编辑推荐：
在医学影像领域，减法 CT 血管造影（sCTA）虽能有效分离脑动脉，但辐射剂量高不被视为主流。研究人员开展基于 U - Net 模型，利用低剂量 CT 血管造影（CTA）图像及预处理方法进行脑动脉分割的研究。结果显示，优化方法可提升模型性能，有望替代 sCTA，为临床诊断提供新方案。
在医学影像诊断的广阔领域中，脑血管疾病的精准诊断一直是医学专家们关注的焦点。脑动脉作为脑部供血的关键通道，其健康状况对于评估脑血管疾病至关重要。数字减影血管造影（DSA）曾是诊断脑血管疾病的 “金标准”，它能够获取高空间分辨率的图像，帮助医生分析血管的运动和动脉血的情况。然而，DSA 需要进行侵入性手术来采集图像，还得往局部血管注射高浓度的造影剂，这不仅可能损害组织功能，引发致命的神经副作用，而且其二维图像的特性也会导致诊断结果受成像角度影响，准确性和可重复性大打折扣。
CT 血管造影（CTA）技术的出现，为解决这些问题带来了希望。CTA 是一种微创方法，能降低手术和造影剂带来的副作用，还具有高空间分辨率，在临床实践中广泛应用，逐渐成为替代 DSA 的选择。但 CTA 也并非完美无缺，在 CTA 成像中，椎动脉和颈内动脉等脑动脉与椎骨位置接近，信号相似，这就导致血管和骨骼的信号容易重叠，影响血管位置信息的准确性和对血管狭窄的判断。
为了更准确地诊断脑血管疾病，减法 CT 血管造影（sCTA）应运而生。sCTA 通过从 CTA 图像中减去非对比 CT 图像，能更清晰地描绘小血管和动脉瘤，提高对血管狭窄和斑块进展的分析准确性。不过，sCTA 的 2 次扫描方案会增加患者的辐射剂量，存在辐射相关副作用的风险，这使得它难以成为临床主流技术。
在这样的背景下，来自韩国加图立大学（Gachon University）等机构的研究人员展开了一项极具意义的研究。他们旨在利用低剂量 CTA 图像和基于 U - Net 的分割模型，实现与 sCTA 相似的脑动脉分割性能，从而解决患者过度暴露于辐射的问题。研究成果发表在《Scientific Reports》上。
研究人员在开展此项研究时，采用了多种关键技术方法。首先，他们从 45 名患者处获取 sCTA 图像对，为模拟低剂量条件，通过添加高斯 - 泊松噪声来处理 CTA 图像。在预处理阶段，运用非局部均值（NLM）算法对图像进行去噪处理，通过优化平滑因子，找到最佳参数值。同时，使用区域生长（RG）的半自动阈值法增强脑动脉（CA）信号，构建预测的 CA 掩模并添加到 CTA 图像中，以此作为训练 U - Net 模型的输入数据。此外，研究人员还运用多种指标，如变异系数（COV）、对比噪声比（CNR）、F1 评分、平均精度（AP）和交并比（IoU）等，对模型性能进行定量评估，并通过方差分析（ANOVA）和事后 HSD 分析来确定模型之间的性能差异。
研究结果主要分为以下几个方面：
- NLM 算法平滑因子的优化：通过对不同平滑因子的 NLM 算法处理后的 CTA 图像进行分析，研究人员发现，随着平滑因子增加，图像模糊效果增强，但变异系数（COV）和对比噪声比（CNR）在平滑因子达到 0.20 时迅速改善并趋于稳定。因此，确定 0.20 为 NLM 算法的最佳平滑因子。
- 不同数据集对 U - Net 模型性能的影响：研究人员构建了多种数据集，包括原始（正常剂量条件）、噪声（低剂量条件）、低强度平滑（LS）、优化平滑（OS）、高强度平滑（HS）、增强低强度平滑（eLS）和增强优化平滑（eOS）图像。实验结果表明，在这些数据集中，eOS 模型的 F1 评分最高，达到 0.880；AP 和 IoU 方面，eOS 模型同样表现最佳，得分分别约为 0.955 和 0.955。这表明添加预测 CA 掩模的 eOS 数据集能显著提升 U - Net 模型的脑动脉分割性能。
- 模型性能差异的统计分析：方差分析（ANOVA）结果显示，不同的 U - Net 脑动脉分割模型之间存在显著的性能差异。事后 HSD 分析进一步表明，大多数模型之间的性能差异显著，但原始 - eOS 和噪声 - OS 模型对在所有评估因素上没有显著差异。这说明仅靠去噪预处理对提升深度学习模型的分割性能存在一定局限性，而合适的预处理方法组合能使 U - Net 模型达到与 sCTA 相似的分割性能。
在研究结论和讨论部分，研究人员指出，通过应用各种预处理算法，使用低剂量 CTA 图像训练基于 U - Net 的脑动脉分割模型，能够实现与 sCTA 相似的性能。这一研究成果意义重大，不仅为减少患者在脑血管疾病诊断过程中的辐射暴露提供了可行方案，而且强调了合适的预处理方法在提升深度学习模型性能方面的关键作用。同时，研究也发现，预处理方法的平滑强度对后续的预处理和模型性能有显著影响，不适当的预处理可能会降低模型性能。此外，研究还存在一些局限性，如未充分考虑深度学习结构的多样性和超参数优化等问题。未来，研究人员计划进一步研究在低剂量和低造影剂条件下，如何提升深度学习模型的脑动脉分割性能，以更好地服务于临床诊断。
