《Neuroinformatics》：Circle of Willis-Guided Localization for Simultaneous Detection and Classification of Large Vessel Occlusions in Brain CTA
编辑推荐：
专业术语翻译（摘要部分）
大血管闭塞（Large Vessel Occlusions, LVOs）是脑部主要动脉的阻塞，可导致严重的神经功能损伤。利用计算机断层血管造影（Computed Tomography Angiography, CTA）进行快速准确的检
专业术语翻译（摘要部分）
大血管闭塞（Large Vessel Occlusions, LVOs）是脑部主要动脉的阻塞，可导致严重的神经功能损伤。利用计算机断层血管造影（Computed Tomography Angiography, CTA）进行快速准确的检测对于卒中的及时治疗至关重要。在此，研究人员提出了一种全自动方法，可同时检测LVO并对受累血管进行分类。该方法通过引入Willis环（Circle of Willis, CoW）分割作为额外输入来整合空间先验信息，引导模型关注解剖相关区域。研究人员评估了两种策略：使用完整CTA体数据的全局方法（global approach）和聚焦于CoW区域的局部方法（local approach）。两种方法均取得了高性能。全局方法在每幅图像0.20个假阳性（false positives per image）时检测灵敏度为0.97，局部方法在0.13个假阳性时灵敏度同样达到0.97。全局方法和局部方法的分类准确率分别达到94%和91%。重要的是，局部方法的处理速度快3.3倍（3.3×），提供了一种计算高效的解决方案，这在急性卒中救治中具有关键优势，因为每一分钟的延误都会影响患者预后。
论文解读
一、研究背景与意义
卒中是全球第二大常见死亡原因，也是死亡与残疾合并计算的第三大常见原因。缺血性卒中由脑部血液供应减少或阻断引起，占所有卒中病例的70%，且具有较高的复发风险。大血管闭塞（Large Vessel Occlusions, LVOs）是脑部主要动脉的阻塞，24%至46%的急性缺血性卒中由LVO导致。由于这些闭塞位于近端血管系统，可造成大面积脑组织损伤，导致高死亡率和高致残率——尽管接受了血管内治疗，不到50%的患者在3个月时仍能恢复独立功能状态。因此，LVO相关卒中的快速诊断和治疗至关重要。
计算机断层血管造影（Computed Tomography Angiography, CTA）目前是LVO诊断的金标准。然而，解读CTA扫描图像耗时且具有挑战性：放射科医生必须快速审阅大型三维图像体数据，通常需要逐层多平面检查颅内血管系统，以寻找动脉闭塞的细微征象，同时还需考虑正常解剖变异和潜在的成像伪影。这些挑战必须在巨大的时间压力下完成，因为诊断和治疗的每分每秒延误都与更差的神经功能预后相关。
现有的大多数LVO检测研究将问题视为二分类任务，仅判断LVO存在与否，而不指定其确切位置。然而，尽管目前所有类型的LVO通常都采用血管内治疗，但不同血管段的闭塞由于疾病发病机制不同，治疗策略可能存在差异。例如，后循环（如基底动脉）闭塞更常使用球囊血管成形术和永久性支架，而前循环闭塞则更常采用支架取栓和导管抽吸。因此，自动识别受闭塞影响的血管段在临床实践中至关重要。
目前可用的商业软件（如RapidLVO、Viz-LVO、e-CTA和StrokeViewer-LVO）虽然具有临床实用性，但仍存在对远端闭塞灵敏度降低、易受图像伪影影响导致假阳性、以及依赖标准化CTA采集方案等局限性。此外，虽然已有多种方法以边界框形式提供闭塞的空间定位，但这些方法通常不将检测到的闭塞与特定血管段关联，仅提供受影响区域的通用空间定位。识别受LVO影响的血管段将改善解剖可解释性，支持更精确的临床评估，指导介入规划，并优化预后估计。基于此，研究人员提出了一种同时检测LVO并对受累血管段进行分类的方法。
二、研究内容与主要结论
研究人员提出了一种基于nnDetection框架的全自动方法，可同时实现LVO检测和受累血管分类，产生闭塞的边界框和受影响动脉的类别标签。该方法首次在统一框架内同时解决这两个任务。此外，研究人员引入自动化的Willis环（Circle of Willis, CoW）分割来定义解剖学信息区域，将训练空间限制在解剖相关区域。研究比较了两种策略：使用完整CTA体数据的全局方法和聚焦于CoW区域的局部方法。
研究结果表明，两种方法均取得了高性能。在内部测试集上，全局方法在每幅图像0.20个假阳性时检测灵敏度为0.97，局部方法在0.13个假阳性时达到相同灵敏度。分类准确率分别为94%（全局）和91%（局部）。在独立测试集CODEC-IV上，使用2% IoU阈值时，全局方法在0.50个假阳性时灵敏度为0.90，局部方法在0.56个假阳性时灵敏度为0.88。重要的是，局部方法的推理速度快3.3倍，为急性卒中救治提供了计算高效的解决方案。
三、关键技术方法
研究人员使用了公开可用的3D自配置nnDetection框架，该框架基于Retina U-Net架构，结合了RetinaNet单阶段检测器与用于语义分割的U-Net架构。模型超参数基于标准3D nnDetection配置：60个epoch，批大小4，初始学习率在前4000次迭代线性增加至0.01后采用多项式衰减调度，使用带Nesterov动量0.9的随机梯度下降优化器，patch大小固定为128×128×128。CoW分割模型使用TopCoW挑战赛的CTA数据训练标准nnU-Net模型，采用5折交叉验证，在CoW CTA分割任务中达到Dice分数0.944±0.026。开发数据集包含179例CTA图像，来自西班牙赫罗纳Dr. Josep Trueta医院，使用Philips Healthcare Ingenuity CT扫描仪采集，包含基底动脉、颈内动脉末端（TICA）和大脑中动脉（M1段）闭塞。其中143例用于训练，36例用于内部测试。独立测试集使用CODEC-IV数据集中的48例CTA图像，该数据集由CT灌注图像派生，采集自东芝Aquilion扫描仪。所有图像均经过自动裁剪至头部区域，使用FSL工具箱进行去颅骨处理，并将脑部强度值裁剪至0-200 HU。
四、研究结果
内部数据集场景： 全局方法在0.08假阳性时灵敏度为0.92，在0.2假阳性时灵敏度为0.97；局部方法在0.03假阳性时灵敏度为0.92，在0.13假阳性时灵敏度为0.97。在0.1 FPPI处，病例级配对bootstrap分析显示平均灵敏度差异为0.000，95%置信区间为[-0.081, 0.081]，表明两种方法无系统性差异。定位精度方面，全局方法中心到中心平均距离为1.76±1.49 mm，局部方法为1.76±1.32 mm。分类方面，全局方法准确率为94%（κ=0.88），局部方法为91%（κ=0.82），两种方法均正确分类了所有基底动脉LVO。考虑检测失败时，全局方法33/36例正确检测并分类，局部方法为32/36例。
独立数据集场景： 使用10% IoU阈值时，全局方法在0.67假阳性时灵敏度为0.71，局部方法在0.83假阳性时灵敏度为0.71。由于训练集与独立测试集标注框尺寸存在显著不匹配，研究人员将IoU阈值降至2%后，全局方法在0.50假阳性时灵敏度达0.90，局部方法在0.56假阳性时灵敏度达0.88。定位精度方面，全局方法中心距离为2.47±1.13 mm，局部方法为2.43±1.23 mm。分类方面，全局方法准确率为87%（κ=0.62），局部方法为81%（κ=0.40）。误分类主要发生在邻近类别之间（如TICA与M1），原因是模型捕获了从TICA延伸至M1段的整个血栓范围。
五、讨论与结论
讨论部分指出，使用CoW区域作为输入可获得与全图像相当的灵敏度，同时显著减少假阳性。在内部测试集中，将位于ROI外的假阳性移除后，在0.97灵敏度下假阳性从0.20降至0.17，但仍未优于局部方法的0.13，表明大多数假阳性发生在Willis环内。与既往研究相比，Brugnara等人在835例上训练的模型达到0.94灵敏度时伴有4个假阳性，而研究人员的模型在更少假阳性下达到相同灵敏度；Russo等人报告在1个假阳性时灵敏度为0.708，研究人员的两种方法均以更少假阳性获得更高灵敏度。补充评估中，在IACTA-EST挑战赛数据集上，全局模型区分LVO阳性和阴性病例的AUC为0.95，局部模型为0.84，展示了良好的判别能力。研究局限性包括单中心数据采集、样本量相对较小以及类别不平衡，尤其是基底动脉病例较少。
结论部分总结：研究人员首次在nnDetection框架内同时实现LVO检测和血管级分类。全局方法和局部方法均取得了可比的高性能——内部测试集上全局方法在0.20假阳性时灵敏度为0.97，局部方法在0.13假阳性时达到相同灵敏度；分类准确率分别为94%和91%。局部方法将每例处理时间缩短了约3倍。将训练和推理限制在感兴趣区域内可显著降低计算成本而不牺牲准确性，这一特性对于要求快速图像分析的临床卒中工作流程尤为重要。
