基于深度学习的定量磁敏感成像自动化脉络丛钙化分割框架

《Scientific Reports》：Deep learning-based segmentation of choroid plexus calcification on quantitative susceptibility mapping: a feasibility study

　　脉络丛钙化（CPC）是一种常见的与年龄相关的影像学发现，与神经炎症和认知能力下降有关。目前，由于其准确定量在临床金标准——计算机断层扫描（CT）上仍面临电离辐射暴露的担忧，定量评估一直具有挑战性。定量磁敏感成像（QSM）提供了一种无创、无辐射的替代方案，能够实现准确评估，但手动分割对于大规模队列研究而言并不实际。我们开发了一种基于深度学习的框架，用于QSM图像的自动化CPC分割。利用106名受试者的数据，我们训练了nnU-Net v2模型，评估包含QSM、三维T1加权图像以及脉络丛（CP）掩膜在内的输入组合。该自动化流程在使用QSM配合CP和CPC掩膜时达到了最高的分割精度，并在同时使用QSM和T1加权图像时与人工标注的金标准获得了最强的体积相关性（*r* = 0.964）。在22名受试者的验证子集中，QSM测得的CPC体积与CT测得的体积高度相关（*r* = 0.728）。在另一个包含91名受试者的队列中，该框架揭示了CPC的年龄相关变化，表现为体积随年龄增加、磁敏感值随年龄趋向于反磁性。该框架提供了一个可直接在QSM图像上定量CPC的工具，其结果与CT测得的体积高度对应，从而使得大规模、纵向研究CPC的临床意义成为可能。