基于深度神经网络的小儿脑积水脑室自动分割与导水管测量的临床应用研究

《Neuroradiology》：Application of deep neural networks in automatized ventriculometry and segmentation of the aqueduct in pediatric hydrocephalus patients

本研究针对小儿脑积水患者脑室形态不规则、传统测量方法效率低下的临床难题，开展了VParNet和nnU-Net两种深度学习模型在脑室系统自动分割中的对比验证。通过对139例儿科MRI数据的五折交叉验证，发现nnU-Net在避免预处理失败（20.9%）、实现优异分割精度（DSC 0.87-0.95）和体积测量可靠性（ICC 0.81-1.0）方面具有显著优势，尤其对不对称脑室的适应性更强。该研究为儿科神经放射学提供了高效可靠的自动化定量工具，对脑积水治疗效果监测具有重要意义。

　　

在儿科神经外科领域，脑积水患者构成一个重要的患者群体。这种疾病可能由早产后的脑出血、肿瘤疾病或脑畸形等多种因素引起。传统上，脑室大小的评估主要通过定性视觉评估和基本的手动线性测量（如额枕角比率）进行。鉴于脑室系统的复杂性，简单的二维测量可能只能捕捉到脑室大小的一部分，而更精确的三维测量对于日常临床使用来说往往耗时过长。这使得通过人工智能（AI）自动化这一过程成为一个有吸引力的选择。

以往基于人工智能的脑室系统测量主要用于检测分流器故障。此外，在有脑室外引流的情况下，人工智能测量的脑脊液（CSF）体积变化与实际引流的脑脊液密切相关。然而，迄今为止，人工智能在儿科（神经）放射学中的应用仍然有限，主要采用在成人群体中建立的深度学习模型，用于计算机断层扫描（CT）和磁共振成像（MRI）。

本研究旨在训练和验证两种基于人工智能的工具——VParNet和nnU-Net，以实现脑室系统可靠且准确的自动化测量。VParNet最初是为成人正常压力脑积水（NPH）患者开发的，而nnU-Net则在各种成人器官分割任务中显示出潜力。然而，小儿脑积水患者的脑室形状往往不规则且不对称，这与成人NPH中典型的对称性扩大形成对比。因此，验证这些模型在儿科人群中的适用性至关重要。

为了回答这些问题，研究人员回顾性收集了2019年至2021年间的139例小儿脑积水患者的颅脑MRI数据。患者中位年龄为6.3岁（四分位距IQR 2.3-11.4岁），涵盖了各种病因（先天性61.9%，获得性38.1%）和脑室大小（小15.1%，正常31.7%，宽53.2%），包括不对称脑室系统（39.6%）以及分流术后或第三脑室底造瘘术（ETV）后的病例。手动分割四个脑室和导水管作为金标准。研究采用五折交叉验证比较了四种分割方法：使用原始权重的VParNet、在儿科数据上重新训练的VParNet、分割四个脑室的nnU-Net（四类）以及增加导水管作为第五个感兴趣区域（ROI）的nnU-Net（五类）。性能通过Dice相似系数（DSC）、组内相关系数（ICC）和最小可检测变化（MDC）进行评估。

质量控制和预处理比较

VParNet的预处理流程（包括去头皮、N4不均匀性校正和配准到MNI152模板）在29例（20.9%）患者中失败，导致这些病例被排除分析。失败原因包括去头皮错误（12.2%）、部分皮层被移除（30.9%）以及配准错误（1.4%）。相比之下，nnU-Net无需复杂的预处理步骤，因此没有因预处理问题而排除任何病例，显示出更高的鲁棒性和临床适用性。

分割精度评估

所有模型对侧脑室和第三、第四脑室的分割精度均达到良好至优秀水平。

如图2所示，对于侧脑室，所有算法的DSC中位数均超过0.92。对于第三和第四脑室，两种nnU-Net模型也表现出色（第三脑室DSC中位数0.91，第四脑室0.93）。VParNet模型表现良好，但略逊于nnU-Net（第三脑室原始/重训练DSC中位数0.89/0.87；第四脑室0.89/0.91）。统计检验显示，nnU-Net在右侧侧脑室和第四脑室的分割精度显著优于VParNet（P_adj < 0.0001）。导水管的分割最具挑战性，五类nnU-Net模型的DSC中位数为0.68，反映了其狭窄的解剖结构带来的困难。

体积测量可靠性和敏感性

体积估计在所有算法中表现出良好至优秀的一致性。

如图4所示，DSC高度依赖于被分割结构的体积，尤其是狭窄的脑室和导水管。侧脑室和第三脑室的ICC值均显示极好的一致性（ICC > 0.96）。第四脑室的可靠性也较高（ICC 0.81-0.92），导水管的ICC为0.81，良好但不如脑室。

MDC值反映了算法检测真实体积变化的灵敏度。如图5所示，较大的侧脑室对所有算法都表现出较低的MDC，意味着可以更可靠地检测较小的体积变化。而较小的结构，如第四脑室和导水管，其MDC相对于其尺寸较高，表明准确检测微小变化存在困难。尽管如此，本研究中的MDC值远小于以往研究中报告的引流脑脊液体积变化（约5-15 mL），表明其临床灵敏度足够。

影响因素分析

研究还发现，分流系统的存在虽然会造成MRI伪影，但并未显著影响任何脑室 across 算法的DSC值（除导水管外p < 0.001）。此外，脑室不对称性对分割性能没有影响（p > 0.05）。在有ETV（第三脑室底部分缺失）的患者中，两种神经网络均未出现分割问题。

研究结论与意义

本研究验证了VParNet和nnU-Net在具有高度不规则脑室系统的儿科脑积水患者中进行自动脑室分割的可行性。两种模型在金标准手动分割之间均表现出高的空间一致性和体积测量可靠性。然而，nnU-Net凭借其无需复杂预处理、能成功处理最具挑战性病例以及易于临床实施的特性，展现出关键优势。

该研究的成功为儿科脑积水的临床管理提供了强有力的工具。自动脑室分割可用于检测脑脊液通路梗阻或吸收障碍，尤其适用于对出血、感染、肿瘤或需要手术干预的脑积水患者进行纵向评估。它通过提供体积分析而非过度简化的线性测量，改善了治疗成功率的评估，特别是对于不规则或不对称的脑室。此外，它还能增强对分流器功能障碍的监测，帮助检测过度引流或引流不足。精确的脑室体积评估还有助于个性化鞘内药物剂量以优化治疗。

尽管导水管的分割仍有改进空间，但nnU-Net作为一个快速、可靠且易于实施的解决方案，为在高度扭曲和不对称的脑室系统中进行自动化脑室体积测量铺平了道路，有望在未来改善儿科脑积水的诊断、治疗监测和预后评估。