深度学习管道LUMEN：基于7T TOF-MRI的脑豆纹动脉三维形态学分析新工具

本研究针对脑小血管病(CSVD)中豆纹动脉(LSA)形态学分析的临床难题，开发了基于深度学习的半自动化管道LUMEN，通过优化DS6模型实现7T TOF-MRA图像中LSA的精准分割（Dice评分0.814），并首次实现对比增强影像的3D形态量化。该工具克服传统2D MIP分析的局限性，为CSVD病理机制研究提供新维度。

　　

在脑血管疾病研究中，豆纹动脉(LSA)作为深部脑组织的主要供血通道，其形态改变与脑小血管病(CSVD)密切相关。然而，这些直径仅0.10-1.28mm的微小血管，在常规1.5T或3T磁共振血管成像(TOF-MRA)中难以清晰显示。尽管7T超高场强MRI显著提升了分辨率，但传统依赖二维最大密度投影(MIP)的手工分析方法存在严重局限——血管交叉伪影、信号丢失、以及耗时费力的人工操作（单例标注需10小时），严重制约了CSVD研究的深入。

剑桥大学7T脑小血管病研究团队(CamSVD)开发的LUMEN管道，创新性地整合深度学习与半自动化处理流程。研究首先在15例受试者的LSA区域ROI内，对比优化了三种分割算法：改进的DS6模型（融入多级监督和弹性形变一致性学习）、自配置nnU-Net和基于Frangi滤波的MSFDF经典方法。结果显示，经Dropout微调的DS6模型表现最优，测试集Dice评分达0.814±0.029，灵敏度0.863±0.045，尤其擅长检测弱信号分支。随后在69例验证队列中，通过3D Slicer交互平台实现LSA中心线提取，量化分支数（23.5±8.5/例）、长度（26.4±3.5mm）、迂曲度（1.5±0.1）等参数。与传统2D MIP分析相比，3D方法检测到更多分支（11.8 vs 6.2/半球），且最长分支长度(r=0.71)和迂曲度(r=0.52)的相关性分析揭示MIP会低估真实三维形态。

关键技术包括：(1)采用对比增强7T TOF-MRA（0.1mmol/kg Gadobutrol）提升信噪比；(2)基于CamSVD队列的6:3:6数据集划分；(3)ANTs软件实现影像配准；(4)SlicerVMTK模块提取中心线。

【血管分割】DS6模型通过64³分块策略和16-16-8滑动步长，在NVIDIA A100 GPU上8分钟完成全脑分割，其灵敏度显著优于nnU-Net(p<0.001)和MSFDF(p=0.001)。【LSA量化】基底节ROI内分支分析显示，3D长度(38.55±5.54mm)较2D结果(32.62±5.31mm)系统性偏高，证实MIP会遗漏空间弯曲（如Supplementary Figure 8所示矢状面迂曲）。【方法学对比】典型病例中，3D分析纠正了19%的2D误判（如Supplementary Figure 7中将脉络膜前动脉误判为LSA）。

这项发表于《NeuroImage》的研究，首次建立了针对CSVD患者的LSA全自动分割-半自动量化工作流。其核心价值在于：(1)突破性地将对比增强7T影像纳入分析框架，解决老年患者图像质量差的痛点；(2)通过开源实现（GitHub/huggingface模型）促进方法标准化；(3)揭示传统2D方法会系统性低估分支复杂程度，为后续CSVD生物标志物研究奠定技术基础。未来通过集成Transformer模型和连通性优化算法，有望实现完全自动化分析，推动LSA形态学在精准医疗中的应用。