基于WEKA机器学习量化脑动脉瘤治疗后血管重塑：一项探索性研究及其临床意义

本综述探讨了利用WEKA机器学习平台分析数字减影血管造影（DSA）图像，定量评估脑动脉瘤治疗后的血管重塑现象。研究通过随机森林（Random Forest）分类器识别血管像素变化，发现血管内治疗组术后血管表面积显著增加（p<0.05），表明该技术有望成为监测治疗效果的新型影像学生物标志物。

　　

引言

脑动脉瘤的成功治疗需要多学科协作，结合先进成像技术与临床专业知识。数字减影血管造影（DSA）因其卓越的分辨率和评估血管解剖结构的能力，始终是术前规划和术后监测的金标准。它不仅能够精确定位动脉瘤并进行形态学分析，指导最优治疗策略，还能通过确认治疗成功显著降低复发风险。尽管显微外科和血管内技术不断进步，术后血管重塑仍是一个动态过程，需通过高分辨率影像进行评估。治疗后DSA结合CT或MR血管成像，对于检测残留或复发动脉瘤、血管狭窄或迟发性并发症至关重要。然而，随访影像的不一致性，尤其在手术患者中，可能导致动脉瘤残余、新发动脉瘤形成、假性动脉瘤或手术并发症等关键变化的漏诊。DSA还能提供对血管痉挛和血栓形成等动态血管过程的独特洞察，特别是在蛛网膜下腔出血后。当在术前和术后均执行时，DSA能够客观评估随时间变化的血管改变，支持临床决策和研究的结局追踪。

技术进步如三维旋转血管造影进一步提高了空间分辨率和血管可视化。与此同时，人工智能（AI）和机器学习（ML）正在通过自动化复杂任务、提高检测准确性和促进大规模图像分析来变革神经影像学。深度学习模型，尤其是卷积神经网络（CNN），在神经血管分割任务中表现出强大性能。在这一不断发展的背景下，WEKA平台为基于机器学习的图像分割提供了一个多功能且易于使用的工具。具体而言，WEKA被用于DSA图像的像素级血管分割，使得能够定量评估血管表面积及其在治疗阶段的变化。我们假设基于WEKA的机器学习分割能够定量检测术前和术后血管造影图像之间的血管变化，特别是在血管内队列中，由于其更倾向于血流动力学重塑。在本研究中，血管重塑被定义为基于图像的形态学变化，具体为术前和术后血管造影图像之间分割血管表面积的变化，这可能间接反映治疗后的血流动力学适应。

先前的研究已经记录了治疗后血管形态的变化，包括直径、角度和曲率，这些被解释为血管重塑的间接证据，特别是在支架置入或弹簧圈栓塞术后。基于此，本研究应用基于WEKA的分割方法来评估中脑动脉瘤患者经夹闭或血管内介入治疗后的血流动力学重塑。通过量化术前和术后图像之间的像素级变化，该方法提供了血管对治疗反应的客观数据驱动测量。尽管样本量和手动预处理限制了这一初步分析，但它为未来开发全自动AI引导成像流程奠定了基础，并凸显了机器学习在提高神经血管结局评估精度和可重复性方面的临床潜力。

方法

这项回顾性单中心研究纳入了60例连续被诊断为未破裂中脑动脉（MCA）动脉瘤的成年患者。我们将分析限制在MCA动脉瘤以最小化解剖和成像变异性，并确保采集过程中投影角度的一致性。所有患者均在2019年1月1日至2024年6月30日期间于克罗地亚萨格勒布大学医院中心神经外科和临床诊断与介入放射科接受治疗。治疗决策由包括神经外科医生、神经学家和放射科医生在内的多学科团队做出。患者在提供书面知情同意前已充分了解两种治疗选择的风险和益处。根据选择的治疗方式，患者被分为两个队列。神经外科组包括30名接受显微外科夹闭治疗的患者（27名女性，3名男性；平均年龄57.5±11.4岁）。血管内组最初包括30名患者；然而，其中一名因未遵守双重抗血小板治疗导致流量导向装置血栓形成死亡而被排除。最终的血管内队列包括29名患者（24名女性，5名男性；平均年龄59.0±9.0岁）。此外，由于技术限制无法进行可靠的图像分割，8例被排除在最终分析之外。这些包括术前或术后图像严重错位、缺失随访血管造影或对比增强质量低的病例。排除与治疗结果无关，并基于客观成像标准统一应用。患者选择和排除过程总结于图1。

排除标准包括破裂动脉瘤、妨碍准确评估的解剖变异（如严重血管迂曲、远端狭窄）、未遵守处方治疗以及缺乏术后DSA随访。所有DSA程序——包括术前（干预前1-3天）和术后（治疗后6-12个月）——均使用相同的双平面血管造影系统（西门子Artis zee，德国）和标准化采集参数执行。成像协议在时间点上严格匹配，以消除技术变异性并确保一致的像素基础分析。这包括一致的患者定位、相同的对比剂剂量和注射时间以及所有采集使用相同的双平面DSA系统。采取这些措施以最小化血管对比增强和几何投影的变异性，从而增强不同时间点分割图像的可比性。操作者一致性通过所有程序由同一位神经外科医生或介入神经放射学家执行来维持。

该研究获得了机构伦理批准，并按照赫尔辛基宣言进行。所有参与者均获得了书面知情同意（2021/602-04/21-08/07）。

基线动脉瘤和临床特征

基线形态计量学分析显示，神经外科组患者的动脉瘤平均比血管内组更大。具体而言，神经外科组的平均颈宽为3.01±0.61毫米，平均穹窿大小为8.03±2.01毫米，而血管内组分别为2.85±0.59毫米和5.13±1.73毫米。此外，神经外科组45%的患者动脉瘤大于7毫米，而血管内组为27%。所有患者术前格拉斯哥昏迷评分均为15分。无重大术中或术后并发症。功能恢复在各组间相当，所有患者在随访时均达到格拉斯哥 Outcome Scale - Extended评分8分。

基于WEKA的图像分割和后处理

为评估血管变化，我们将基于WEKA的机器学习流程应用于术前和术后血管造影图像。目的是通过计算分割血管面积的差异来量化治疗引起的重塑。分析工作流程如图2所示。WEKA（怀卡托知识分析环境，版本3.9.6.，新西兰怀卡托大学）是一个开源机器学习平台，具有图形界面，支持监督学习技术，包括分类和回归。它通过集成到Fiji/ImageJ中的可训练WEKA分割（TWS）插件访问，这是一个广泛使用的生物医学图像分析套件。

分类流程涉及两个步骤：训练和应用。在训练期间，使用15对血管造影图像反复教导随机森林算法区分血管结构（类别1）和背景（类别2）。这些图像经过手动注释并因其变异性而被选择，以确保模型的泛化能力。每次迭代进行视觉验证以优化准确性。生成的分类器大小超过100 MB，针对批量分析进行了优化。使用Fiji/ImageJ进行标准化预处理，包括裁剪、旋转对齐、对比度归一化和调整大小。这些步骤解决了图像方向、头部定位和采集领域的技术变异，最小化了非生物因素（如不同的注射对比时间或设备设置）引起的伪影。用于分类器训练的15对术前和术后图像在Fiji（ImageJ）中通过像素级分割进行手动注释，参考可见的血管造影血管边界。WEKA分类器使用FastRandomForest算法和默认参数进行训练。分割对每个图像对迭代执行（通常3-5轮），直到获得满意的血管边界分离。每个分类器应用于其相应的匹配图像对（即受试者内），未进行交叉验证，因为目标不是跨病例泛化，而是优化成对分割保真度。所有预处理步骤，包括图像旋转、裁剪和对比度调整，均在Fiji（ImageJ）中执行，以增强血管可视化并实现术前和术后图像之间的空间对齐。为最小化变异性，同一评审员使用一致参数和解剖标志处理每对中的两张图像。训练好的分类器应用于53对图像，其中51对成功分割。两套图像因严重错位无法进行有意义的比较而被排除。分割输出使用自定义Python后处理脚本（可根据请求提供）进一步细化，利用scikit-image库。去噪工作流程包括灰度转换、形态学过滤、区域标记和基于尺寸的小伪影排除。最终掩模保留最大的连接血管区域以增强特异性（图2C，F）。在此上下文中，我们将“细化像素”定义为后处理后剩余的血管分类像素总数，其中包括噪声抑制、去除非连接或虚假区域以及掩模以仅保留主要血管结构。该指标反映了比原始分割输出更干净、更特异的血管面积测量，考虑了对比度、采集伪影和错误分类的变异性。最终细化像素计数通过求和大脑中动脉区域内所有白色（即分割）像素获得，分别针对每张术前和术后图像。这些值作为相对血管表面积的替代。尽管所有图像预处理由单一训练评审员执行以确保一致性，该流程的未来应用可能需要评分者间重现性测试以确保客观性和可扩展性。

在51对可分析图像对中，38对（约75%）显示术后血管像素计数增加，尤其是在血管内治疗患者中。该模式表明术后血管重塑可能与改变的流动动力学有关。尽管图像质量存在变异性且训练数据有限，基于WEKA的随机森林分类器证明是稳健的。为促进可重现性和透明度，分割流程（包括Python后处理工具）将在发表后作为补充材料提供。未来发展应专注于深度学习模型，例如卷积神经网络、半监督学习和AutoML方法，以增强可扩展性并减少手动输入。

统计分析

所有统计分析使用MedCalc统计软件（版本12.5.0，奥斯坦德，比利时）进行。连续变量以均值±标准差表示（正态分布数据），或以中位数和四分位距（IQR）表示（非正态分布数据）。使用Shapiro-Wilk检验评估所有连续变量的正态性。由于所有图像以一致的空间分辨率采集并使用标准化预处理参数处理，分割像素计数的相对差异被视为血管表面积变化的比例替代。为比较每个治疗组内术前和术后值，对非正态分布数据使用Wilcoxon符号秩检验，对确认正态性的数据应用配对t检验。对于组间比较（显微外科与血管内），对正态分布变量使用Student t检验，而对不满足正态性假设或组大小不等时应用Mann-Whitney U检验。p值<0.05被认为具有统计学意义。

结果

在血管内治疗组（n=21）中，分割分析显示治疗后血管像素数量 statistically显著增加（术前：15098.095±9456.801 vs. 术后：17624.571±10701.154；T=2.274，DF=20，p=0.034），如图3A所示。细化（去噪）像素分析也显示术后图像 statistically显著增加（术前：8273.809±4090.084 vs. 术后：9739.000±4259.035；T=2.776，DF=20，p=0.017），支持血管内介入后血管修改的观察（图3B）。两种效应对应小到中等效应大小（Cohen’s d=0.35），在细微治疗后血管重塑的背景下可能具有临床相关性。组内比较总结于表1。

在神经外科治疗组（n=30）中，术前和术后血管造影图像的分割像素分析未显示 statistically显著差异（术前中位数=13271.000，95% CI=11387.649–18083.089；术后中位数=13352.000，95% CI=9998.115–16582.134；U=444.00，Z=0.08，p=0.929）。相应效应大小可忽略（r=?0.08）。类似地，应用于分割像素的Wilcoxon符号秩检验未产生统计学显著性（N_pos=17，N_neg=13，Z=?0.463，p=0.643），效应大小小（r=?0.08），尽管存在可见个体差异（图4A）。细化像素的进一步分析，考虑了噪声减少和精确分割，也未显示统计学显著性（术前中位数=6398.000，95% CI=4836.149–8148.228；术后中位数=6367.500，95% CI=5337.444–8215.686；U=428.00，Z=0.325，p=0.745），Wilcoxon检验结果确认无显著变化（N_poz=21，N_neg=9，Z=?1.079，p=0.280），效应大小小（r=?0.20）（图4B）。

为评估治疗方式间的差异，比较了术后图像的分割和细化像素计数。尽管血管内组的分割像素中位数更高（中位数=15622.000，95% CI=10699.135–22484.857）与神经外科组（中位数=13352.000，95% CI=9998.115–16582.134）相比，差异无统计学意义（U=279.00，Z=0.689，p=0.491）（图5A），效应大小小（r=0.10）。类似地，细化像素分析显示组间无 statistically显著差异（血管内中位数=9844.000，95% CI=7171.779–12291.201；神经外科中位数=6367.500，95% CI=5337.444–8215.686；U=226.00，Z=1.703，p=0.080）（图5B），尽管效应大小表明中等差异趋势（r=0.24）。这些结果表明，尽管数值差异明显，通过像素基础分析量化的术后血管修改在血管内和神经外科治疗间无统计学差异。治疗后组间比较总结于表2。

讨论

本研究提供了基于WEKA的机器学习分割在脑动脉瘤治疗评估背景下的首次详细应用之一，特别分析了术前和术后血管造影图像上的血管变化。尽管先前的研究已成功将WEKA应用于牙科和放射学背景，但其在复杂神经放射学数据集如DSA中的应用仍然是新颖且未充分探索的。此外，我们承认血管变化在干预后是预期的。然而，我们方法的新颖性在于利用像素基础图像分析系统量化这些变化，即使在没有直接血流动力学数据的情况下。重要的是，尽管血管变化在干预后是预期的，我们的方法提供了一种系统、定量的方式从标准成像数据评估这些变化。而非取代血流动力学建模，像素基础量化为形态学重塑提供了一个可访问的替代，具有作为治疗反应未来辅助生物标志物的潜在价值。

我们的结果强调了像素基础血管量化的潜在临床价值。在血管内治疗组中，我们确定了治疗后分割和细化血管像素 statistically显著增加，表明血管重塑超出了动脉瘤闭塞的立即部位。重要的是，尽管血管变化在干预后是预期的，我们的方法提供了一种系统、定量的方式从标准成像数据评估这些变化。而非取代血流动力学建模，像素基础量化为形态学重塑提供了一个可访问的替代，具有作为治疗反应未来辅助生物标志物的潜在价值。先前的成像研究已将干预后血管几何变化，如血管扩张、曲率或角度重塑，与重塑过程联系起来，支持在此背景下使用分割表面积作为形态学替代的合理性。这可能反映了改变的血流动力学、补偿性血管扩张或流量重新分布——先前与流量导向器放置后的内皮反应和动脉壁适应相关的现象。需要澄清的是，在本研究背景下，血管重塑特指基于图像的形态学变化，即血管造影图像上观察到的分割表面积差异，并不直接捕获功能或组织学血管壁适应。先前的研究报告了流量导向器放置后的治疗后血管重塑，通常与内皮反应和改变的血流动力学有关，特别是壁剪切应力和局部流量分布的变化。尽管我们的研究不能直接确认这些生理变化，观察到的分割血管面积增加可能作为替代成像标志。尽管如此，我们承认这一发现需要通过与直接血流动力学参数的相关性在未来研究中验证。相比之下，神经外科组未显示 statistically显著变化，表明显微外科夹闭可能对局部血管系统施加更聚焦和机械稳定的影响，与先前强调其耐久性和对邻近血管领域有限影响的结果一致。此外，尽管分割和细化像素计数的增加达到统计学显著性，相应效应大小（Cohen’s d=0.35）较小。这表明观察到的形态学变化是 modest的。在动脉瘤随访成像背景下，即使细微的治疗后修改可能具有预后价值，但需要进一步研究以确定其真正的临床意义。

临床上，这些发现支持机器学习增强成像分析作为标准术后评估的强大辅助工具的效用。传统的血管造影视觉评估通常缺乏可重现性并受观察者变异性影响。集成如WEKA等工具允许对随时间变化的血管状态进行定量、客观比较， potentially改善关于随访成像、再治疗或监测策略的决策。与主观分类如Raymond-Roy闭塞量表相比，像素基础分割能够对血管结构进行连续、高分辨率量化，这在边界或模糊病例中可能特别有价值。该方法可能通过提供超越简单二元或分类量表的客观数值指标来补充甚至增强常规闭塞分级。重要的是，该方法有潜力替代或增强当前实践的多个方面：首先，通过在放射科医生目前依赖视觉估计的地方提供自动化测量；其次，通过检测可能先于临床或放射学复发的细微血流动力学变化；第三，通过在视觉评估可能变化的多中心试验中实现标准化比较。从技术角度看，基于WEKA、Fiji/ImageJ和Python后处理的分割流程提供了可靠的血管检测和噪声减少。分割图像中明显的不连续性