基于深度学习的磁共振神经成像周围神经病变自动定量框架

《European Radiology Experimental》：A deep learning framework for automated quantification of peripheral nerve lesions in MR neurography

　　

目的：磁共振神经成像（MR neurography, MRN）能够高分辨率显示周围神经，但神经内病变负荷的定量分析仍受限于人工、依赖观察者的工作流程。研究人员提出一种基于深度学习的框架，用于MRN中周围神经病变的自动分割与定量表征。

材料与方法：在这项回顾性研究中（n=178），分析了标准化轴位脂肪抑制T2加权三维（3-T）MRN扫描（大腿远端）。人工标注坐骨神经和神经内病变，用于训练改进的nnU-Net v2架构进行二维（2D）和三维（3D）分割。使用Dice系数和表面Dice（surface Dice）指标评估模型性能。在两个独立测试数据集上评估泛化性。使用年龄校正偏相关分析，将影像来源的病变负荷指标与电生理参数相关联。

结果：自动神经分割的中位Dice系数为0.97。病变分割在训练集和独立测试集上的表面Dice值为0.64–0.77，表明在小结构分割场景中具有稳定的泛化能力。定量病变负荷指标在各队列间保持一致，并与神经功能的电生理指标显著相关。例如，在年龄校正偏相关分析中，自动总病变负荷与胫神经传导速度（r=-0.62，p<0.001）和胫神经复合肌肉动作电位（r=-0.568，p=0.002）显著相关。

结论：本研究提出了一种可复现的深度学习框架，用于MRN中周围神经病变的自动分割和定量评估。该方法能够对小的神经内异常进行标准化体积表征，并为可扩展的定量周围神经成像奠定了基础。

关键要点：
问题：人工智能能否自动检测和测量MRI扫描中的神经损伤？
发现：该方法提供了比人工图像分析更快、更一致的选择。
相关性声明：基于MRI的神经病变自动定量能够实现周围神经病变的客观、可重复评估，有望提高诊断准确性、监测疾病进展，并在临床实践和研究中支持标准化、可扩展的评估。

磁共振神经成像（MRN）是一种可高分辨率显示周围神经和神经丛的专用磁共振成像技术，其中T2加权脂肪抑制序列是MRN的核心序列，可突出显示神经并反映其形态学异常。临床中，MRN有助于诊断创伤性、炎性、遗传性和代谢性神经病变以及周围神经肿瘤，尤其适用于电生理检查难以评估的近端神经节段，如坐骨神经、腰骶丛和脊神经根。然而，神经内病变的定量和可重复表征仍是计算神经影像学中的难题：影像科医师需要区分真实的神经内信号异常与伪影、部分容积效应、神经内血管及邻近脂肪，且人工标注病变费时费力、观察者间差异大。既往研究已实现自动坐骨神经分割，但尚未聚焦于神经内病变分割。因此，研究人员提出了基于卷积神经网络的自动分割流程，旨在实现坐骨神经内高信号和低信号病变的客观、可重复定量，并探讨其与电生理参数的生物学相关性。该研究为技术验证和探索性终点分析，论文发表在《European Radiology Experimental》。

研究人员采用回顾性队列，共纳入178例受试者，来自海德堡大学医院神经放射科的前瞻性MRN数据库；训练集包含91例，测试集1包含56例，测试集2包含31例。关键技术包括：使用改进的nnU-Net v2架构分别训练二维和三维全分辨率模型，通过类别加权（背景0.05、两类病变各2.0）缓解类别不平衡，采用联合Focal与Soft Dice损失以及Top-k体素挖掘策略强化难分类体素的学习；神经分割模型在全图像视野上训练，病变分割模型在裁剪至神经感兴趣区的图像上训练；采用5折交叉验证和测试时增强，并去除小于10 mm³的连通病变成分。模型性能以Dice系数和表面Dice评估；在测试集2中，使用年龄校正偏相关分析将病变负荷与电生理参数关联。

结果部分的主要发现如下：

受试者人口统计学与分割性能：共178例受试者中，训练集91例，测试集1为56例，测试集2为31例。自动坐骨神经分割在各数据集中表现稳健，中位Dice系数为0.97，中位表面Dice为1.00。病变分割在不同病变类型上的中位表面Dice为0.687–0.771，Dice系数为0.613–0.731，且在独立测试集间保持稳定，显示了良好的泛化性。

观察者间一致性：在训练集中，两位独立读片者的人工神经和病变标注具有极好的一致性，组内相关系数ICC(3,1)为0.93（95% CI 0.88–0.96），说明人工标注流程高度可重复。

神经掩膜来源的影响：在测试集中，分别使用专家标注的坐骨神经掩膜和自动生成的神经掩膜进行病变分割。结果显示，使用自动神经掩膜时病变分割性能与使用专家掩膜时相近，表明该病变分割流程对上游神经分割的变异具有稳健性。

测试集病变体积分析：测试集1中，每位受试者中位高信号病变体积为73.7 mm³，低信号病变体积为89.1 mm³，总病变体积为179.9 mm³；病变-神经体积比为0.143。测试集2中相应中位体积为94.7 mm³、121.9 mm³和223.3 mm³，病变-神经体积比为0.154。两个测试集的病变体积分布总体一致，低信号病变负荷略高于高信号病变。

与神经电生理参数的相关性：在测试集2的年龄校正偏相关分析中，自动总病变负荷与胫神经传导速度（r=-0.62，p<0.001）及胫神经复合肌肉动作电位（r=-0.568，p=0.002）显著相关。全自动病变定量与手动定量方法相比，显示出相似或部分更强的结构-功能关联，支持自动测量具有生物学合理性。

讨论部分指出，病变分割性能需结合小结构评价的固有挑战进行解读：体积Dice对尺寸高度敏感，小病灶的Dice值通常低于大结构；本研究的Dice和表面Dice水平与多发性硬化斑块等小病灶分割任务相当。全自动管线中观察到的保守性检测模式表现为阳性预测值较高而敏感性相对较低，即模型很少产生虚假病变，但会漏掉部分真实病变。在队列层面，高阳性预测值支持体积指标的可靠性，但个体纵向监测需进一步优化敏感性。此外，自动分割可减少观察者依赖，可能为标准化、可扩展的MRN定量评估提供基础。局限性包括回顾性设计、训练队列以2型糖尿病神经病变为主、全部为3.0 T设备且采集协议相对同质、基于8位图像阈值分割可能影响细微信号差异，以及神经内血管与高信号病变难以完全区分等。

研究结论：本研究证明，MRN中T2加权神经内病变的全自动分割和定量在独立数据集上是可行且稳健的。在技术性能之外，自动定量与电生理损伤之间表现出与手动测量相比具有生物学合理性的相关性，凸显了其作为客观影像生物标志物的潜力。虽然仍需进一步前瞻性验证，但自动MRN分析为周围神经病理学的标准化定量评估奠定了基础。总体而言，该框架为未来的多中心和纵向MRN研究提供了可复现的参考。