文献速递神经介入CTMRDSA

脑动静脉畸形三维可视化分割技术:系统综述

Segmentation techniques of brain arteriovenous malformations for 3D visualization: a systematic review.
PubMed 文献 · Radiol Med · 2022-10-18

该系统综述纳入33项研究,分析脑动静脉畸形的三维分割与可视化技术,发现MRI是最常用输入影像,自动分割算法应用最多且中位时间10分钟,无监督模糊算法可能为优选策略,但尚无金标准。

要点

  • bAVM三维分割尚无金标准,自动算法中无监督模糊方法可能为优选。
  • 自动分割中位时间10分钟,半自动25分钟,手工分割仅1项研究报告5-10分钟。
  • MRI是最常用分割输入影像(39%),其次DSA(27%)和CT(21%)。

诊断标准与关键数值

  • 自动分割中位时间10分钟(IQR 33),半自动分割中位时间25分钟(IQR 73)。
  • 手工分割时间仅1项研究报告,均值为5-10分钟。
  • 自动分割研究20项(61%),半自动6项(18%),手工7项(21%)。
  • 输入影像:MRI 13项(39%),DSA 9项(27%),CT 7项(21%)。

临床应用与阅片要点

  • bAVM分割应覆盖供血动脉、畸形团和引流静脉以理解血管构筑。
  • 目前无统一分割标准,阅片和报告需结合多种影像与临床信息。
  • 自动分割算法时间效率较高,但缺乏验证敏感度和特异度的研究。

局限性

  • 纳入研究方法学差异大,无法进行汇总分析。
  • 多数为技术和临床前研究,仅少数报告敏感度和特异度。
  • 分割时长数据仅来自少数研究,统计代表性有限。
全文中译16 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:Radiol Med. 2022 Oct 18;127(12):1333–41. doi: 10.1007/s11547-022-01567-5

引言

脑动静脉畸形(bAVMs)是复杂的血管性病变。为每位患者量身定制管理方案具有挑战性,需要准确认识和理解畸形的血管构筑。bAVMs是继发性脑出血的一个重要原因,破裂风险约为每年1%,破裂后平均增加五倍[1–3]。

脑bAVMs由供血动脉和引流静脉纠缠于畸形团内构成,其间缺乏毛细血管床[4]。这些结构的可视化对于理解血管构筑至关重要。理解血流方向和血流量对于掌握血流动力学效应是必要的。确定血管相对于畸形团和脑结构的位置对于优化治疗策略是根本性的。用于表征bAVMs的最佳成像工具是数字减影血管造影(DSA)和磁共振血管造影(MRA)[5]。两种成像方式在这些病变的诊断和围手术期管理中均发挥作用,突出显示驱动其治疗管理的bAVMs特征[6–8]。在神经外科中,基于临床和影像学发现,bAVMs的严重程度、预测破裂风险和干预必要性主要根据经典的Spetzler–Martin分类及其由Lawton等人于2010年提供的补充来评定,后者显示与手术结局具有更强的相关性[9–11]。

供血动脉、畸形团和静脉引流系统的可视化对于理解bAVM血管构筑及相关血流动力学至关重要:为量身定制治疗策略,重要的是确定血管位置和血流方向,并根据其性质和角色加以区分。bAVMs血管构筑的准确理解可通过分割实现[3, 12–16]。分割是指在美国国家电气制造商协会医学数字成像和通信(DICOM)序列上手动勾画结构以创建其3D形状。通过分割,可测量脑结构的大小和形状,以确定其空间特征并规划精确的治疗干预[16, 17]。现代可视化技术如增强现实(AR)、3D屏幕以及混合现实(MR)和虚拟现实(VR)也已被实施以展示分割结果[18–22]。

若干出版物已综述了血管提取技术[15, 23–25]。它们有助于对分割和可视化策略进行分类,并展示了所用方法的多样性和局限性。然而,当前文献的一个主要缺陷是缺乏由全球多个中心共享的金标准技术来解决bAVMs的分割,以及整合血流动力学信息以不仅表征这些复杂病变的形态,还表征其生理学。本系统综述的目的是提供关于3D方法的最新汇编,用于研究bAVMs血管构筑以进行治疗前规划以及在栓塞、手术或放射外科治疗期间,以及它们与血流动力学信息和增强现实渲染的整合。

材料与方法

采用系统评价和荟萃分析优先报告条目(PRISMA)指南[26]进行系统评价。两名评价者(EC和TF)独立筛选记录,任何阶段的分歧均通过讨论和共识解决。通过参考文献检索额外识别出两条记录。当研究被认为超出本分析目的的范围和/或其结局不是所关注的时,予以排除。纳入研究的批判性评价通过偏倚风险评分进行,如表1所示。

表1 从33项纳入研究中提取的主要数据的描述性分析 查看原表 ↗

检索策略

检索PubMed、Embase和Google Scholar数据库以识别符合条件的论文。使用布尔运算符“AND”或“OR”以及数据库相关过滤器进行查询,以最大限度地提高识别聚焦于bAVM特异性分割策略及其3D可视化的文章的机会。输入的检索式为((‘cerebral arteriovenous malformations’) AND (‘brain arteriovenous malformations’) AND segmentation OR ‘tridimensional visualization’ OR ‘3D’ OR ‘skeletonization methods’ OR ‘augmented reality’)。最近一次检索于2022年2月18日进行。

选择标准

符合以下所有标准的研究被纳入。1)1997年之后发表的研究;2)专门分析脑动静脉畸形血管构筑学的研究;3)在源数据基础上以3D分割技术作为研究血管构筑学手段的研究;4)英语、意大利语、法语或德语;5)将分割结果与增强现实技术整合的研究。

数据提取

从所有纳入的出版物中提取以下信息:(1) 研究组和发表年份;(2) 分割方法及其结果(体积模型、表面模型);(3) 分割技术(纯手动策略、半自动技术或基于数学算法的自动分割);(4) 影像数据来源(CT、MRI或DSA);(5) 治疗方式;(6) 分割持续时间;(7) 血流整合;(8) 3D可视化方法(屏幕、虚拟现实、混合现实或增强现实)。

统计分析

描述性统计分析使用IBM SPSS Statistics 25进行。数据以数量和百分比表示,以及中位数和IQR。异质性通过卡方检验进行检验(显著性水平:p值 < 0.01)。

结果

PRISMA流程图见图1。共筛选7212篇出版物,对37篇全文文章进行了资格评估,32项研究被纳入本综述。

图1 相关研究的检索策略摘要(PRISMA流程图) 查看原图 ↗

分割输入(表1)

33项研究中有13项(39%)描述了基于高分辨率磁共振成像(MRI)的分割[20, 27–38]。在该组中,11项研究(85%)使用了三维时间飞跃法磁共振血管造影(TOF-MRA):9项研究应用了不使用钆的方案,2项研究使用了钆(28, 31)。9项研究(27%)描述了基于数字减影血管造影(DSA)的分割[39–47],7项(21%)描述了基于原生CT和CT血管造影(CTA)的分割[25, 48–53](表1)。

分割目的(表1)

33项研究中有13项(39%)旨在显示供血动脉、瘤巢结构及引流静脉[25, 28–30, 34, 37, 38, 43, 45, 47, 48, 50, 51]。7项研究(21%)对供血动脉和静脉进行了分析,但未特别关注瘤巢[18, 27, 31, 33, 49, 52, 54]。仅关注瘤巢的研究有4项(12%)[20, 21, 36, 54]。关于分割目的的信息见表1。30项研究(91%)实施了分割策略以实现bAVM的术前表征;然而,3项研究(9%)进行分割的目的是在导航链接的术中显示器上可视化[38, 55, 56]。

手动和半自动分割(表2)

7项研究(21%)描述了手动bAVM分割[21, 34, 35, 38, 39, 48, 55],6项研究(18%)描述了半自动算法[27, 40, 43, 54]。在该亚组中,3项研究(23%)旨在勾画所有bAVM组成部分[34, 38, 48],而其他10项研究(77%)侧重于对bAVM单一组成部分或病灶体积的分割。4项半自动分割研究记录了中位持续时间为25(IQR 73)分钟[27, 43, 51, 54]。

表2 基于模糊方法以外的分割策略概述 查看原表 ↗

自动分割(表2)

20项研究(61%)使用自动数学算法对bAVM进行分割[20, 25, 28–33, 36, 37, 42, 44–47, 49, 51–53, 56]。其中8项研究(40%)旨在分割所有三个bAVM组成部分[25, 28–30, 37, 45, 47, 51]。20项研究中有6项描述了中位分割时间为10分钟(IQR 33)。8项自动分割研究(40%)通过无监督模糊方法进行分割,中位处理时间为10分钟(IQR 33)[20, 28–32, 36]。仅1个研究组进一步提供了分割后bAVM组成部分的血流动力学表征。血流动力学信息通过整合瘤巢邻近血管的时间血流信息来提供[32, 33]。

该队列中的其他研究组基于有监督方法进行了自动图像分割[37, 49, 53]。这些策略包括有监督主成分分析[49]、具有复合损失函数的有监督3D V-Net[53]以及有监督卷积神经网络[37]。

自动分割亚组中最常用的成像输入为MRI(10/20,50%)。

分割变异性

进行了卡方齐性检验以检查所收集研究的方法学变异性。分割策略与所报告结局(即所有bAVM组成部分的分割、仅瘤巢的分割或其他结局(如体积))之间的齐性不显著,卡方=0.13(p值0.99)。

3D可视化

4项研究(12%)描述了其分割策略与混合现实技术的整合,用于显微镜下术中导航[37, 47, 55, 56]。虽然与AR的整合得到了肯定,但也有研究提出未来有必要将血流动力学因素整合到AR渲染中,以提供更有用和精确的术中信息[18]。纳入的研究均未旨在使用VR对分割结果进行渲染。

临床价值与血流分析

在19项研究(58%)中,分割的最终目标是实现脑动静脉畸形(bAVM)的准确且更精确的规划与术中管理[25, 27–33, 35, 38, 43, 45, 48, 50–52, 54–56]。11项研究(33%)旨在更好地勾勒bAVM各组成部分,以实现更有效、更安全的放射外科治疗[20, 21, 34, 36, 37, 39–42, 49, 53]。纳入研究中有3项(9%)将栓塞治疗和更好的血管构筑可视化设定为分割的最终目标[44, 46, 47]。仅有一个研究组旨在并将血流动力学因素纳入3D bAVM可视化,且实现了该目标。他们通过计算达峰时间参数图并将其配准至TOF-MRA序列,能够提供病灶巢邻近血管血流的时间信息[32, 33]。

讨论

本研究对用于3D可视化和精确血管构筑研究的bAVM分割技术进行了系统分析。本系统综述聚焦于1997年至2022年间发表的关于bAVM血管构筑表征的3D bAVM分割与可视化策略。尽管大多数研究使用MRI作为输入,且呈现出向自动机器学习训练算法发展的趋势,但本综述显示bAVM分割的可能方法差异何等显著,并由此表明缺乏金标准。

由于手动、半自动和自动分割技术及其结果的方法学多样性,应谨慎解读结果。不能排除纳入出版物的固有偏倚。平均分割时长仅使用来自少数研究的非常有限的数据进行评估。由于本系统综述中收集的数据差异极大,故进行了描述性统计分析。鉴于大多数纳入研究具有技术和临床前性质,其中极少有研究记录了分割方法的灵敏度和特异度。因此,统计数据的稀缺使得进行汇总分析成为不可能。

本综述描述了随着时间推移,bAVM分割趋于基于机器学习(尤其是深度学习)训练算法的趋势,因为手动分割易受人为误差和个体间评估差异的影响,且劳动强度大[28]。通过机器学习训练的算法源于两个原理:监督学习和无监督学习。监督学习算法(如支持向量机)的缺点在于依赖手动分割。此外,扫描的变异性应较大,因为在1个中心扫描数据上训练的算法很少能够轻易外推。无监督学习不需要初始信息,基于该技术的算法通常较快。在本分析中,通过无监督学习的全自动分割使用基于模糊的方法取得了良好结果。该方法基于在MRI-TOF序列上计算血管性滤波器和最大参数图像,能够高度精确地勾勒大血管及细小血管[32, 36]。

Forkert等人开发的深度学习算法描述了生成血管系统表面模型的额外优势,该模型不仅可可视化,还可在三维中进行操作[28, 32]。在三维分割的设置中,表面模型的可操作性将其与计算量更大的体积模型的结果区分开来,后者通常比表面模型更详细、看起来更清晰,但不允许任何交互,且大多数过于沉重,无法在不进行流式传输的情况下在抬头显示器中可视化[57]。鉴于未来医学影像与混合现实或虚拟现实的广泛整合,对于像bAVM这样高度复杂的三维病变,应将表面模型与体积模型作为算法可能的输出进行进一步研究。

在医学界迈向个性化医疗的背景下,分割策略和三维成像可视化技术日益受到欢迎。使用这些技术对bAVM等复杂解剖实体进行术前和术中勾画提供了重要的临床进展[58]。首先是更精确地理解bAVM的血管构筑及其与周围结构的解剖关系[37, 38]。因此,可以实现更准确和个体化的治疗规划,并有可能实现更高效的患者管理和潜在的更好的临床结局[56]。只有一个研究组将血流纳入三维bAVM分割。然而,血流在评估脑AVM(再)破裂风险分析中极为重要[59]。经颅多普勒(TD)、DSA和定量MR血管造影(QMRA)[60, 61]已被描述为分析bAVM血流的有用技术[22, 62–64]。将这些技术整合到三维bAVM分割中应成为未来的目标。

结论

bAVM三维可视化尚不存在金标准。本综述描述了随着时间推移,分割倾向于基于经机器学习训练的算法。无监督的基于模糊的算法因此作为潜在的优选策略而脱颖而出。需要持续的努力来进一步改进算法、整合完整的血流动力学评估并寻找新的三维可视化创新工具。

引用

  1. Colombo, Fick, Esposito, et al. Segmentation techniques of brain arteriovenous malformations for 3D visualization: a systematic review. Radiol Med. 2022. PMID: 36255659. doi:10.1007/s11547-022-01567-5
  2. 全文:PMC9747834(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9747834/

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。