《Frontiers in Human Neuroscience》：Revisiting the MS paradox: automated 2.5D FLAIR segmentation and DTI microstructural profiling reveals dissociation between lesion burden and reference-like intralesional tract profiles
编辑推荐：
引言： 磁共振成像（MRI）可揭示多发性硬化（MS）中的宏观病灶负荷，但其与临床表型的相关性较差，这一现象被称为临床-放射学悖论。尽管弥散张量成像（DTI）指标可评估微结构损伤，但标准的全病灶平均值计算可能会掩盖异质性斑块内微结构完好的白质区域。
方法： 研究
引言： 磁共振成像（MRI）可揭示多发性硬化（MS）中的宏观病灶负荷，但其与临床表型的相关性较差，这一现象被称为临床-放射学悖论。尽管弥散张量成像（DTI）指标可评估微结构损伤，但标准的全病灶平均值计算可能会掩盖异质性斑块内微结构完好的白质区域。
方法： 研究人员提出了一种全自动的多模态处理流程，用于识别并量化MS病灶内的类参照病灶内节段（RLIS）（即，在特征空间中与受试者特异性、未受病灶累及的参照组织表现出最大相似性的簇）。研究人员在一个包含75例MS患者（115个序列）的队列上开发并评估了一种改进的2.5D U-Net，用于执行自动化的FLAIR病灶分割。在一个独立的由100名MS受试者组成的队列中，研究人员沿通过约束球面反卷积（CSD）纤维追踪重建的纤维束提取了病灶内DTI指标（FA和MD）。研究人员使用了经过验证的无监督聚类算法，这些算法以受试者特异性、未受病灶累及的参照CST纤维束（内囊）为基准，来识别操作定义的类参照节段。
结果： 2.5D U-Net实现了稳健的分割性能（DSC: 0.732, VC: 0.954），并在上下文基准比较中显示出更高的名义指标（DSC: 0.682, VC: 0.864）。在整个临床队列中，病灶数量（11–131个）和体积（0.54–57.3 mL）差异很大。在所评估的聚类方法中，K-Means和高斯混合模型（GMM）被证明是最保守的，它们识别的中位类参照节段比例分别为26%和22%。至关重要的是，类参照病灶内节段的比例与宏观病灶体积或数量之间未显示出显著的单调关联。
结论： 该自动化框架成功地将基于鲁棒深度学习的病灶分割与纤维束特异性分析相结合，以量化类参照病灶内节段的比例。所观察到的整体病灶负荷与RLIS之间的分离现象表明，该指数可作为一项有前景的候选指标，用于探索可能有助于解释临床-放射学悖论的微结构特征。
论文解读：自动化多模态框架揭示多发性硬化病灶内微结构与宏观负荷的分离
1. 研究背景、问题与研究意义
多发性硬化（Multiple Sclerosis, MS）是一种中枢神经系统的炎性脱髓鞘疾病。常规磁共振成像（Magnetic Resonance Imaging, MRI）虽能可视化病灶活动和负荷，但临床医生发现患者的临床症状与MRI显示的宏观病灶数量、体积等参数之间存在有限的相关性，这一现象被称为“临床-放射学悖论”。为了探究这一悖论，研究者引入了弥散张量成像（Diffusion Tensor Imaging, DTI），其指标如平均扩散率（Mean Diffusivity, MD）和各向异性分数（Fractional Anisotropy, FA）能更特异性地反映病灶内部的微结构损伤。然而，传统分析方法通常对整个病灶区域的DTI指标进行平均，这会稀释信息，掩盖病灶内可能存在的功能完好白质区域。因此，开展此项研究的目的是：开发一种能够精确、自动化地识别病灶内与正常参照组织微结构相似的“类参照”区域的方法，并探讨其与宏观病灶负荷的关系，从而为理解临床-放射学悖论提供新的结构描述符。
2. 主要关键技术方法
研究人员提出了一套顺序执行的、全自动的多模态处理流程。首先，采用注意力引导的2.5D深度学习U-Net模型对FLAIR序列图像进行自动化病灶分割，该模型整合了残差块、注意力门控（Attention Gates, AGs）和深度监督机制。其次，利用约束球面反卷积（Constrained Spherical Deconvolution, CSD） 进行确定性纤维追踪，以重建局部纤维架构。最后，将无监督聚类算法直接应用于病灶内的DTI指标（FA和MD）特征空间，以动态识别类参照病灶内节段（Reference-Like Intralesional Segments, RLIS）。该研究使用了两个公开数据集：一个包含75名MS患者的115个系列的数据集用于训练分割模型；另一个包含100名MS受试者的独立多模态数据集用于后续DTI指标分析。
3. 研究结果
3.1 感兴趣区（VOIs）提取
研究人员成功地为所有受试者提取了解剖和病理感兴趣区。通过使用对称归一化（SyN）的多阶段配准流程，将JHU-ICBM图谱精确对齐至患者的原生扩散空间，可靠地提取了内囊皮质脊髓束（IC-CST）。同时，改进的2.5D U-Net有效勾画了MS病灶，包括大型融合斑块和小型高信号病变。
3.2 分割性能
通过网格搜索优化了自集成病灶融合（SELF）策略的参数（τ1:0.5, τ2:0.4, 最小体素阈值:15）。与文献基准相比，该模型取得了更高的Dice相似系数（DSC: 0.732）、病灶级真阳性率（LTPR: 0.831）、体素级真阳性率（TPR: 0.781）和体积相关性（VC: 0.954），但阳性预测值（PPV: 0.710）较低，病灶级假阳性率（LFPR: 0.285）较高。
3.3 病灶负荷
描述性分析显示患者间病灶负荷存在广泛异质性。病灶数量范围为11至131个，多数患者集中在30至60个之间。总病灶体积分布呈右偏态，范围从0.54 mL到57.3 mL。
3.4 纤维束聚类
RLIS比例的估计高度依赖于聚类算法的选择。特征空间模型（K-Means和高斯混合模型GMM）表现出最高的分布稳定性，其中位RLIS百分比分别为26%和22%。相比之下，DBSCAN和凝聚聚类（Agglomerative Clustering）显示出较高的受试者间变异性。自适应阈值法处于中间位置，在基线阈值β=2下产生32.34%的平均保留百分比。通过敏感性分析确定了β=2作为平衡统计功效和样本稳定性的折衷选择。
3.5 相关性分析
在所有评估的算法中，RLIS百分比与宏观病灶负荷指标（总病灶体积和计数）之间均未发现统计学上显著的单调关联。经Benjamini-Hochberg错误发现率（FDR）校正后，所有模型的padj值均大于0.05。效应量普遍较弱至可忽略不计，例如K-Means和GMM与总病灶体积的秩相关系数（rs）分别仅为-0.01和-0.02。
4. 讨论与结论
讨论部分总结： 研究表明，所提出的多模态处理流程能够有效分割病灶并识别RLIS。主要发现是RLIS比例与传统全局病灶负荷指标（体积和计数）之间缺乏显著关联，这表明该指标可能捕捉到了常规宏观影像学测量无法反映的MS病理微结构特征。在分割性能方面，模型灵敏度提升是以牺牲精度为代价的，但极高的体积相关性确保了整体负荷估计的可靠性。不同聚类算法存在不同的操作权衡，其中K-Means和GMM被认为是体积最稳定的架构。研究指出，该研究的局限性包括评估队列样本量相对较小（100名受试者）、缺乏患者水平的临床元数据（如扩展残疾状态量表EDSS评分），以及依赖未受病灶累及的IC-CST作为单一参照区域。此外，未校正的空间系统性误差（SSEs）可能对测量产生影响，未来研究需考虑空间b矩阵校准。
结论部分翻译： 在这项工作中，研究人员引入了一个稳健的自动化多模态处理流程，旨在分割MS病灶并量化操作定义的类参照病灶内节段的百分比。本研究的一个关键贡献是开发了一种改进的2.5D U-Net架构。通过实施残差块、注意力门控和深度监督，完整架构在上下文基准测试中取得了更高的名义灵敏度指标。这些架构特性促成了更高的名义病灶级真阳性率（LTPR = 0.831 [95% CI: 0.778–0.879]，相对于已发表基准的0.542）和强体积相关性（VC = 0.954 [95% CI: 0.914–0.995]），反映了尽管存在精度相关的权衡，但仍能实现一致的全局病灶负荷估计。关于类参照组织节段的识别，分析表明K-Means和GMM是为此目的最经验稳定的算法，能在整个队列中提供保守且一致的估计。最重要的是，结果显示所识别的RLIS百分比与传统放射学指标（如病灶体积和计数）之间几乎没有关联或完全没有关联。这种缺乏强关联的现象表明，操作定义的RLIS指标提供了与常规病灶负荷截然不同的局部微结构信息。该指标提供了一个对受试者特异性、未受病灶累及的组织具有微结构相似性的定量描述符。因此，它可作为未来研究临床-放射学悖论的一个候选影像指标。尽管本研究因缺乏患者水平临床结局而受限，但它为未来的纵向研究建立了基线。此类研究对于验证该指标作为支持临床结局预测的未来工具至关重要，但这有待于患者水平临床数据的验证。
