综述：超越视觉检查：深度学习在定量脑血管成像中的革命

《Frontiers in Neuroscience》：Beyond visual inspection: the deep learning revolution in quantitative cerebrovascular imaging

　　

全球范围内，由人口老龄化驱动的脑血管疾病负担日益加重，凸显了传统劳动密集型诊断范式的固有局限性。在时间紧迫的卒中管理背景下，图像解读的变异性和高误分类率，尤其是在短暂性脑缺血发作（TIA）评估期间，突显了对更一致、更高效诊断解决方案的迫切需求。人工智能（AI），特别是深度学习（DL），通过自动化复杂神经血管成像的分析，提供了一条变革性路径。本研究对DL如何革新卒中相关图像分析进行了全面考察，超越了关于潜力的泛泛断言，讨论了具体的技术实现。研究人员系统性地详述了从传统分割算法到高级深度学习架构（如U-Net、DeepMedic及其变体）在执行关键任务中的演变。这些任务包括颅内和颅外（颈动脉）的自动化分割、狭窄和斑块负担的量化，以及跨MRA、CTA和DSA模态的血管病变血流动力学评估。通过综合里程碑式研究，本分析描绘了三个核心方面：在受控研究中DL模型在血管特征提取方面达到专家级精度的技术轨迹；这些工具向诊断、预后或治疗程序规划工作流程的临床转化；以及持续存在的挑战和未来方向，包括数据标准化、模型泛化性和多模态整合。本综述认为，DL不仅代表一种辅助技术，更是下一代精准脑血管医学的基石。它具备弥合诊断速度、客观性和可及性方面关键差距的潜力，前提是其开发与验证需遵循严谨的跨学科合作。

本文将系统性地阐述深度学习在脑血管成像中的应用进展，依据论文原始章节结构，重点总结以下核心内容：

**2 人工智能的历史基础与核心范式**
人工智能从早期基于规则的专家系统演变为现代数据驱动方法，机器学习（ML）使系统能从数据中直接学习模式，而深度学习（DL）作为ML的子集，利用多层神经网络实现复杂模式识别。在医学影像中，DL提供自动化特征提取和高级解释能力，可建立影像生物标志物与临床终点之间的关联。主要架构包括：卷积神经网络（CNN）用于2D/3D空间特征提取，循环神经网络（RNN）处理序列数据，以及生成对抗网络（GAN）和变分自动编码器（VAE）等生成模型。DL的核心优势在于捕捉影像中细微但临床相关的模式，以增强诊断准确性。

**3 数据基础设施和深度学习在放射学中的初步应用**
影像归档与通信系统（PACS）的建立为大规模医学影像数据集的管理提供了基础，这些数据集是训练DL模型的关键。研究已证明影像评估、放射组学及机器学习/DL方法在颈动脉狭窄管理、血管风险分层、水肿量化及病变特征描述中的价值。在冠状动脉成像领域，DL成功应用于自动化血管分割、管腔狭窄的检测与分级以及冠状动脉钙化（CAC）的定量评估。例如，Paul等开发的模型检测显著狭窄的准确率达96%；DL还通过从增强扫描直接量化CAC来减少扫描时间和辐射暴露。此外，基于DL的非侵入性血流储备分数（FFR）估计方法减少了计算时间（如Li等开发的模型实现600倍加速）。冠状动脉领域的成功为脑血管成像提供了方法论参考，但脑血管成像面临血管迂曲度更复杂、管径更小、威利斯环血流动态变化以及区分缺血性与出血性病变等独特挑战，需要专门的架构调整。

**4 核心深度学习架构**
推动脑血管成像进展的核心架构包括：卷积神经网络（CNN），其分层结构能自动学习从简单边缘到复杂形状的空间特征，是图像分类和目标检测的基础。U-Net架构通过对称的编码器-解码器结构和跳跃连接，同时利用高层上下文信息和低层空间细节，特别适合分割管状、分支状的血管结构，其变体（如3D U-Net、U-Net++）进一步增强了体积数据处理能力。DeepMedic通过并行多尺度双路径处理输入图像，能同时捕捉精细细节和大范围上下文信息，适用于复杂3D体积中的脑血管分割。近年来，基于自注意力机制的Transformer模型被引入计算机视觉，擅长捕捉图像中的长程依赖关系，有望建模血管树中的全局解剖联系，但计算需求较高。

**5 颅内动脉分割的传统与深度学习方法**
传统方法包括基于骨架和非骨架两类。骨架方法先提取血管中心线构建血管树，但难以实现完整体积重建；非骨架方法如水平集法，通过迭代最小化能量函数追踪血管边界，但受初始化敏感性和计算成本限制。阈值法如Wang等对TOF-MRA图像采用Otsu阈值结合混合分布模型，Dice相似系数（DSC）>0.7。传统算法依赖手工规则，概念简单但泛化性有限。深度学习模型则自动学习血管特征，克服了传统方法局限。例如，Meng等提出的多尺度密集卷积神经网络（MDCNN）用于数字减影血管造影（DSA）分割，取得了高F1分数；Phellan等采用八层卷积自编码器（CAE）学习3D颅内动脉分割，DSC值0.764-0.786。为应对标注数据稀缺，Zhang等提出半监督混合概率模型，结合一致性检查生成伪标签，再训练深度离散卷积神经网络（DD-CNN）。Fan等将隐藏马尔可夫随机场（HMRF）与深度神经网络（DNN）结合，构建HMRF+SegNet2D和HMRF+U-Net3D模型，实现了竞争性的分割性能。表格1总结了主要深度学习模型（U-Net、DeepMedic、U-Net++、VesselNet）的核心特征和代表性能，方框1强调了临床转化要点：精确分割颅内血管（尤其是小穿支动脉）可精确测量狭窄长度和识别微小动脉瘤或血管畸形，对诊断和术前规划至关重要。

**6 跨成像模态的颈动脉分割深度学习进展**
与颅内动脉研究相比，颈动脉分割的深度学习应用相对有限。颈动脉斑块负担的量化（如血管壁体积VWV）是评估动脉粥样硬化进展的关键。Zhou R.等利用自定义CNN和U-Net从超声图像分割颈动脉中膜-外膜（MAB）和管腔-内膜（LIB）边界，实现高精度3D超声斑块分割。Tsakanikas等提出混合迭代框架，整合U-Net与形态学活动轮廓，从多光谱MR图像精确分割管腔和外壁。Ziegler等将DeepMedic改编为多类分割颈总、内、外动脉在对比增强磁共振血管成像（CE-MRA）上，通过增加下采样路径和扩大核尺寸来增强多尺度上下文捕捉。在CT血管成像（CTA）中，颈动脉分割面临骨骼高密度干扰、计算负担和类别不平衡等挑战。Wang等提出粗到细（C2F）流水线，采用多平面D-SEA U-Net实现全自动颈动脉分割，发现多平面2D网络优于3D网络。Fu等开发的“CerebralDoc”系统基于优化的U-Net和连通生长预测模型（CGPM），从CTA重建头颈部血管，显示更多远端分支和更清晰的血管图像。Chen等提出多尺度深度网络MDNet Vb，采用双路径多分辨率架构和类别平衡损失函数，在心脏CTA和脑MRA数据集上表现优异。表格2总结了颈动脉分割和斑块分析的主要模型（3D U-Net、nnU-Net、Transformer基础模型、循环卷积网络RCNN），方框2指出：自动量化颈动脉斑块体积和组成（如脂质-rich坏死核心）可提供更强大的个体化卒中风险分层影像生物标志物。

**7 超越分割：血流动力学与血管壁分析的深度学习**
深度学习在血流动力学分析中，通过卷积和物理信息神经网络近实时地从图像估计关键血流动力学指标（如壁剪切力和压力梯度），例如基于DL的替代模型可准确计算颅内动脉的分数流量储备（FFR）。同时，利用高分辨率磁共振成像（HR-MRI），CNN和视觉Transformer在自动分割斑块成分（脂质核心、斑块内出血、纤维帽完整性）和量化形态学特征方面达到专家级水平，还能通过分析增强后HR-MRI的信号和纹理特征推断斑块内炎症活动，作为无创生物标志物监测疾病活动性和治疗反应。方框3强调：近实时计算壁剪切力等血流动力学力可将卒中风险评估从静态解剖测量转变为动态功能评估；自动表征斑块成分和炎症为个体化预防策略和治疗监测提供强大工具。

**8 应对数据挑战的创新范式**
联邦学习允许多机构在不共享原始患者数据的情况下协作训练全局模型，保护隐私并克服法律障碍，适用于分散的头痛神经影像数据。自监督学习（SSL）利用大量无标签数据通过预训练任务（如预测缺失部分）学习通用表征，再用少量标签数据微调，克服标注稀缺瓶颈。生成AI（特别是生成对抗网络GAN和扩散模型）可生成高质量合成神经影像数据，增强小训练集、模拟罕见病理表现并缓解类别不平衡。这些方法代表了一种从简单收集数据到智能且合乎伦理地利用现有数据资源的范式转变。

**9 技术局限与瓶颈**
当前深度学习模型存在以下主要技术限制：数据依赖性和泛化性不足，模型在外部数据上因域偏移而性能下降；黑箱特性导致缺乏可解释性，阻碍临床信任和采用；从解剖分割衍生的血流动力学参数整合到统一诊断框架仍处于初期；U-Net在低剂量CTA运动伪影下分割连续性易崩溃，导致狭窄长度估计不准确。近期研究尝试引入对抗训练或运动校正模块来解决。

**10 伦理与社会考量**
深度学习工具从研究到临床实践需严格审视伦理和社会影响：患者数据隐私和安全是首要问题，需遵守GDPR和HIPAA等法规，联邦学习提供有前景的隐私保护范式；算法偏见可能导致医疗差距，若训练数据集缺乏多样性，模型在少数群体上的性能会下降，需主动策划多样化、包容性的训练数据集；黑箱性质缺乏透明度会削弱临床信任，需推进可解释AI（XAI）技术（如显著性图），并建立责任框架。解决这些伦理问题——数据隐私、算法偏见和模型透明度——是负责任开发公平、可问责、可信赖AI工具的先决条件。

**11 结论**
本综述系统考察了深度学习在脑血管疾病影像诊断中的进展与应用。证据表明，DL已从概念承诺转变为变革性工具，通过自动化和标准化血管分割、斑块量化、狭窄分级和血流动力学评估等任务，展示了达到甚至超越专家水平的诊断准确性和效率。然而，临床转化面临泛化性受限（数据异质性和稀缺）、前瞻性临床验证缺乏、以及整合入现有工作流程的障碍。未来应优先创建标准化、多中心、多模态影像数据库和算法验证平台；推进可解释AI以建立信任；开发多任务学习和真正多模态融合模型（整合CTA、MRA、超声和电子健康记录）；促进学术界、工业界和临床医学的深度前瞻性跨学科合作。最终目标不是取代临床医生，而是作为增强智能（AI）伙伴，通过自动化定量分析减轻主观变异，使医生转向高效的患者评估和个性化治疗决策。