基于卷积神经网络（CNN）的脑内海绵状血管瘤（CCMs）自动分割模型研究及其在伽玛刀（GK）治疗规划中的应用

为解决脑内海绵状血管瘤（CCMs）手动分割效率低、结果依赖经验的问题，台北荣民总医院团队开发了一种结合Mask R-CNN和DeepMedic的深度学习模型。该模型仅需T2W MRI图像即可实现CCMs的自动分割，平均Dice系数达0.741±0.028，且在Zabramski分型中表现稳定。研究为伽玛刀（GK）治疗规划提供了标准化工具，发表于《BMC Medical Imaging》，推动临床精准医疗发展。

　　

脑内海绵状血管瘤（Cerebral Cavernous Malformations, CCMs）是一种占脑血管畸形10%-15%的常见病变，其特点是MRI影像上因反复微出血导致的含铁血黄素沉积。尽管CCMs可能引发癫痫（年发生率1.5%-2.4%），但传统手动分割方法效率低下且结果高度依赖操作者经验。随着深度学习技术的发展，卷积神经网络（CNN）在脑病变分割中展现出潜力，但CCMs的影像异质性使得自动化分割仍具挑战性。

为解决这一问题，台北荣民总医院的研究团队开发了一种基于深度学习的CCMs自动分割模型。该研究利用199例伽玛刀（Gamma Knife, GK）治疗规划数据（含247个CCMs病灶），结合Mask R-CNN进行脑实质提取和DeepMedic进行3D分割，最终模型仅需T2W图像即可实现平均Dice系数0.741±0.028的分割性能，且在Zabramski分型I-III类中表现一致。相关成果发表于《BMC Medical Imaging》，为临床提供了高效、标准化的分割工具。

关键技术方法包括：1）使用Mask R-CNN从T2W图像中提取脑实质（5折交叉验证Dice系数0.956±0.002）；2）采用DeepMedic进行多尺度3D CNN分割，通过双通道设计处理不同分辨率特征；3）数据增强策略（随机旋转±45°、缩放0.9-1.1倍）提升模型泛化能力；4）基于192例患者（含25例多病灶）的MRI数据训练，病灶体积范围0.046-19.421 ml。

研究结果
脑实质提取：Mask R-CNN模型在测试集达到Dice系数0.968，精确度0.993，召回率0.944，有效去除颅骨信号干扰。
CCMs分割：仅使用T2W图像的模型性能（Dice 0.741）与联合T1WIC图像无显著差异（p=0.084），简化了临床操作流程。
Zabramski分型分析：模型在I-III类病灶中Dice系数稳定（0.740-0.743），但IV类因样本过少（n=2）表现较差（Dice 0.361），反映罕见亚型的识别挑战。

结论与意义
该研究首次实现CCMs的端到端自动分割，其创新性在于：1）验证了T2W单一模态的适用性，降低临床数据采集复杂度；2）在深部小病灶（如脑stem）和复杂解剖区域仍保持较高分割一致性；3）开发的用户友好界面可直接整合至GK治疗规划系统。局限性在于对多发病灶（仅占14%）和Zabramski IV型的泛化能力不足，未来需扩大数据集优化模型。这项工作为血管畸形的智能化诊疗提供了重要技术支撑，推动放射外科向精准化、标准化迈进。