基于CT扫描的儿童头围自动测量方法开发及其在头颅异常诊断中的应用

针对传统头围(HC)手工测量存在主观误差和回顾性研究受限的问题，研究人员开发了基于CT轴向切片的自动化头围测量算法。该研究在74例儿童(8.5±14.1个月)CT数据中验证显示，与专家手工测量具有高度一致性(ICC[2,k]=0.99)和相关性(r=0.988)，为头颅异常筛查和生长曲线研究提供了可靠工具。

　　

在儿科临床实践中，头围(Head Circumference, HC)测量是评估神经发育的重要指标，异常HC值(≤?2或≥2个标准差)与智力迟缓、癫痫等神经系统疾病密切相关。然而传统的手工测量存在诸多局限：测量结果易受操作者经验、头部位置和测量工具影响，不同测量者间差异可达1cm以上；更棘手的是，对于已完成的影像学检查，当临床需要回顾性分析头围数据时，手工测量根本无法实施。

针对这些临床痛点，来自巴西的研究团队在《Neuroscience Informatics》发表了创新性解决方案。研究人员开发了一套基于CT扫描的自动化头围测量算法，该技术仅需常规获取的轴向CT切片，通过智能识别头部最大外缘轮廓实现精准测量。研究团队从四家医疗机构收集了74例儿童(年龄范围0天-4.55岁)的头颅CT数据，包含正常头围、小头畸形(≤?2SD)和巨头畸形(≥2SD)三种表型，以模拟真实临床场景的复杂性。

关键技术包括：1)使用SimpleITK库进行头部三维对齐；2)采用-150HU阈值提取头部轮廓；3)通过迭代优化选择最大周长切片；4)与两名神经放射科医师的手工测量及临床卷尺测量进行多维度验证。特别值得注意的是，算法处理每张切片仅需0.57秒，在普通计算机上即可高效运行。

【研究结果】

1. 重复性验证：三次重复测量显示高度一致性(ICC[2,1]=1)，变异系数仅0.34%，证明算法稳定性。
2. 放射学验证：与两位神经放射科医师测量相比，平均绝对误差为0.96-0.99cm，相关性达0.986-0.990。
3. 临床验证：与卷尺测量相比存在1.26cm系统偏差，但仍在WHO标准允许范围内(1.23cm)。
4. 特殊病例：算法成功识别出被放射科医师误判为巨头畸形的脑室扩大病例，展现客观优势。

讨论部分指出，该研究的创新价值在于：首次建立了开放源代码的CT头围自动测量流程，解决了传统方法在回顾性研究中的不可行性；算法在包含皮肤结构的测量中表现优异，而此前研究多局限于颅骨测量；虽然CT检查不应替代常规测量，但对已存在CT影像的病例，该方法可提供重要补充数据。

值得关注的是，该方法为建立区域性生长曲线提供了标准化工具，尤其适用于WHO标准不适用的族群。未来研究可扩大样本量，特别是在异常头围病例中进一步验证。正如作者强调，这项技术不仅适用于临床评估，更能为罕见病研究和流行病学调查提供可靠量化工具，展现出广阔的转化医学前景。