲线下面积(AUC)最大的灌注参数作为定义缺血核心(用于 REC 训练患者组)或总低灌注区域(用于 OCC 训练患者组)的参数。然后通过最大化 Youden 指数 [16] 找到该灌注参数的阈值。

确定概率模型

为确定概率模型,我们对所有四个灌注参数以随访组织结局作为响应变量,通过最大似然估计进行逻辑回归。由此得到缺血核心(来自 REC 训练患者组)和总低灌注区域(来自 OCC 训练患者组)的逻辑模型:

一旦从训练患者组确定截距(CINT)、脑血流量(CBF,CCBF)、脑血容量(CBV,CCBV)、平均通过时间(MTT,CMTT)和达峰时间(TTP,CTTP)的系数,某体素的 CBF、CBV、MTT 和 TTP 即给出该体素属于缺血核心的概率 P(CORE)(基于 REC 训练患者组)以及该体素属于总低灌注区域的概率 P(HYPOPERFUSED)(基于 OCC 训练患者组)。对所有体素计算这些概率,即得到缺血核心的概率图和总低灌注区域的概率图。

训练数据集

训练数据集的制备对 ROC 曲线分析和逻辑回归分析采用相同方式。由于 ROC 曲线在类别不平衡数据中可能对多数类表现出偏倚(在本研究中即健康体素类对缺血体素类)[17],训练数据集仅限于缺血半球中具有随访梗死区域分割的层面的实质体素集合。为尽量减少高杠杆体素对逻辑回归的影响(在本研究中即真实标签图上分割区域内灌注正常的体素以及该区域外灌注减低的体素)[18],移除了在某一灌注参数中存在离群值的体素。离群值定义为低于第一四分位数或高于第三四分位数超过 1.5 倍四分位距的数据点 [19]。

确定体积

基于阈值的体积通过对分类区域内所有体素的体素体积求和而从汇总图得出。在确定体积之前,汇总图先进行形态学开运算,再进行形态学闭运算,两者均使用直径为 5 mm 的球形结构元素,以减少噪声伪影。

概率体积的计算方法是:将左右半球的概率分别求和并乘以体素体积,然后取这两个和之间的绝对差。在比较两个半球时,噪声伪影会被自动考虑在内。

分类性能

两种方法的分类性能均在体素水平和患者水平上进行了评估。在体素水平上,针对每个灌注参数和概率分别绘制了精确率-召回率曲线。这些曲线展示了灌注参数或概率在不同阈值下的精确率和召回率。在患者水平上,将基于阈值的预测体积和概率预测体积与每位患者的随访梗死体积进行比较。两项评估均在总缺血半球上进行。

由于总缺血半球中缺血组织与健康组织之间存在相当大的类别不平衡[17],采用精确率-召回率曲线来可视化分类性能。在缺血区域分类的背景下,精确率是指被分类区域中真正为缺血核心或低灌注区域的百分比,召回率是指真正的缺血核心或低灌注区域中被正确分类的百分比。

将预测体积与随访梗死体积进行比较,因为最终梗死体积是功能预后的主要预测因子[20–22]。预测体积与真实体积之间的体积差定义为预测体积减去真实体积。针对每个患者组(即REC和OCC)、每种CTP处理方法(即ISP、bSVD和NLR)以及每种分类方法(即基于阈值的和概率的)分别绘制了体积差的箱线图。对每个患者组和每种CTP处理方法,采用配对t检验比较基于阈值分类和概率分类的平均体积差。显著性水平定义为双尾p < 0.05。

结果

缺血区域的基于阈值分类

基于REC训练患者组(以获取缺血核心的最佳阈值),在每种处理方法中,CBF是ROC曲线AUC最高的参数(表2)。基于OCC训练患者组(以获取总低灌注区域的最佳阈值),在ISP处理方法中MTT的ROC曲线AUC最高,而在两种内部处理方法中TTP的ROC曲线AUC最高(表2)。对于这些参数,阈值通过最大化约登指数来确定。图1展示了一个示例汇总图。

表2 基于成功再通(REC)训练患者组和持续闭塞(OCC)训练患者组,三种处理方法(ISP、bSVD、NLR)的受试者工作特征(ROC)曲线分析所得阈值。CBF为脑血流量,MTT为平均通过时间,TTP为达峰时间,AUC为曲线下面积 查看原表 ↗
图1 真实标签图(即随访平扫CT扫描的手工分割,本病例来自REC患者组)、汇总图(根据表2进行阈值分割获得,本病例采用bSVD处理方法)、成功再通时的概率图P(CORE)(REC;由表3中的逻辑模型获得,本病例采用bSVD处理方法)、持续闭塞时的概率图P(HYPOPERFUSED)(OCC;由表3中的逻辑模型获得,本病例采用bSVD处理方法)以及灌注图。脑血流量(CBF)单位为mL/100g/min,脑血容量(CBV)单位为mL/100g,平均通过时间(MTT)单位为秒,达峰时间(TTP)单位为秒 查看原图 ↗

缺血区域的概率分类

表3显示了通过逻辑回归分析获得的概率图的系数。CBF和CBV的正模型系数反映缺血区域CBF和CBV降低。MTT和TTP的负模型系数反映缺血区域MTT和TTP升高。对于CBF和CBV,在三种处理方法中,REC患者组的系数均高于OCC患者组的系数。对于MTT和TTP,在三种处理方法中,OCC患者组的系数均低于REC患者组的系数。这意味着CBF和CBV对预测缺血核心更为重要,而MTT和TTP对预测总低灌注区域更为重要。图1展示了成功再通时和持续闭塞时的概率图示例。

表3 基于成功再通(REC)训练患者组和持续闭塞(OCC)训练患者组,三种处理方法(ISP、bSVD、NLR)的逻辑回归分析所得系数。CBF的系数(CCBF)单位为(mL/100g/min)−1,CBV的系数(CCBV)单位为(mL/100g)−1,MTT的系数(CMTT)单位为(秒)−1,TTP的系数(CTTP)单位为(秒)−1 查看原表 ↗

分类性能

概率的精确率-召回率曲线通常位于灌注参数精确率-召回率曲线的上方(图2),表明分类性能更好。对于ISP,CBF和CBV的低值在预测总低灌注区域时(即在OCC患者组中)可能比相同(低)召回率水平下的概率具有更高的精确率。然而,在临床上,由于召回率低,这些CBF和CBV的低值对预测总低灌注区域并不那么相关。

对于ISP,CBF曲线计算范围为1至40 mL/100g/min,步长2 mL/100g/min;CBV曲线计算范围为0.1至4.0 mL/100g,步长0.2 mL/100g;MTT曲线计算范围为25至5 s,步长1 s;TTP曲线计算范围为15至5 s,步长1 s;概率曲线计算范围为95%至5%,步长5%。对于内部处理方法,CBF曲线计算范围为1至20 mL/100g/min,步长1 mL/100g/min;CBV曲线计算范围为0.1至2.0 mL/100g,步长0.1 mL/100g;MTT曲线计算范围为25至5 s,步长1 s;TTP曲线计算范围为15至5 s,步长0.5 s;概率曲线计算范围为95%至5%,步长5%。

基于阈值的分类导致测试患者组中随访梗死体积总体被高估。对于REC和OCC测试患者组合并后,基于阈值分类的体积差异中位数[Q1, Q3]以mL计为29 [4, 56]/23 [3, 53]/23 [4, 56](ISP/bSVD/NLR),而概率分类为4 [−10, 21]/6 [−7, 18]/11 [0, 30](ISP/bSVD/NLR)。对于每个单独的测试患者组,概率分类后的体积差异低于基于阈值分类(图3)。

在基于阈值的分类和概率分类之间,每种处理方法的平均缺血核心体积差异均存在显著差异(p < 0.001)。平均低灌注区域体积差异在bSVD(p = 0.003)和NLR(p = 0.002)中均存在显著差异,但在ISP中无显著差异(p = 0.24)。体积的散点图和Bland-Altman图可见于补充材料。

图2 三种处理方法(ISP、bSVD、NLR)在成功再通(REC)测试患者组和持续闭塞(OCC)测试患者组中的灌注图和概率图的精确率-召回率曲线。CBF代表脑血流量,CBV代表脑血容量,MTT代表平均通过时间,TTP代表达峰时间,Prob代表概率(对应于患者组) 查看原图 ↗
图3 三种处理方法(ISP、bSVD、NLR)在成功再通(REC)测试患者组和持续闭塞(OCC)测试患者组中,真实体积与预测体积(基于阈值或概率)之间体积差异的箱线图 查看原图 ↗

讨论

我们的结果表明,在逻辑回归模型中联合灌注参数改善了精确率-召回率曲线,且概率体积在估计3天内随访非增强CT上的梗死体积方面显著比基于阈值的体积更准确。本研究表明,多变量概率图对缺血性卒中区域的分类比CTP汇总图更准确。

固定单参数阈值不能充分利用现有信息,因为其局限于纳入多个(灌注)参数,也局限于显示预测缺血的确定性;无论体素与既定阈值的接近程度或其他灌注参数的值如何,体素被分类为完全健康或非健康[4, 6, 23]。此外,由于过度简化,是否存在用于确定最终组织状态的通用病理生理学截断值值得质疑[4, 5]。

对于包含四个灌注参数的逻辑模型,我们表明概率图的精确率和召回率优于单个灌注图。遵循单灌注参数逻辑模型的概率图的精确率-召回率曲线与灌注参数本身的精确率-召回率曲线相同。因此,在逻辑模型中纳入多个灌注参数改进了模型。然而,我们尚未将我们的多变量逻辑模型得出的概率体积与单变量逻辑模型得出的概率体积进行比较。相反,我们针对单变量阈值化测试了多变量逻辑模型,因为在当前临床环境中,阈值通常应用于单个灌注图。

我们研究的一个优势是数据来自两项不同的多中心试验,涉及多个CT供应商,并被分为训练和测试患者组,这提供了可推广的结果。数据还包括小型和大型随访梗死体积。我们的分析也有优势。首先,用三种CTP处理方法进行的验证证明了我们的概率分类方法的可转化性。其次,我们将两种方法的预测体积与体素级比较——如精确率-召回率曲线所示——并列比较,因为最终梗死体积在确定功能结局中被视为关键 [20, 21, 24]。

我们研究应注意若干局限性。首先,NCCT被用作随访成像方法,因为诸如弥散加权MR成像等更好的方法在我们的数据中并不普遍可用。对于来自MRCLEAN试验的患者,24小时后的随访NCCT上梗死有时显示不佳。此外,MRCLEAN试验中的中心可以遵循自己的采集和注射方案,这给CTP结果引入了变异性 [25–27]。对于REC患者组,缺血核心可能在入院成像和再通之间已增长,特别是对于接受静脉溶栓治疗的患者。因此,REC患者组的真实标签图可能覆盖成像时半暗带的大部分。因此,所得概率图应被解释为再灌注时缺血核心的估计 [6]。此外,对于所有患者,真实标签图可能受到水肿导致的脑移位的影响。

我们的分析也有弱点。首先,类别不平衡虽然通过我们样本空间的选择而最小化,但可能导致两种分类方法中对缺血体素类别的预测准确性低 [17]。其次,具体关于概率分类,由于灌注参数之间的相关性,纳入所有四个灌注图的决定对于逻辑回归可能不是最优的。第三,我们将概率解释为体积分数,并通过取两个半球之间的差异来估计缺血核心和总低灌注区域体积,但这种方法可能留有改进空间。第四,未研究灌注参数的相对值,既因为相对灌注参数图无法从ISP导出,也因为相对值不存在明确定义。

结论

多变量概率图在估计随访梗死病灶方面优于传统CTP汇总图,这一点在3天内获得的随访平扫CT上可观察到。临床上,改进的分类有助于筛选适合治疗的急性缺血性卒中患者。概率图可能为CTP卒中成像中的缺血区域提供改进的标准化分类。

补充信息

ESM(DOCX 432 kb)

引用

  1. Peerlings D, van Ommen F, Bennink E, et al. Probability maps classify ischemic stroke regions more accurately than CT perfusion summary maps. Eur Radiol. 2022. PMID: 35357536. doi:10.1007/s00330-022-08700-y
  2. 全文:PMC9381605(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9381605/

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。