基于目标检测与语义分割的CT脑室亚区全自动体积测量研究

《NeuroImage: Reports》：Fully automated volumetry of ventricular subregions on computed tomography using object detection and semantic segmentation

本研究针对脑积水患者脑室体积手动测量效率低、主观性强的问题，开发了一种结合YOLOv5目标检测与U-Net语义分割的全自动脑室亚区分割流程。该模型在内部验证中达到左外侧脑室体部Dice分数0.92±0.1，外部验证中仍保持0.90±0.05的精度，显著优于nnU-Net基线模型。研究成果实现了CT影像中脑室亚区三维体积的快速客观量化，为临床评估脑室细微变化提供了新工具。

　　

在神经外科临床实践中，脑室体积的精确测量对脑积水等疾病的诊断和治疗评估至关重要。然而，传统的手动线性测量不仅耗时耗力，还容易因CT扫描时患者头部位置不一致、切片角度差异等因素引入误差。已有研究表明，扫描平面倾斜角度会显著影响正常压力脑积水（NPH）的放射学指标评估效果。更重要的是，脑脊液（CSF）动力学失衡导致的脑室扩张可能仅局限于特定亚区（如颞角），而传统二维测量难以捕捉这种局部变化。因此，开发能够自动、精确量化脑室亚区体积的工具成为临床迫切需求。

为此，苏黎世大学医院团队在《NeuroImage: Reports》发表研究，提出了一种基于机器学习的全自动脑室亚区分割与体积测量流程。该研究整合了目标检测（YOLOv5）和语义分割（2D U-Net）技术，实现了对额角、侧脑室体部、第三脑室等11个亚区的快速分割。研究纳入来自两个医疗中心的130例脑积水患者CT数据（80例内部开发集、50例外部验证集），通过手动标注亚区边界后训练模型。关键技术包括：采用YOLOv5定位亚区并裁剪感兴趣区域（ROI），利用专用U-Net对每个亚区进行分割，最后通过反采样重建三维体积。与主流nnU-Net对比显示，该方案在保持精度的同时显著提升了对小尺度亚区的分割效果。

3.1 数据集

研究队列涵盖多种脑积水病因，其中苏黎世中心包含正常压力脑积水（33.8%）、蛛网膜下腔出血（32.5%）等病例，博洛尼亚中心均为正常压力脑积水患者。体积数据显示左外侧脑室体部体积最大（左侧41.16±17.12 ml，右侧37.59±15.72 ml），后角体积最小（左侧1.97±1.76 ml），为模型训练提供了具有临床代表性的数据基础。

3.2 YOLO目标检测

YOLOv5模型在内部验证中达到平均精度（mAP₅₀）0.728，但外部验证降至0.274。其中第四脑室检测效果最佳（mAP₅₀=0.68），后角因训练样本稀少（仅39-56个实例）性能较弱。结果表明目标检测模块对已知数据分布具有鲁棒性，但跨中心泛化能力仍需提升。

3.3 U-Net语义分割

左外侧脑室体部分割效果最优（Dice分数0.90±0.05），而后角因形态变异大且训练样本不足导致分割失败（Dice分数0.18±0.05）。值得注意的是，尽管单个亚区体积误差较高，但整体脑室系统的相对体积误差（RVE）较低，证明该方案对临床关注的总体积变化监测具有实用价值。与nnU-Net对比实验中，本研究方案在外部验证集的Dice分数普遍高出0.3-0.5，凸显了两阶段策略的优越性。

讨论与结论

该研究首次实现了CT影像中脑室多亚区的全自动分割与体积量化。其临床意义在于：一是通过三维体积测量规避了切片角度选择的主观偏差；二是对颞角等关键亚区的专门量化有助于识别局限性脑室扩张；三是提供的图形界面（GUI）使计算时间缩短至3分钟/例，大幅提升临床适用性。局限性在于未涵盖去骨瓣等特殊病例，且外部验证集病种单一。未来可通过多中心数据融合进一步优化模型泛化能力，为脑积水病理机制研究和精准诊疗提供新范式。