《Frontiers in Neuroscience》：Head circumference assessment in pediatric MRI: a pilot study of manual measurement methods and automated segmentation-based alternatives
编辑推荐：
摘要目的：头围（HC）是神经儿科中的重要临床参数，但在转诊信息中常常缺失或已过时。这会导致在MRI（磁共振成像）判读过程中依赖主观且受阅片者影响的估计。研究首先旨在将基于MRI的HC测量方法与卷尺测量（ground truth）进行比较；其次建立一种自动化替代
摘要目的：头围（HC）是神经儿科中的重要临床参数，但在转诊信息中常常缺失或已过时。这会导致在MRI（磁共振成像）判读过程中依赖主观且受阅片者影响的估计。研究首先旨在将基于MRI的HC测量方法与卷尺测量（ground truth）进行比较；其次建立一种自动化替代方案。方法：在23名儿童中（平均年龄4.5岁，范围0.5–17岁），于MRI检查当日以前瞻性方式采用卷尺测量HC（ground truth）。基于MRI的HC测量来源于3D T1加权MPRAGE（Magnetization Prepared RApid Gradient Echo）图像，并遵循两步工作流程：测量平面选择与该平面内周径测量。平面选择采用视觉法（visual-based）、规则法（rule-based）、图谱法（atlas-based）〔（婴幼儿）FreeSurfer〕或神经网络法（nn-based）；周径测量采用手工椭圆法、手工轮廓法、自动椭圆法或自动轮廓法。研究采用相对测量技术误差（r-TEM；可接受阈值 < 1.5%）和组内相关系数（ICC；双向混合ANOVA模型）评估其与卷尺测量之间的准确性和一致性。结果：视觉法联合手工椭圆/轮廓，以及规则法联合手工椭圆/轮廓，均显示可接受的准确性（r-TEM 0.73%–1.12%）。视觉法联合自动椭圆、规则法联合自动椭圆也显示可接受准确性（r-TEM分别为0.77%和0.68%）。图谱法联合自动椭圆获得最低r-TEM（0.55%），其次为nn法联合自动椭圆（r-TEM 0.75%）。相比之下，自动轮廓方法显示不可接受的准确性（r-TEM 3.42%–4.21%）。采用自动椭圆/轮廓的7例nn法测量结果为伪差。所有方法的ICC均较高（0.993–0.997）；然而，手工轮廓法和自动椭圆法存在过拟合问题。结论：所构建的基于（婴幼儿）FreeSurfer的全自动算法可从儿童MRI扫描中提供精确且可靠的头围测量，具有可接受的总体准确性，并与采用卷尺（gold standard）的手工测量表现出极佳一致性。该算法简化了头围测量流程，提供了可重复、独立于阅片者的数值，从而增强神经放射学发现的解释能力。仍需开展更大样本研究以进一步验证，并发展用于分割的深度神经网络算法。
该论文发表于《Frontiers in Neuroscience》，聚焦儿童头围（HC）在神经儿科和神经影像诊断中的临床价值。头围与颅内容积、脑发育及神经发育结局密切相关，是儿童常规体检中的核心指标，也是识别小头畸形（microcephaly）和大头畸形（macrocephaly）的重要依据。在实际临床中，儿童脑MRI阅片时常缺乏同步、准确的头围资料，或转诊信息中的头围记录已经过时，导致放射科医师不得不依赖视觉印象、颅面比例等替代指标进行判断。这种做法主观性强、重复性有限，尤其在头颅形态异常儿童中更容易产生偏差。另一方面，传统卷尺测量虽然是金标准，但同样存在人工误差。因此，建立一种基于MRI、可重复、标准化且尽可能自动化的头围测量方法，具有明确的临床必要性。
围绕上述问题，研究人员设计了一项前瞻性初步研究，目标包括两个层面：其一，比较多种基于MRI的头围测量方法与卷尺金标准之间的准确性与一致性；其二，建立一种可在儿童MRI中应用的全自动头围测量替代方案。研究纳入23例在德国汉诺威医学院接受脑MRI检查的儿童，年龄0.5–17岁，MRI当日同步完成卷尺头围测量。研究将MRI头围测量分解为两个关键步骤：最优轴位测量平面的确定，以及该平面内头围周径的测量；并据此构建手工、半自动和全自动三类流程。结果表明，椭圆拟合方法明显优于自动轮廓方法，其中基于（婴幼儿）FreeSurfer的图谱分割联合自动椭圆拟合在总体表现上最佳，达到了可接受准确性和极高一致性。该研究的重要意义在于提出了一条具备临床可转化潜力的儿童MRI自动头围评估路径，可为神经放射学判读提供客观、标准化且阅片者无关的定量指标。
在技术方法方面，研究主要采用前瞻性临床队列设计，以MRI当日卷尺测量作为金标准。影像数据基于3D T1加权MPRAGE序列。测量平面选择分别采用视觉法、规则法、图谱分割法〔FreeSurfer与infantFreeSurfer〕及深度神经网络分割法（DeepBrainSeg）。在确定平面后，研究使用基于Otsu阈值法的前景-背景分割、形态学后处理及`convex_hull_image`生成头皮外轮廓，再分别进行自动椭圆拟合或自动轮廓测量。统计分析以相对测量技术误差（r-TEM）评估准确性，以双向混合效应方差分析（ANOVA）模型计算组内相关系数（ICC）评估一致性；另基于10例独立儿童MRI构建自动平面检测校准集。
在研究结果部分，论文依次比较了不同流程的性能表现。
Introduction部分首先指出，头围是儿童神经系统发育评估的重要生物测量指标，常用于辅助识别脑积水、结构异常、感染性、代谢性及遗传性疾病相关的小头或大头表型。研究人员强调，当前儿童MRI解读中常因头围信息缺失或滞后而依赖主观判断，而既往基于MRI或CT估计头围的研究又多为回顾性设计，且测量时间与影像采集时间不一致，影响了验证的严谨性。此外，既往研究对于最优轴位选择和周径拟合策略并未形成统一方法。因此，本研究有针对性地尝试以标准化、自动化流程克服这些局限。
Patients部分说明，研究前瞻性纳入23名接受麻醉下脑MRI的儿童患者，临床指征包括发育迟缓、耳聋、脑积水、颅内出血和肿瘤分期等，所用扫描仪涵盖1.5T与3T平台。研究未因分流装置伪影或运动伪影排除病例，目的是保留真实临床环境下的数据复杂性，从而提高方法的泛化价值。
Tape measurement (ground truth)部分表明，经验丰富的神经放射科医师在MRI前使用无弹性卷尺，按照临床标准从前方眶上隆起到后方枕外隆凸，经耳上区域环绕头部测量头围。这一测量被定义为整个研究的金标准。
Manual MRI-based measurement部分显示，人工MRI测量由对成人和儿童神经影像均有经验的高年资住院医师完成，并对年龄、临床信息及先前卷尺结果设盲。手工流程先纠正轴位在三个解剖维度上的方向，再进行周径测量。平面选择包括两种策略：视觉法，即主观选择从额部最突出点到枕部最突出点的最佳轴位；规则法，即在矢状位按照鼻根至头顶部、且平行于颅骨内板的标准线确定前界，再选择与枕外隆凸形成最大前后距离的轴位。随后在该平面内分别采用手工椭圆ROI（感兴趣区）和手工自由描记轮廓ROI测量，从而构成四种人工方法。结果提示，这四种方法的r-TEM为0.73%–1.12%，均达到可接受准确性。
Automating the process部分将自动化分为半自动和全自动两层。半自动流程保留手工或规则化平面选择，而在周径测量阶段使用自动椭圆拟合或自动轮廓提取；全自动流程则将平面选择也交由算法完成。该框架有助于分离“平面定位误差”和“周径拟合误差”两种误差来源，从而清楚比较各步骤的贡献。
Automation of measurement plane selection部分是全自动方法的核心之一。研究人员采用FreeSurfer与infantFreeSurfer进行图谱分割。考虑到标准成人FreeSurfer在低龄儿童中的性能下降，研究使用年龄分层策略：年龄≥4.5岁的儿童采用标准FreeSurfer流程完成强度归一化、去颅骨、皮质下分割和皮层分区；年龄<4.5岁的儿童采用infantFreeSurfer，以更适配婴幼儿发育中的解剖结构和组织对比。与此同时，研究还测试了深度神经网络DeepBrainSeg作为更快速的替代分割工具。无论采用图谱法还是神经网络法，后续均通过独立校准集提取各分割结构的质心（center of mass），并学习这些解剖参照点与人工标注最优测量轴位之间的平均空间关系，从而在新病例中自动估计最佳测量平面。结果显示，图谱法平面选择稳定，而nn法在部分儿童病例中因分割失败而出现明显伪差。
Automation of the head circumference measurement部分说明，在给定测量平面后，研究采用Otsu法进行基于灰度的前景-背景分割，并通过形态学处理与凸包（convex hull）运算获得连续闭合的头皮外轮廓。基于这一边界，算法进一步生成两类头围近似：自动椭圆ROI和自动轮廓周径。结果表明，自动椭圆法在多种平面选择策略下均能达到可接受准确性，而自动轮廓法系统性高估头围。
Statistical analysis部分强调，研究优先采用r-TEM评估测量准确性，并将<1.5%定义为熟练研究者水平下的可接受误差阈值；同时辅以ICC评估不同方法与卷尺测量之间的一致性。研究还按年龄≤4.5岁与>4.5岁进行附加分析，并计算各方法相对于卷尺测量的平均差值（bias）。这一统计框架使研究不仅能够判断“彼此是否一致”，还能够区分“是否接近真实值”。
Results中的Sample部分表明，23名儿童中有4例为严重小头畸形，另有3例接近病理阈值，因此研究样本并非完全由正常头围儿童组成，这对评价方法在异常头型中的适用性具有价值。所有测量方式下的头围大致分布于38–54 cm之间。
Accuracy and consistency of manual, semi- and fully automated measurements部分给出了全研究最关键的结论。手工测量方面，无论采用视觉法还是规则法进行平面选择，配合手工椭圆或手工轮廓测量，均与卷尺测量具有可接受准确性。半自动流程中，视觉法或规则法联合自动椭圆同样表现良好；而所有自动轮廓流程均未达到可接受标准，r-TEM介于3.42%–4.21%。全自动流程中，图谱法联合自动椭圆取得最低r-TEM 0.55%，为全部方法中最佳；nn法联合自动椭圆r-TEM为0.75%，也处于可接受范围。但nn法有7例因分割明显失败而被剔除，提示其在当前模型条件下稳定性不足。年龄分层分析显示，年轻儿童的r-TEM略高于年长儿童，但各种方法相对于卷尺的优劣排序并未改变。ICC方面，所有方法均表现出0.993–0.997的极高一致性，但作者特别指出，手工轮廓和自动椭圆部分结果存在过拟合导致的奇异性，应谨慎解读。这一发现说明，高ICC并不必然代表高准确性，自动轮廓法就是典型例子：其一致性很高，但由于系统性偏大，准确性并不理想。
Discussion部分对结果进行了凝练总结。研究人员认为，视觉选层结合椭圆测量已足以提供可靠结果，规则化选层并未显示明显优势；同时，轮廓测量并不优于椭圆测量，尽管前者在形式上更接近卷尺沿头皮走行的实际方式。研究解释，自动轮廓法之所以系统性高估，可能是因为其会纳入凹陷部位，而无弹性卷尺实际并不能贴合这些局部凹陷，因此更接近“外凸包络”的椭圆反而与临床金标准更一致。全自动图谱法表现优异，说明基于稳定解剖分割的自动平面定位和椭圆拟合可以在复杂临床条件下提供可靠输出。nn法在可评估数据中表现接近图谱法，但由于DeepBrainSeg基于成人数据训练，在未完成髓鞘化的幼儿、明显脑畸形及术后改变病例中容易失效，限制了其当前应用。研究还强调了方法学优势：前瞻性设计、MRI同日金标准测量、操作者间盲法，以及纳入病理头型、分流装置和运动伪影病例，使结果更接近真实临床场景。与此同时，作者也明确指出局限性，包括样本量小、校准集有限、nn模型缺乏儿童训练数据，以及异常头围病例比例仍然有限，这些因素均提示后续需要更大规模验证。
研究结论部分可译为：这项初步研究表明，在儿童3D MPRAGE数据集中采用椭圆方法测量头围，与当前金标准卷尺测量相比可获得可靠结果；对最佳轴位平面的视觉定义已足够。此外，研究人员开发了一种基于图谱的全自动算法，结合自动椭圆测量，与MRI手工测量和临床卷尺测量均表现出极佳一致性。该自动化工具有望简化头围测量流程，并提供可重复、独立于阅片者的数值，从而改善神经放射学所见的解释。与此同时，创新性的基于神经网络的全自动方法有望显著加快测量过程，但其前提是DeepBrainSeg需要先在儿童数据集上完成训练。未来仍需在更大样本中对这两种全自动方法进行进一步验证。
