综述：脑小血管病病灶分割方法的系统性回顾

本综述系统回顾了近10年脑小血管病（CSVD）影像标志物（包括白质高信号（WMH）、脑微出血（CMB）、血管周围间隙（PVS）、腔隙及近期小皮质下梗死（RSSI））的自动分割方法，重点评估了各工具的有效性、验证情况及可用性，为相关研究者提供了实用的“现成”解决方案选择指南。

　　

背景

血管性疾病和功能障碍是导致中风和其他形式脑损伤的主要原因，同时也是痴呆的第二大常见病因。脑小血管病（Cerebral Small Vessel Disease, CSVD）被定义为小动脉、毛细血管和小静脉的疾病，尤其常见于老年人，是血管性痴呆风险的重要基础。这些疾病可在磁共振成像（Magnetic Resonance Imaging, MRI）上引发多种类型的脑损伤，包括推测为血管起源的白质高信号（White Matter Hyperintensities, WMH）、血管周围间隙（Perivascular Spaces, PVS）、脑微出血（Cerebral Microbleeds, CMB）、推测为血管起源的腔隙（lacunes）以及近期小皮质下梗死（Recent Small Subcortical Infarcts, RSSI）。为促进对痴呆病例、预防和治疗的研究，利用MRI识别和分割这些病灶引起了广泛关注。

机器学习的快速发展为更高效、准确地识别和分割放射学病灶提供了前所未有的机遇。在CSVD引发的各种病灶中，WMH目前受到了最多的关注。然而，无论是监督学习（即训练时需要手动分割作为参考）、无监督学习（即无真实标签，例如结合解剖学知识使用聚类方法来识别模式）、弱监督学习（即使用不完整或不精确的标签进行训练）还是基于规则的方法（即基于图像特征使用预定义的规则或阈值），精确分割都面临重要挑战。CSVD病灶类型（如WMH）具有边界不清、患者间负荷差异大、共病病理可能混淆评估结果，以及不同扫描设备和站点间对比度和图像质量可能存在显著差异等特点。然而，临床需要进行多中心研究和临床试验，这最终带来了假阳性和假阴性的风险。此外，信号强度和空间分布因特定疾病或神经系统状况而异，这意味着在一种情境下开发的方法（例如识别多发性硬化症患者白质病变）在应用于其他情境（如推测为血管起源的WMH）时需要经过验证。

鉴于这些挑战，了解哪些分割工具对CSVD分割有效及其有效程度至关重要。这一需求日益增长，因为MRI成像正越来越多地被纳入流行病学研究和临床试验，并且大型MRI数据库（如UK Biobank和阿尔茨海默病神经影像倡议（Alzheimer’s Disease Neuroimaging Initiative, ADNI））可供进行二次分析。虽然一些研究者希望推导并验证针对其自身数据集的内部细分方法，但其他人正在寻找“现成的”解决方案。先前的系统性综述大多侧重于方法的进展，而有效性和对研究界的可及性往往是次要考虑因素。因此，我们认为有必要对CSVD的分割方法进行系统性综述，主要强调工具的有效性、其推导和在适当人群中的验证，以及其对更广泛研究界的可用性。本综述的目的是识别用于WMH、PVS、CMB、腔隙和RSSI的分割工具，总结其有效性以及研究界下载和使用的可用性。

方法

本综述根据系统综述和Meta分析的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）进行。本研究中使用的所有数据均包含在本文和随附的附录B中。

文献检索于2023年12月21日和2024年9月19日在MEDLINE/PubMed和Web of Science两个数据库中进行。检索词是从已识别的关键文章中提取，并咨询了相应的MeSH标题。每个数据库的详细检索策略见附录A。

纳入标准包括：研究包含对一种或多种推测为血管起源的病灶（WMH、腔隙、CMB、PVS、皮质表面铁沉积、皮质脑微梗死、RSSI）从人脑MR图像进行分割的方法的呈现和验证；针对参考标准评估了分割准确性；提供了足够的信息以复制或应用分割方法；研究针对人类；研究人群年龄足够大，有CSVD风险；研究以英文发表在同行评审期刊上，且在首次检索之日起10年内（即2013年12月20日或之后）。

排除标准包括：研究重点在于MR研究的预处理；输出是对患者进行分类（例如预测哪些患者存在病灶）而不是分割病灶；研究人群是人类但进行了离体成像。

由训练有素的评审员团队使用Covidence?软件独立审查和筛选标题和摘要，每篇标题和摘要至少由两名评审员审查。随后独立进行全文审查，每篇文本至少由两名评审员审查。所有冲突通过共识评审解决。

数据提取由一名评审员完成，并至少由第二名评审员检查。提取的信息包括用于分割的方法、使用的MRI扫描仪、与参考标准（通常是手动分割）相比的分割有效性、预处理要求（是/否）、分割工具依赖性、设置和处理扫描的时间以及其他研究人员使用的可用性。我们特别寻找了所提出的分割方法与参考标准相比的敏感性（True Positive Ratio, TPR）、特异性、准确性、Dice相似系数（Dice Similarity Coefficient, DSC）、假阴性率（False Negative Ratio, FNR）、假阳性率（False Positive Ratio, FPR）、F1分数、精确度、召回率、平均每受试者假阳性数、95^th百分位Hausdorff距离（HD95）、平均体积距离（Average Volume Distance, AVD）和其他指定性能指标的信息。

方法学质量使用放射组学方法学质量评分（METhodological RadiomICs Score, METRICS）进行评估。METRICS是通过修改的Delphi协议制定的，由一个由来自19个国家的59名专家组成的大型国际小组来选择和排名项目和类别，最终形成9个类别中的30个项目，按重要性降序排列：研究设计、成像数据、图像处理和特征提取、度量和比较、测试、特征处理、建模准备、分割和开放科学。评分由两名独立评审员进行，对未匹配相同类别（例如优秀与良好）的分数进行共识评审。

结果

在去除768篇重复文献后，搜索共找到1996篇论文。经过筛选，共有338项研究进行了全文审查，其中249篇被排除，剩下89篇论文供审查。全文阶段最常见的排除原因是论文描述了在应用研究中使用先前发布的工具。在纳入的论文中，59篇分割了WMH，23篇检测和分类了CMB，6篇分割了PVS，5篇检测、分类或分割了腔隙，2篇除了腔隙外还分割了RSSI（注意：分割多种病灶类型的论文被计入多个类别）。没有找到描述皮质表面铁沉积或皮质脑微梗死分割的出版物。完整的提取表见附录B。

使用METRICS评估的方法学质量，35/89（39%）为优秀（得分80-100），52/89（58%）为良好（得分60-80），2/89（3%）为中等（得分40-60）。描述PVS和腔隙检测/分割的研究通常质量较差：PVS只有1/6得分优秀，腔隙只有1/5得分优秀。由于综述的选择标准，所有纳入的研究都必须具有高质量的参考标准、清晰的分割方法描述、正式评估、透明报告和校准评估。

在纳入的89项研究中，有30项（23项针对WMH，5项针对CMB，1项针对PVS，1项针对腔隙）包含了下载可执行代码或模型的链接。对于WMH，有五个模型可作为工具箱、软件或管道使用，两个在FSL中可用。另外11项研究提供了用于Python实现的代码，其中五个还提供了预训练模型，四个提供了Docker镜像。两项研究仅提供了Docker镜像，一项研究仅提供了预训练模型。一个模型仅可商业购买，另一个需要另一个商业产品的结果才能运行；其余则无法下载或为商业产品。对于CMB，所有五项研究都包含指向公开可用源代码的链接，具有完整的Python实现，其中三项包括预训练模型。对于PVS，有一个训练好的模型可用；对于腔隙，一项研究的源代码可用。

白质高信号分割

共有59项研究符合纳入标准，并描述了分割推测为血管起源的WMH的新方法。大多数研究在本地参与者队列上训练和测试其分割工具。然而，继2017年与MICCAI联合组织的WMH分割挑战赛之后，许多（23/42）在2018年或之后发表的研究利用挑战赛中可用的全部或部分数据集来训练、测试或同时进行两者。MICCAI训练数据集包括来自三个扫描仪的60个T1和液体衰减反转恢复（Fluid Attenuated Inversion Recovery, FLAIR）图像，并带有WMH的二进制掩码手动注释；测试数据集包括来自五个不同扫描仪的110个图像，其中三个也用于训练数据集。

T1和FLAIR被用作35/59项研究的模型输入，而14项研究单独使用FLAIR，其余10项研究结合FLAIR包含了其他序列。大多数研究使用监督机器学习方法（n=45），而一项使用半监督方法（结合标记和未标记的训练数据），一项使用结合无监督和监督技术的混合方法，三项结合监督和基于规则的方法，三项结合无监督和基于规则的方法，两项依赖基于规则的算法，四项使用无监督方法。基于规则和无监督的方法使用各种算法，根据强度和纹理的直方图信息将WMH与正常白质进行分类。监督方法包括随机森林、回归、k近邻（k-Nearest Neighbor, k-NN）、支持向量机（Support Vector Machine, SVM）以及基于U-Net架构的2D、2.5D和3D卷积神经网络（Convolutional Neural Network, CNN）。

使用了多种方法来确定准确性。最常用的度量是DSC，许多还报告了MICCAI 2017 WMH挑战赛中概述的指标，包括敏感性（TPR）、Hausdorff距离（修正版，95^th百分位 - HD95）、平均体积距离（AVD）和F1分数。在报告DSC的研究中，平均值为0.74，范围从0.46到0.95。2017年MICCAI WMH分割挑战赛的冠军sysu_media实现了DSC为0.80，TPR为84%，HD95为6.3 mm，AVD为22%，F1分数为0.76。一些后来报告的方法在相同数据集上训练时表现出与sysu_media相似或改进的性能。

一些研究将其方法与其它公开可用的WMH分割工具进行了比较。用于此目的最常见的比较器是两个病变分割工具（Lesion Segmentation Tool, LST）算法——病变生长算法（Lesion Growth Algorithm, LGA）和病变预测算法（Lesion Prediction Algorithm, LPA）——以及用于UK Biobank数据集的脑强度异常分类算法（Brain Intensity AbNormality Classification Algorithm, BIANCA）。

此外，四项研究在同一数据集内比较了不同的机器学习方法。研究发现随机森林的性能优于SVM，两者均显示出比LGA更高的性能。比较了三种不同神经退行性队列中WMH分割的十种分类技术，发现随机森林具有最高的性能。比较了2D CNN架构的配置，发现整合空间位置特征的CNN显著优于那些不整合的，并且多尺度晚期融合配置具有最高的性能。比较了U-Net、LinkNet和特征金字塔网络（Feature-Pyramid Network, FPN）变体中的四种特征提取架构（VGG16、VGG19、ResNet152、EfficientNetB0），结论是对于WMH分割，在U-Net、LinkNet和FPN变体中，使用VGG16或VGG19的2.5D实现最合适。

脑微出血检测

共有23项研究符合纳入标准，并描述了检测CMB的新方法。在CMB的背景下，分割指的是病变计数和位置（检测），而不是体积分割，因为T2*上的信号由于开花效应与病变体积的关系很差。一个包含20个具有CMB地面实况分割的Susceptibility Weighted Imaging (SWI)图像的子集是公开可用的，并被七项纳入研究使用。来自的高分辨率和低分辨率数据集先前也是公开可用的，并被两项后续研究使用，但现在受到限制。

大多数研究（14/23）使用SWI（结合梯度回波（Gradient Echo, GRE）幅度和相位）图像训练和测试其方法。三项研究仅使用T2* GRE幅度图像训练和测试其模型，而另外两项使用GRE幅度或SWI作为输入，以提高模型在具有各种序列的多中心研究中的适用性。两项研究同时使用SWI及其互补相位图像作为双通道输入，以提高检测性能。比较了仅SWI、SWI和定量磁化率成像（Quantitative Susceptibility Mapping, QSM）、SWI和T2、以及SWI、QSM和T2的输入，发现SWI和QSM给出的性能最高。只有一项纳入研究将QSM作为唯一输入。

十五项研究使用监督学习技术，六项研究使用混合监督和基于规则的方法，一项研究使用结合无监督、监督和基于规则的方法，一项研究使用无监督的基于规则的方法。唯一采用无监督基于规则方法的研究使用了Canny边缘检测和圆形Hough变换，他们称之为MAGIC。虽然能够实现高灵敏度（称为TPR），达到92-95%，并且平均每受试者假阳性数<20（对于GRE幅度或SWI输入），但精确度（也称为阳性预测值[Positive Predictive Value, PPV]）仅为7-11%。其他研究主要使用监督网络，通常采用两阶段策略，第一阶段检测类似CMB的候选者，第二阶段分类去除假阳性（False Positives, FP），混合方法使用基于规则的算法进行初始候选选择。

报告检测准确性的最常用指标是TPR、PPV和平均每扫描/受试者假阳性数（FP_avg）。平均TPR为89.5%，范围从66.9%到99.9%。平均PPV为70.6%，范围从11%到98.9%。FP_avg的范围为每受试者0.24到56个假阳性。

血管周围间隙检测与分割

共有六项研究符合纳入标准，并描述了分割和检测PVS的新方法。我们没有找到用于分割算法开发和测试的公开可用注释数据集。

两项纳入研究在T2图像上评估了他们的模型。其他研究使用了T1图像；T1、T2/PD和FLAIR；T1和FLAIR；或T1和T2-TSE。三项纳入研究利用了基于监督深度学习的方法，一项使用了弱监督（使用全局标签而非局部标签进行优化）方法，另外两项使用了基于规则的方法。所有纳入研究都提供了PVS计数，而两项另外描述了与体积输出的相关性。

一项研究使用了多序列强度建模和形态约束算法，考虑了宽度、体积、线性度和位置等参数，命名为基于MR成像的多模态自动识别PVS（mMAPS）。与在单个切片的一个半球上手动计数PVS进行验证相比，他们发现与自动计数和分割体积有良好的相关性。类似地使用形态约束算法，但将其与T1体素强度不均匀性评估配对，仅使用T1和FLAIR数据，无需T2/PD，实现了自动计数与手动计数的良好相关性。实施并比较了五种机器学习方法，并提出全局池化（Global Pooling, GP）-Unet，一种使用全局回归目标计算注意力图的弱监督方法，具有最高的准确性。当在从鹿特丹研究收集的2202个扫描的大脑数据集上进行测试时，实现了平均62%的TPR（基于正确识别的病变计数），每扫描2.33个假阳性。然而，人类专家评审员的事后审查表明，许多所谓的“假阳性”可能是人类评审员遗漏的PVS，这突出了在地面实况受评分者内部不可靠性影响时训练模型的挑战。开发的基于k-NN的方法从7.0 T的3D T2-TSE扫描中输出半卵圆中心PVS的计数、长度和曲折度。他们在单个示例切片上针对手动注释的PVS体素实现了0.62的DSC，但该方法对于在较低场强下获得的2D T2的适用性不确定，预计PVS在此条件下对比度较低。开发了一个多中心PVS分割网络（mcPVS-Net），该网络在多个ADNI3站点从T1图像中分割PVS。在测试数据集中，基于正确识别的体素，mcPVS-Net实现了0.80的DSC、79%的TPR和81%的PPV，而先前开发的来自Boutinaud等人的公开可用方法在同一数据集中实现了平均0.51的DSC、52%的TPR和54%的PPV。一项2D VB-Net由Zhang等人验证用于PVS以及其他CSVD病变的分割，并报告了高性能（在具有腔隙性脑梗死和对照组的研究人群中，PVS定量的TPR为97%，PPV为92%）。

腔隙和近期小皮质下梗死检测与分割

共有五项研究符合分割腔隙和RSSI的纳入标准。RSSI在扩散加权成像（Diffusion Weighted Imaging, DWI）上表现为高信号病变，存在于小穿透动脉供血区域。只有急性和亚急性梗死在DWI上呈高信号。腔隙在FLAIR图像上表现为中央脑脊液样低信号，通常环绕一个高信号边缘。没有研究提供公开可用注释数据集的证据。

结合了基于规则的算法和监督SVM来检测候选腔隙病变，以供人类读者后续审查。该研究改进了他们先前发布的方法，通过应用特征空间模板匹配来减少FP，并与先前的方法相比成功消除了34.1%的FP，实现了96.8%的TPR和每切片0.47个FP。其他研究使用了监督方法。提出了一种新颖的两阶段基于CNN的方法，并在由来自两项不同研究的1075个病例组成的大型数据集上进行了训练和测试。利用全卷积网络（Fully Convolutional Network, FCN）进行第一阶段以减少候选病变的数量，然后使用计算量更大的3D CNN将假阳性减少到每切片0.13个，报告TPR为97.4%。开发了一种半自动3D ResNet分类器，通过利用多尺度解剖位置数据利用上下文信息来区分真性腔隙和腔隙模拟物，实现了96%的TPR、91%的PPV、91%的特异性、94%的准确性和每受试者1.32个FP。然而，该方法需要用户输入潜在的腔隙候选者。

五项研究中的两项还描述了同时分割其他CSVD病变以及腔隙。结合了四个基于U-Net架构的分割器网络，使用来自T1、T2*、FLAIR和DWI的信息来分割WMH、CMB、腔隙和RSSI。生成的WMH掩码从腔隙和RSSI掩码中减去，并且腔隙掩码进一步从RSSI掩码中减去以减少FP。报告腔隙的DSC为0.496，RSSI的DSC为0.728。提出的2D VB-Net被验证用于WMH、CMB、腔隙、RSSI和PVS的分割，但将每个病变视为单独的任务，没有报告使用特定序列相减来提高准确性。报告腔隙检测的TPR为33%，PPV为43%，RSSI的分割报告为完美（DSC 1.0，TPR和PPV为100%）。

讨论

视觉识别的CSVD病变，如WMH、CMB、PVS和腔隙，是中风和痴呆风险的强预测因子，独立于血管风险因素。病变通常被分类为存在或不存在、计数或按严重程度分级为有限数量的类别（例如，Fazekas量表，扩大的PVS评级量表）。视觉审查有多个缺点，包括缺乏粒度、审查所需的时间以及由不完美的评分者间和评分者内一致性引入的不精确性。这些限制可以通过机器学习来解决，机器学习可以提高效率（取决于预处理和管理分析管道所需的劳动量）和量化病变体积的精确度，而不会受到人类评分者不一致的影响（尽管跨扫描仪类型和计算环境的可靠性仍需考虑）。机器学习实现的精确量化应提供更大的统计效力来识别风险因素和检测随时间的变化，这是规划干预措施以防止CSVD进展的临床试验所需要的。然而，为了广泛采用定量机器学习，需要分割方法准确、在不同扫描仪间稳健，并且可供多个研究小组下载和使用。

在本系统性综述中，我们识别了89种新工具（59种用于WMH，23种用于CMB，6种用于PVS，5种用于腔隙，2种用于RSSI），这些工具在过去10年中提出，并在被诊断患有或有CSVD风险的人群（老年人或认知障碍患者）中进行了验证。在这些工具中，有30种（23种用于WMH，5种用于CMB，1种用于PVS，1种用于腔隙）作者提供了下载使用的链接，包括一种商业工具和一种依赖商业工具进行预处理的工具。它们易用性的程度各不相同——大多数提供了用于Python实现的代码，而10种（6种用于WMH，3种用于CMB，1种用于PVS）提供了预训练模型，7种提供了用于WMH分割的Docker镜像，两种在FSL中可用，6种提供了用于WMH分割的完全可实现的工具箱、软件或管道。Docker镜像是包含运行软件所需一切内容的包，可以在不同系统上一致地运行，并且由于其可重复性而成为共享和运行代码的广泛采用的标准。共享的最佳实践包括Docker镜像和源代码，以实现定制。在所有符合条件的研究中，测试的指标各不相同，WMH方法最常测量DSC，其他病变类型最常测量敏感性。总的来说，我们发现大多数工具相对于手动或手动校正的分割或病变计数的参考标准报告了良好到优秀的准确性。同样，我们发现使用METRICS测量的纳入研究的质量从良好到优秀。

我们发现WMH的研究远远多于其他病变类型，这表明分割WMH可能是当前机器学习方法中最易处理的问题。此外，因为WMH比其他CSVD病变类型更常见（可能除了PVS），所以有更多的WMH数据可用，包括几个可下载的注释数据集。所有研究的平均DSC为0.74，这可以被认为是良好到优秀，特别是考虑到许多单个WMH病变很小且边界模糊，因此比例如肿瘤或大范围急性缺血性中风更难分割。

我们的综述侧重于开发和验证新分割方法的研究，而不是比较研究。然而，一些在外部数据集中比较WMH分割方法的比较研究开始出现。LST和BIANCA似乎是最常见的比较器。LST实现了两种算法：一种病变生长算法（LGA），这是一种无监督的基于强度的方法，需要T1图像和FLAIR；以及一种病变预测算法（LPA），基于先前在多发性硬化症（Multiple Sclerosis, MS）数据集上训练的回归分类器。虽然LST是在MS患者中开发的，因此不符合我们系统评价的资格标准，但据报道它在CSVD患者中也产生准确的分割，即使血管病变表现出不同的负荷、形态和分布，并且通常比MS病变的边界更不清晰。BIANCA基于k-NN，该方法在两个不同的数据集上进行了优化：一个主要是神经退行性数据集，另一个主要是血管数据集（血管队列的结果显示在表3中）。BIANCA中有多个选项可用，包括应用多模态MRI的灵活性，以及应用空间加权和/或用于局部强度平均的“补丁”选项。BIANCA在FSL中可用，但在应用从新扫描仪或协议获取的数据时需要手动标记的训练数据集。BIANCA也经过外部测试并发现产生有效结果，包括对分割广泛WMH的优化和验证。一项基于临床的研究发现，LST-LPA和BIANCA比LST-LGA和SAMSEG（作为FreeSurfer的一部分提供，为MS病变分割开发）具有更高的DSC。一项对老年人便利样本的研究发现，在使用3D FLAIR时BIANCA具有最高的DSC，但在2D FLAIR上与UBO检测器具有相似的DSC。一项基于人群的研究表明，LST-LPA和LST-LGA比BIANCA更容易使用，并且在具有心血管风险因素的老年人中具有更高的DSC。一项使用ADNI数据库的研究发现，排名前三的方法是LPA、SLS（MS病变分割工具箱）和BIANCA，它们具有基本相同的性能。最后，一项对血管性认知障碍受试者的多中心研究发现，kNN-TTP、LST-LGA和LST-LPA与Cascade和Lesion-TOADS相比具有最高的DSC。因此，虽然迄今为止的比较研究并不支持单一明显优越的方法，并且测试的方法数量有限，但它们确定有几个有效的选项供用户选择。未来的比较研究应侧重于当前最先进的方法（例如TrUE-Net、HyperMapp3r）作为基准，并与传统工具（如LST和BIANCA）进行比较。

其他CSVD病变类型的分割方法迄今为止受到的关注少于WMH。最近在MICCAI 2021举办的Where is VALDO?（VAscular Lesions Detection and segmentatiOn）挑战赛代表了一项努力，以引起对其他病变类型的更多关注，并有12个团队参与了开发用于PVS（4个团队）、CMB（9个团队）和腔隙（6个团队）分割的自动化方法，除一个团队外，所有团队都利用了深度学习。12个参与团队中有11个公开了他们的Docker容器；然而，本综述中未识别出这些方法的出版物。继WMH之后，第二大研究组是针对CMB的研究，其中5个使其算法或代码可供其他研究小组使用。对于大多数这些研究，目的是以高灵敏度识别可能的CMB，有意牺牲精确度。例如，一种方法每识别一个真阳性大约有9个假阳性。因此，在许多情况下，这些方法需要视觉审查以进行确认，并通过编辑去除假阳性。即使如此，这些方法也可以通过让人类评分者专注于有限的可能CMB子集，而不必审查图像中的每个磁敏伪影，来显著减轻视觉评分的负担。

与WMH类似，PVS通常在老年人群的MRI上一定程度可见，并且在视觉评级量表中较高级别与CSVD相关。然而，我们发现的在代表性数据集上验证的PVS测量机器学习方法要少得多。值得注意的是，48项研究中有42项在全文审查中被排除，其中21项提出了新方法。其中，六项研究在年轻健康成年人（年龄25-37岁）队列上验证了他们的分割。在年轻健康成年人数据集上开发和验证的模型由于可能与WMH和其他脑病变相互干扰，在衰老和患病队列中可能表现不佳。此外，年轻健康成年人T2图像上PVS的存在表明这些特征可能并不表示病理变化。总体而言，对PVS分割的关注减少可能是由于与WMH等病变相比准确识别PVS的难度增加，PVS方法的较低DSC和TPR分数也表明了这一点。在提出的研究中，只有一项研究提供了下载代码。在Where is VALDO?挑战赛中提出的四种方法中，三种使用了基于U-Net的模型（nnUNet、MaskRCNN、UNet），表现最佳的团队使用了基于随机森林的方法，表明PVS在信号和形状特征方面可能更容易表征。在挑战赛中，团队需要检测和分割PVS；然而，在本综述发现的六项研究中，只有两项提供了除PVS计数外与PVS体积的相关性。应该注意的是，PVS体积能更好地捕捉疾病严重程度，并且对随时间变化更敏感，因此已被推荐为临床研究中除PVS计数外的重要指标。我们建议未来的研究应报告其PVS输出的描述性统计数据，包括体积以及PVS计数。

到目前为止，腔隙和RSSI受到的关注远少于急性缺血性卒中中急性梗死的分割。我们只找到五项研究，其中一项提供了下载源代码：一个半自动分类器，用于区分真性腔隙和腔隙模拟物。有趣的是，其中两种方法也在其他CSVD病变类型上进行了验证，一种同时进行了分割，这种方法可能会改善病变类型之间的区分，对用户来说方便且高效。

在解释本系统评价的结果时，应牢记一些局限性。该评价仅限于英文和2024年9月