编辑推荐：
目前，脑血管数字减影血管造影（DSA）中脑灌注特征评估依赖人工，存在耗时、易出错和主观等问题。研究人员开发并验证了名为 perfDSA 的全自动定量框架。结果显示其分割准确性高，部分灌注图像与卒中患者功能结局相关。该研究有助于脑血管介入治疗决策。
在脑血管疾病的诊断和治疗中，脑血管数字减影血管造影（Digital Subtraction Angiography，DSA）是极为重要的成像技术。它凭借高时空分辨率，能清晰呈现脑血管血流情况，为介入治疗提供关键引导，在诸如中风、颅内动脉瘤等神经血管疾病的血管内治疗中，是当之无愧的 “金标准”。不过，现有的 DSA 脑灌注评估方式却存在诸多弊端。临床实践里，脑血管内治疗时手动注射造影剂会让同一患者不同时间获取的 DSA 图像对比增强差异很大 。而且，一直缺乏可靠的自动化工具来评估脑血流和灌注动态。这使得介入医生只能依靠肉眼观察评估，不仅耗费大量时间，还容易出错，带有很强的主观性，在像血管内血栓切除术这种争分夺秒的手术中，问题更为突出。
为了攻克这些难题，来自荷兰埃因霍芬理工大学（Eindhoven University of Technology）、鹿特丹伊拉斯姆斯大学医学中心（Erasmus MC, University Medical Center Rotterdam）等多个机构的研究人员展开了深入研究。他们开发并验证了一个名为 perfDSA 的全自动定量框架，用于灌注 DSA 成像。该研究成果发表在《International Journal of Computer Assisted Radiology and Surgery》上，为脑血管疾病的诊断和治疗带来了新的曙光。
研究人员在开展这项研究时，主要运用了以下关键技术方法：首先，设计了基于 UNet 架构的血管分割模块。通过这个模块，从颈内动脉床突上段（supraclinoid segment of the internal carotid artery，ICA）自动提取动脉输入函数（Arterial Input Function，AIF） 。其次，采用类似磁共振和 CT 血管造影中的团注追踪法，基于 AIF 对时间 - 强度曲线（Time-Intensity Curves，TICs）进行去卷积，从而计算出脑血容量（Cerebral Blood Volume，CBV）、脑血流量（Cerebral Blood Flow，CBF）、平均通过时间（Mean Transit Time，MTT）和达峰时间（Tmax）等灌注参数，并生成相应的参数图像。研究使用的数据集来自荷兰全国多中心观察队列 MR CLEAN Registry，包含 1006 例患者的 DSA 数据。
下面来看具体的研究结果：
- 输入动脉分割：perfDSA 框架在输入动脉分割上表现出色，整体 Dice 系数达到 0.73（±0.21） 。尽管目标血管较小且手动标注边界存在不确定性，但该模型特异性近乎 100%，敏感性为 79%，这意味着它倾向于少分割目标血管对象 。从视觉评估来看，输入动脉分割的命中目标率（即 Dice>0）达到 98%。
- 动脉输入函数：将 perfDSA 的 IA 分割模块提取的 AIF 曲线与手动标注掩模提取的 AIF 曲线对比发现，两者相关性极高，皮尔逊相关系数（Pearson Correlation Coefficient，PCC）达到 0.99 ，均方根误差（Root Mean Squared Error，RMSE）仅为 0.01 ，对应的灰度级差异在 255 级中只有 2.55 级，几乎难以区分。
- 运行时间：在实际应用效率上，perfDSA 表现优异。在 NVIDIA 2080 Ti GPU 上，自动提取 AIF 平均仅需 0.004 秒；在 AMD Ryzen Threadripper 1920X 12 核 CPU 上，生成所有基于去卷积的灌注参数图像大约只需 1 秒，这为临床实践中的及时治疗评估和决策提供了有力支持。
- 灌注参数成像：perfDSA 生成的基于去卷积的灌注参数图像，以彩色编码的方式在二维图像中直观呈现了血流和灌注动态的各个方面。医生可以根据感兴趣的解剖区域，轻松计算平均灌注参数。
- 定量灌注血管造影与中风功能结局的关联：通过对 560 例成功进行血管内血栓切除术的中风患者 DSA 图像分析，研究人员从颈内动脉（ICA）和大脑中动脉（Middle Cerebral Artery，MCA）区域提取平均 CBV、CBF、MTT 和 Tmax 等参数，并进行逻辑回归分析。结果显示，perfDSA 能够区分良好和不良的功能结局，受试者工作特征曲线下面积（Area Under the Curve，AUC）为 0.63 。其中，CBF 和 Tmax 与良好的功能结局显著相关（P<0.05）。
在研究结论和讨论部分，perfDSA 的优势明显。基于 UNet 的 AIF 提取模块对颈内动脉床突上段的分割是深度学习在该领域的初步探索，虽然 Dice 系数看似中等，但定性评估显示分割结果质量高。考虑到目标段体积小和手动标注的不确定性，这样的表现颇具竞争力 。而且，几乎为零的假阳性率对准确提取 AIF 至关重要。后续研究可以探索使用 nnUNet、CAVE 等更先进的分割模型进一步优化 perfDSA 。此外，perfDSA 能够自动生成灌注参数图像，不过目前这些参数的定量准确性尚未完全得到证实，未来需要在同一患者队列中，验证 DSA-derived 参数与磁共振血管造影（Magnetic Resonance Angiography，MRA）获取的参数之间的关系。同时，在 MR CLEAN Registry 部分数据上的实验结果，已经凸显了 perfDSA 挖掘图像潜在信息的能力，后续应在大规模临床研究中进一步探索这些发现。
总的来说，perfDSA 为脑血管造影灌注成像带来了全新的自动化定量分析方法，为脑血管疾病的诊疗提供了有力的工具。它有望推动脑血管介入治疗决策的优化，促进新型定量生物标志物的发现，为临床实践开辟新的路径，具有重大的科学意义和临床应用价值。
