基于深度学习的自动化micro-CT小鼠上呼吸道三维表征流程

《Frontiers in Medical Technology》：An automated deep learning-based pipeline for 3D characterisation of the murine upper airway from micro-CT

　　

摘要引言：上呼吸道结构与功能在多种呼吸系统疾病（如阻塞性睡眠呼吸暂停、过敏性鼻炎和哮喘）及先天性疾病（如唐氏综合征（DS））中受到影响。尽管小鼠模型被广泛用于研究气道病理及评估疗法，基于微型计算机断层扫描（micro-CT）的上呼吸道定量分析仍受限于耗时且依赖观察者的手动图像分割。因此，需要自动化和标准化的图像分析方法来支持机制性和转化性上呼吸道研究。材料与方法：研究人员开发了一种基于深度学习的流程，用于从micro-CT图像中全自动分割和表征气管、咽和鼻腔。基于nnU-Net框架的全分辨率2D卷积神经网络（CNN）在轴向平面进行训练，采用5折交叉验证，使用了来自一项DS研究的106个扫描（涉及野生型（WT）和三体（TS）小鼠）。在另一项DS研究（探讨呼吸道合胞病毒（RSV）感染对WT和TS小鼠的影响）的74个扫描外部验证集上评估了泛化能力。模型性能通过Dice相似系数（DSC）、相对绝对体积差（RAVD）、Pearson相关及手动与自动测量之间的Bland-Altman分析进行评估。结果：内部验证集获得了强劲的分割性能，气管、咽和鼻腔的DSC分别为0.988?±?0.010、0.985?±?0.008和0.958?±?0.004，RAVD分别为1.483%?±?1.800%、1.506%?±?1.217%和1.965%?±?1.563%。外部验证集性能保持稳健，证实了在不同实验条件和成像协议下的泛化能力。自动提取的体积生物标志物与手动测量高度一致，Bland-Altman偏差较小。该流程重现了先前通过手动分析识别的生物学相关组间差异，包括与WT对照组相比，TS小鼠的咽和鼻腔体积减小。结论：研究人员提出了一种基于深度学习的流程，用于从micro-CT中自动、标准化地三维表征小鼠上呼吸道。通过减少手动工作量和增强测量一致性，该流程实现了前临床模型中上呼吸道的高通量表型分析和机制研究。通过促进从成像中直接进行自动测量，该流程加强了实验研究与临床研究之间的转化桥梁。

**论文解读：基于深度学习的自动化micro-CT小鼠上呼吸道三维表征流程**

**研究背景、问题及意义**
上呼吸道（包括鼻腔、咽和气管）的结构与功能异常在多种呼吸系统疾病（如阻塞性睡眠呼吸暂停、过敏性鼻炎和哮喘）及先天性疾病（如唐氏综合征（DS））中起关键作用，可导致呼吸困难、睡眠障碍及生活质量下降。小鼠模型因其低成本、易操作及丰富的转基因品系，被广泛用于研究气道病理机制和评估新疗法。然而，目前对小鼠上呼吸道的定量分析主要依赖微型计算机断层扫描（micro-CT），但图像分割通常基于手动或半自动方式逐层进行，耗时费力且易受观察者间和观察者内变异的影响，阻碍了高通量研究和实验室间的可重复性。因此，开发自动化和标准化的图像分析方法对于支持机制性和转化性上呼吸道研究至关重要。本研究开发了一种基于深度学习的自动化流程，用于从micro-CT图像中全自动分割并定量表征小鼠上呼吸道（气管、咽、鼻腔），并验证其在检测生物学差异方面的能力。论文发表在《Frontiers in Medical Technology》。

**关键技术方法**
本研究采用基于nnU-Net框架（一种先进的医学图像分割框架）的全分辨率2D卷积神经网络（CNN），在轴向平面进行训练，使用5折交叉验证。训练数据集来自一项DS研究，包含106个micro-CT扫描，涉及55只小鼠（野生型（WT）和三体（TS）小鼠，部分接受表没食子儿茶素-3-没食子酸酯（GTE-EGCG）治疗）。外部验证数据集来自另一项DS研究，包含74个扫描，涉及39只小鼠（WT和TS，部分感染呼吸道合胞病毒（RSV））。图像预处理包括基于直方图的Hounsfield单位标化和z-score归一化。模型集成5个折的预测概率图，后处理移除小簇并填充孔，并约束每个轴向切片只保留一个解剖标签。

**研究结果**
**3.1 模型评估（Model evaluation）**
通过内部5折交叉验证，自动分割与手动参考分割的比较显示，气管、咽和鼻腔的Dice相似系数（DSC）均值分别为0.988?±?0.010、0.985?±?0.008和0.958?±?0.004，相对绝对体积差（RAVD）均值分别为1.483%?±?1.800%、1.506%?±?1.217%和1.965%?±?1.563%。外部验证集上，气管、咽和鼻腔的DSC均值分别为0.939?±?0.013、0.973?±?0.013和0.952?±?0.006，RAVD均值分别为6.799%?±?2.976%、2.733%?±?1.634%和5.083%?±?2.142%。对鼻腔的自动分割进行专家修正后，DSC提升至0.993?±?0.003，RAVD降至0.678%?±?0.741%，表明自动分割仅需少量手动修正。

**3.2 生物标志物定量准确性（Accuracy of biomarker quantification）**
在外部验证集上，Bland-Altman分析显示手动与自动测量的气管、咽和鼻腔体积的均值差异分别为0.43 mm3、?0.14 mm3和3.55 mm3，绝大多数数据点位于95%一致性界限内。Pearson相关系数分别为0.98、0.99和0.95，表明自动测量与手动测量高度一致。

**3.3 生物学相关性（Biological relevance）**
通过混合设计方差分析，自动测量成功重现了手动分析中发现的组间差异。在内部验证集中，TS小鼠的咽和鼻腔体积显著小于WT小鼠。在外部验证集中，TS组和TS+RSV组的气管体积显著小于WT+RSV组，TS组的咽体积显著小于WT组。自动分析还检测到TS组鼻腔体积小于WT组，但手动分析因样本量有限无法直接比较。这些结果表明，自动流程能够识别与手动分析一致的生物学意义差异。

**总结与讨论**
研究人员开发并验证了一种基于深度学习的自动化流程，实现了从micro-CT中全自动、可重复地分割和定量小鼠上呼吸道（气管、咽、鼻腔）。该流程在不同基因型（WT和TS）、实验条件（治疗和RSV感染）及成像协议下均表现出稳健性能。通过大幅减少手动工作量和增强测量一致性，该工具促进了前临床呼吸研究中上呼吸道解剖和阻塞的机制性深入分析，并为高级形态测量和计算流体动力学（CFD）分析奠定了基础，加强了实验与临床研究之间的转化桥梁。研究结论：研究人员开发并验证了一种基于深度学习的流程，能够从micro-CT中实现小鼠上呼吸道全自动、可重复的分割和定量，在不同基因型、实验条件和成像协议下表现出稳健性能。通过大幅减少手动工作量和增强测量一致性，该工具促进了前临床呼吸研究中上呼吸道解剖和阻塞的深入机制性研究，并为高级形态测量和CFD分析提供了基础，加强了实验研究与临床研究之间的转化桥梁。