基于深度学习的颈动脉磁共振血管成像预测脑白质高信号负荷研究

这篇综述创新性地利用深度学习技术，通过常规颈动脉时间飞跃法磁共振血管成像（TOF MRA）实现了脑白质高信号（WMH）的自动化预测。研究构建了简单全卷积网络（SFCN）和医学切片Transformer（MST）等模型，在二元分类（AUC 0.874）和三分类任务中均表现优异，并通过显著性映射证实模型关注颈动脉分叉区等关键血管特征，为无创性脑血管风险评估提供了新思路。

　　

1 引言

脑小血管病（cSVD）是导致卒中和痴呆的重要病因，其影像标志物白质高信号（WMH）在T2加权MRI上表现为脑室周围高信号。传统WMH评估依赖脑部MRI，而本研究另辟蹊径，探索颈动脉TOF MRA这一常规血管成像技术的预测价值。颈内动脉供应75%脑血流，既往研究发现颈动脉直径增大、内膜增厚与WMH负荷相关，但尚未有研究直接基于原始图像进行端到端预测。

2 材料与方法

研究纳入1,105例接受3.0T MRI检查的受试者，排除明显脑血管病变者。采用改良Fazekas量表对WMH进行视觉分级（0-3级），组间一致性达0.879。图像预处理包括各向同性重采样（1.0×1.0×1.0 mm³）和以颈动脉分叉为中心的裁剪（112×84×112体素）。

模型架构方面，对比了轻量化3D CNN（SFCN、ResNet10、MedicalNet）与基于DINOv2预训练的医学切片Transformer（MST）。SFCN仅含卷积块而无全连接层，MST则通过切片级注意力机制捕捉血管连续性。采用加权交叉熵损失函数应对类别不平衡，优化器选用AdamW，学习率根据模型类型调整（1×10^-5至5×10^-4）。

3 结果

在二元分类（0级 vs 1-3级）中，SFCN表现最优（准确率76.5%，AUC 0.874），MST紧随其后。三分类任务（0/1/2-3级）中SFCN仍领先（准确率63.5%，AUC 0.827），错误多发生于相邻级别。显著性分析显示，模型注意力集中于颈总动脉分叉处及颈内动脉（ICA），ICA/ECA激活比达1.3-3.5。遮挡实验证实，干扰颈动脉区域会使预测概率显著下降（SFCN尤为明显）。

4 讨论

该研究首次证明颈动脉TOF MRA可独立预测WMH负荷。模型关注的血管特征与既往发现的形态学关联（如血管迂曲度）和血流动力学机制（脉动传输增强）相吻合。在无显著狭窄个体中，模型仍能捕捉亚临床血管改变，提示其可能发现新的影像标志物。相比传统WMH分割工具（如Lesion Segmentation Tool），该方法摆脱了对脑部MRI的依赖，在仅行颈动脉检查的场景中更具实用性。

5 结论

深度学习能从颈动脉TOF MRA中提取与WMH相关的血管特征，最佳模型SFCN在二元和三分类任务中AUC分别达0.874和0.827。该方法为脑血管风险筛查提供了无创、高效的补充手段，未来需通过多中心验证进一步优化泛化能力。