使用配准引导的3D-UNet实现CT上的自动粗到细AC-PC定位

《Frontiers in Neuroinformatics》：Automatic coarse-to-fine AC-PC localization on CT using registration-guided 3D-UNets

　　

摘要：引言：自动定位前联合（AC）和后联合（PC）是基于CT的算法疾病筛查的基础，但目前在CT上仍缺乏稳健的计算方法。研究人员开发了一种配准引导的3D-UNet框架用于CT上的AC-PC定位，并展示了其在计算正常压力脑积水（NPH）检测中脑室扩大特征方面的实用性。方法：框架开发与评估基于内部队列，包括NPH、阿尔茨海默病、创伤后体积丢失和头痛患者的扫描（退伍军人事务部[VA]-队列，n=427）。外部验证在独立数据集上进行（VA-ExtCohort，加州大学圣塔芭芭拉分校[UCSB]-ExtCohort）。AC-PC参考标准定义、模型开发与评估均在1 mm³重采样扫描上进行。结果：在1 mm³重采样扫描上，测试集AC-PC平均径向误差（MRE）在VA-队列中为1.64/1.49 mm，在VA-ExtCohort（n=40）中为2.42/1.79 mm，在UCSB-ExtCohort（n=43）中为2.31/1.93 mm。值得注意的是，所有队列中定位误差95%置信区间（CI）的上限均远低于3.2 mm；研究人员通过经验确定，这是临床相关阈值，超过该阈值，AC-PC参考的脑室扩大特征的区分能力会下降。使用研究人员框架预测评估的脑室扩大特征，在图表验证的VA-队列子集（n=238）上成功区分了NPH与阿尔茨海默病、创伤后体积丢失和头痛，测试集接收者操作特征曲线下面积（AUC）为0.95，与使用手动AC-PC定位评估的特征性能高度匹配。结论：所提出的配准引导3D-UNet框架能够在CT上准确自动地定位AC-PC，尽管存在各种结构退化，从而实现了标准化放射学特征计算。该方法可增强CT上的神经退行性疾病筛查，而CT是评估因跌倒和意识改变而就诊的老年患者的主要影像学方式。

论文解读文章

**研究背景与问题**

前联合（AC）和后联合（PC）是脑内两个关键的白质结构，其精确定位对于神经退行性疾病（如正常压力脑积水（NPH）、阿尔茨海默病（AD）和慢性创伤性脑损伤）的诊断标准放射学标记物的可靠、精确和标准化测量至关重要。尽管磁共振成像（MRI）上的AC-PC定位因高软组织对比度而受到持续关注，但计算机断层扫描（CT）上的准确定位同样关键。CT具有扫描速度快、成本低、几何畸变小、兼容植入物以及在资源有限环境中更易获得等优势。研究人员对美国退伍军人事务部（VA）数据库近十年记录的分析显示，在疑似痴呆且颅内损伤可能性低的患者中，约76%仅接受CT检查，约10%仅接受MRI，约14%两者兼有，这凸显了利用广泛可用但未充分利用的CT成像进行算法性神经疾病评估的巨大潜力。然而，纯基于配准的解决方案（如fatbACPC）在准确推断这些微小白质结构方面存在固有局限性：配准代价函数依赖清晰的对比边界，而CT脑实质缺乏这种对比度；线性或非线性变换难以准确映射全局扭曲的病理解剖结构。因此，需要开发一种结合卷积神经网络（CNN）的粗到细定位策略，以克服这些挑战，实现CT上AC-PC的稳健自动定位。

**研究内容与结论**

研究人员提出了一种配准引导的3D-UNet框架，用于CT扫描上的粗到细AC-PC定位，并在多种结构退化情况下进行了评估。该框架在内部VA队列（n=427，包含NPH、AD、创伤后体积丢失和头痛患者）上通过5折交叉验证开发，并在两个外部验证集（VA-ExtCohort，n=40；UCSB-ExtCohort，n=43）上测试。在1 mm³重采样扫描上，内部测试集AC-PC平均径向误差（MRE）分别为1.64 mm（AC）和1.49 mm（PC）；外部验证集上，MRE分别为2.42/1.79 mm（VA-ExtCohort）和2.31/1.93 mm（UCSB-ExtCohort）。所有队列中95%置信区间上限均低于3.2 mm，研究人员通过扰动实验确定该阈值是临床相关界限，超过此阈值，AC-PC参考的脑室扩大特征在区分NPH及其模拟性疾病时的性能会显著下降。重要的是，该框架在VA队列子集（n=238）中，利用其预测的AC-PC坐标计算脑室扩大特征，成功区分NPH与AD、创伤后体积丢失和头痛，测试集接收者操作特征曲线下面积（AUC）为0.95，与使用手动AC-PC定位的特征性能无显著差异（McNemar检验p>0.05）。该论文发表在《Frontiers in Neuroinformatics》。

**关键技术方法**

研究人员主要采用以下关键技术方法：（1）图像预处理：所有CT扫描进行自动机架倾斜校正、各向同性重采样至1 mm³、裁剪、去除床和颅骨、窗宽窗位设置（L/W: 50/100 Hounsfield单位），使用3D-Slicer实现。（2）粗定位：通过非线性配准（使用3D Slicer的Elastix工具箱，B样条参数化，互信息代价函数，自适应随机梯度下降优化）将每例扫描配准到颅骨去除的CT模板，然后利用模板上已知的AC-PC坐标通过逆变换获得粗定位。（3）细定位：基于粗定位结果，裁剪32 mm各向同性3D补丁输入修改后的3D U-Net，进行监督式热图回归，预测AC、PC和背景三个置信热图；损失函数结合焦点损失和交叉熵；模型训练使用迷你批量梯度下降，并采用随机3D旋转增强。（4）多平面集成：对于多平面CT（轴向、冠状、矢状），分别训练各平面专用模型，最终AC-PC坐标由各平面预测集成得到（x坐标来自轴向和冠状模型，y坐标来自轴向和矢状模型，z坐标来自冠状和矢状模型），以排除每个平面分辨率较差的维度。样本队列来源：内部VA队列（VA-Cohort，n=427）来自VA医疗系统，包括NPH、AD、创伤后体积丢失和头痛患者；外部验证集包括VA-ExtCohort（n=40，别的原因性脑积水患者）和UCSB-ExtCohort（n=43，NPH患者和正常对照，仅轴向CT）。

**研究结果**

**3.1 数据集特征：** VA队列中位年龄73岁，VA-ExtCohort中位年龄70岁（显著更年轻），UCSB-ExtCohort中位年龄74岁（无显著差异）。VA队列女性比例低于7%。UCSB-ExtCohort的头倾斜（θ_yz和θ_xy）显著高于VA队列。AC-PC参考标准注释的一致性分析显示，主要注释者与次级注释者之间的平均径向误差在1 mm以内，98.5%的扫描中AC和PC注释差异在3.2 mm内。

**3.2 实验：** 3.2.1 配准引导3D-UNet在VA队列上实现MRE<2 mm，优于基准方法。集成预测的测试集AC-PC MRE为1.64/1.49 mm，75%分位数和最大值分别为2/1.87 mm和5.85/4.07 mm。95%扫描的AC-PC径向误差在3.2 mm内。与粗定位相比，细定位显著改善（配对t检验q<0.001）。基准3D-UNet的MRE为9.46/9.95 mm，纯配准方法fatbACPC的轴向MRE为3.93/5.09 mm，均高于本框架。3.2.2 配准引导3D-UNet在外部验证队列上提供MRE<2.5 mm，优于基准方法。VA-ExtCohort集成预测的MRE为2.42/1.79 mm，UCSB-ExtCohort轴向预测的MRE为2.31/1.93 mm。超过83%的扫描中预测位置在3.2 mm内。推理时间：预处理和配准约122.46秒/扫描，3D-UNet推理约0.31–0.36秒/扫描（并行处理可降至约41.18秒）。3.2.3 跨不同扫描参数和临床特征的稳定AC-PC定位。径向误差与原生切片厚度、头倾斜角度、年龄的相关性大多不显著或微弱（Pearson r绝对值<0.36）。不同神经疾病亚组（NPH、AD、创伤后体积丢失、头痛）的细定位性能相似，仅AD与头痛/创伤后体积丢失间存在微小显著差异。UCSB-ExtCohort的正常对照亚组未显示粗到细的显著改善，可能归因于年龄相关的“天花板效应”。

**3.3 提出框架消除了手动AC-PC定位瓶颈，用于脑室扩大特征计算以分类NPH。** 在VA-Cohort-CS（n=238）中，框架的AC-PC MRE为1.67/1.50 mm。扰动实验表明，当MRE≥3.2 mm时，NPH分类AUC显著下降。使用框架预测的特征（Features-PredACPC）进行多分类NPH vs. 所有其他（AD、创伤后体积丢失、头痛）的AUC为0.95，准确率89%，灵敏度92%，特异度87%，与使用手动参考标准特征（Features-RefACPC）的性能无显著差异（McNemar检验p=0.22）。单特征分析显示，除Evans Index-y和Evans Index-z有微小差异外，其余特征值均无显著差异。AC-PC独立的脑脊液与脑体积比特征的单独预测能力（AUC 0.78–0.90）显著低于结合使用AC-PC依赖特征的组合（AUC 0.92–0.94），强调了准确AC-PC定位的必要性。

**讨论与结论**

讨论部分指出，该框架在1 mm³重采样扫描上实现了AC-PC MRE<2 mm，且超过95%的扫描误差在3.2 mm内，该阈值小于常规CT的轴向切片厚度（3–5 mm），且与AC、PC结构大小（约2–3 mm）相符，表明定位在单切片内。3.2 mm也是临床关键阈值，超过此值下游NPH分类性能下降。框架在多种神经疾病中表现稳健，粗定位在老年正常受试者中已足够，但细定位对于年轻正常病例和病理结构退化病例至关重要。与fatbACPC相比，本框架因使用非线性配准和颅骨去除而显著更优，3D-UNet进一步精炼了局部定位。该框架消除了手动AC-PC定位的瓶颈，可标准化诊断级脑室扩大特征，用于区分可手术治疗的NPH（常被误诊为不可逆痴呆）与萎缩性模拟病。在VA-Cohort-CS上，使用框架预测的特征达到了与手动定位相当的NPH分类性能（AUC 0.95），优于单纯依赖脑脊液体积比的简单模型。

研究结论部分翻译如下：
结论：所提出的配准引导3D-UNet框架能够在CT上准确自动地定位AC-PC，尽管存在各种结构退化，从而实现了标准化放射学特征计算。该方法可增强CT上的神经退行性疾病筛查，而CT是评估因跌倒和意识改变而就诊的老年患者的主要影像学方式。