《Frontiers in Neuroscience》:Automated PACS-integrated pipeline for TractSeg-based segmentation of the arcuate fasciculus in patients with hearing loss
编辑推荐:
目的:尽管纤维追踪技术可用于确定白质纤维束的解剖走行,但其常存在精度不足且耗时较长的问题,这在比较大组患者时尤为突出。本研究旨在比较基于TractSeg算法的弓状束自动判定流程与DSI Studio软件中手动弓状束判定的差异。
方法:研究人员构建了一套自动化流
目的:尽管纤维追踪技术可用于确定白质纤维束的解剖走行,但其常存在精度不足且耗时较长的问题,这在比较大组患者时尤为突出。本研究旨在比较基于TractSeg算法的弓状束自动判定流程与DSI Studio软件中手动弓状束判定的差异。
方法:研究人员构建了一套自动化流程,涵盖从PACS系统导入结构化MPRAGE序列及原始扩散加权图像、执行TractSeg算法、将获得的双侧弓状束叠加至MPRAGE图像,并将复合图像回传至PACS系统。该流程用于对25例听力损失患者的弓状束进行分割。
结果:该自动化算法在全部25例患者中均成功勾画出双侧弓状束,而手动参考方法及基于DSI Studio软件的自动纤维追踪分别在3例和1例患者中失败。TractSeg与手动分割的平均距离为2.0?±?0.7?mm,优于DSI Studio自动追踪的2.8?±?1.0?mm。此外,相较于其他方法,TractSeg似乎涵盖了更大范围的弓状束内侧纤维。
结论:TractSeg算法在听力损失患者弓状束分割中表现出高效性。该算法运行速度快,在优化和改进神经通路勾画方面具有巨大潜力。
该研究发表于《Frontiers in Neuroscience》。研究背景聚焦于听力障碍特别是感音神经性听力损失患者的中枢听觉通路评估。弓状束(Arcuate Fasciculus, AF)作为连接颞叶听觉皮层与额叶语言区域的关键白质纤维束,其结构异常会影响听力发育与语言功能。目前临床常用的扩散张量成像(Diffusion Tensor Imaging, DTI)及白质纤维追踪(White Matter Tractography, WMT)技术虽能无创评估白质通路,但传统纤维追踪依赖操作者经验,需手动设置感兴趣区(Region of Interest, ROI)、优化参数并耗时验证,存在显著的组间变异,限制了其在临床常规中的应用。因此,开发能够无缝融入临床工作流、无需人工干预且可重复性强的高鲁棒性自动化分割方案,成为推动该技术在听力损失人群中应用的关键。
研究人员开展了一项方法学验证研究,旨在评估一套集成了医院影像归档和通信系统(Picture Archiving and Communication Systems, PACS)的全自动TractSeg分割流程在非正常白质解剖队列中的稳健性与临床适用性。研究对象为25例新冠感染后感音神经性听力损失患者(年龄39-74岁,平均52.9±10.1岁)。研究结果表明,TractSeg算法在所有患者中均成功实现了双侧弓状束分割,且空间吻合度优于传统的手动追踪及DSI Studio自动追踪。这一成果证明了深度学习直接分割算法在临床复杂场景下的优越性,为实现常规化临床神经通路评估提供了技术支撑。
关键技术方法方面,研究采用回顾性设计,纳入25例经听力测定确诊的新冠感染后感音神经性听力损失患者。影像数据采集于3.0 T磁共振系统(Philips Ingenia),包含3D T1加权像及64个方向的扩散加权成像(b值=1000 s/mm2)。研究人员构建了端到端的自动化处理管道:首先通过脚本监控并自动从PACS下载DICOM数据,利用dcm2niix工具转换为NIfTI格式;随后对扩散数据进行涡流校正;核心分割环节采用基于卷积神经网络的TractSeg v2.9框架直接预测纤维束掩膜,替代了传统的流线追踪;分割结果经过两步配准(扩散空间至T1空间)后,以阈值0.8生成二值化掩膜并叠加至T1结构像,最终转换回DICOM格式并自动回传至PACS系统供临床阅片。对照方法包括DSI Studio软件内的自动追踪(Auto-Tracking)功能及由资深操作员执行的手动ROI纤维追踪。
研究结果部分,首先是纤维追踪结果。TractSeg算法在全部25例患者中均成功描绘了双侧弓状束,而手动参考方法在3例患者中失败,DSI Studio自动追踪在1例患者中失败。定性观察显示,TractSeg分割结果覆盖了更大范围的弓状束内侧纤维。其次是定量比较结果。基于体素欧氏距离的定量分析显示,TractSeg与手动分割的平均距离为2.0±0.7 mm(第95百分位数为5.0 mm),显著优于DSI Studio自动追踪的2.8±1.0 mm(第95百分位数为7.0 mm)。这种差异在左侧和右侧半球保持一致,且吻合度最高的区域位于弓状束中段,而在皮质终止区及纤维交叉复杂区域误差相对较大。
在讨论与结论部分,研究人员指出,TractSeg算法凭借深度学习模型直接分割的特性,突破了传统纤维追踪对解剖先验知识和各向异性阈值的限制,因此在面对听力损失可能导致的白质微结构改变时表现出更高的鲁棒性。该算法不仅能提供更接近手动参考的结果,还能识别出更多可能被传统方法遗漏的内侧纤维成分。研究的主要局限性在于缺乏绝对的“金标准”来验证分割的准确性,且数据来源于单一中心与单一扫描协议。尽管如此,该研究的创新点在于首次实现了TractSeg与PACS系统的深度集成,使得放射科医生无需安装专业软件即可在工作站上直接查看高质量的纤维束影像,极大地降低了临床应用门槛。综上所述,基于TractSeg的自动化分割流程在听力损失患者中表现出卓越的性能,具有优化神经通路勾画、支持临床诊断与治疗规划的巨大潜力。