《Journal of Imaging Informatics in Medicine》：A Landmark-Guided Dual-Stream Synergistic Framework for Automated Intracranial Aneurysm Detection in Magnetic Resonance Angiography
编辑推荐：
颅内动脉瘤（Intracranial Aneurysms，IA）的早期精准检测是预防其破裂的关键，然而飞行时间磁共振血管成像（Time-of-Flight Magnetic Resonance Angiography，TOF-MRA）的人工判读耗时费力，显著增
颅内动脉瘤（Intracranial Aneurysms，IA）的早期精准检测是预防其破裂的关键，然而飞行时间磁共振血管成像（Time-of-Flight Magnetic Resonance Angiography，TOF-MRA）的人工判读耗时费力，显著增加临床医师工作负担。尽管深度学习方法提供了有前景的解决方案，现有方法常依赖不切实际的血管分割或低效的补丁采样策略。为此，研究人员提出了一种双流协同框架用于IA的检测与分割，兼顾诊断准确性与临床可行性。第一阶段执行地标引导的候选检测，首先基于U-Net模型，采用新型自适应损失函数预测18个血管地标的位置；这些地标引导提取坐标感知补丁，随后由混合UNETR-FPN模型分析以识别潜在动脉瘤候选。第二流采用细粒度分割模型（带残差编码器的nnU-Net）在全MRA体积上运行，以描绘病灶边界。最终预测通过两流的条件融合生成，优先参考候选检测结果，并利用分割信息优化形状。该框架在1055例TOF-MRA扫描数据上进行训练与评估，包含两个独立的内部测试集。地标定位模型在生成的补丁中包含真实动脉瘤的灵敏度超过0.97。在两个测试集上，框架的病损水平灵敏度分别达到0.87和0.82，对应每例假阳性率分别为1.23和1.17。性能在不同解剖位置表现稳健，但对≤3 mm的动脉瘤检出率下降。该地标引导的双流框架在降低标注需求的同时实现了优异的IA检测性能，为脑血管疾病诊断提供了一种临床实用工具。
该研究发表于《Journal of Imaging Informatics in Medicine》。颅内动脉瘤（Intracranial Aneurysms，IA）是脑动脉壁局部薄弱导致的扩张，普通人群患病率约3%，一旦破裂可引发致死性蛛网膜下腔出血。目前数字减影血管造影（Digital Subtraction Angiography，DSA）虽为诊断金标准，但因有创、昂贵而难以普及；飞行时间磁共振血管成像（Time-of-Flight Magnetic Resonance Angiography，TOF-MRA）凭借无创、无需造影剂及辐射的优势，成为临床筛查与随访的重要替代手段。然而，人工阅片工作量巨大且易漏诊，现有深度学习辅助方法面临两难困境：随机补丁采样包含大量无关脑组织导致效率低下，而全血管分割需要极高的专家标注成本且技术难度大，难以在临床落地。为解决这一矛盾，研究人员开发了一种兼顾高灵敏度与低标注成本的双流协同检测框架。
研究人员采用了几项关键技术方法。数据来源于韩国Severance医院2006年至2023年间回顾性收集的1055例TOF-MRA扫描，经严格排除后包含99例无动脉瘤及956例有动脉瘤病例，覆盖多厂商设备。核心技术包括：1. 基于U-Net的18点血管地标定位网络，引入新型自适应损失函数，依据病灶有无动态调整学习重心；2. 地标引导的补丁裁剪策略，结合混合UNETR-FPN架构进行候选检测，并引入坐标感知机制与二次精炼循环以降低假阳性；3. 并行运行的nnU-Net残差编码器（ResEnc）模型负责全图细粒度分割；4. 设计条件融合逻辑，以检测流为主、分割流为辅，实现优势互补。
研究结果部分展示了该框架的效能与验证过程。数据集特征显示，两个内部测试集涵盖了从2 mm至32 mm不等的动脉瘤，且特意平衡了解剖位置分布。在性能评估中，地标定位模型的灵敏度超过0.97，确保了后续检测的区域针对性。最终融合框架在测试集1和测试集2上分别取得了0.87和0.82的病损水平灵敏度，假阳性率（False-Positive Rate，FP）控制在每例1.23和1.17，Dice相似系数（Dice Similarity Coefficient，DSC）提升至0.68和0.70，显著优于单一流的输出。分层分析表明，模型性能在不同血管区域无显著差异，但在≤3 mm的小动脉瘤亚组中灵敏度明显下降。通过与既往研究对比，该模型在灵敏度与假阳性率的权衡中表现出竞争力，避免了全血管分割的高昂成本。消融实验证实，双流融合策略有效结合了检测流的高灵敏度与分割流的高精度边界优势。
在讨论部分，研究人员指出该框架的核心优势在于利用稀疏的地标标注（仅需18个点）替代密集的全血管分割，大幅降低了数据集构建门槛。模型在不同解剖位置的稳健性使其适用于复杂的后循环区域。虽然每例约1个假阳性的结果高于资深医师水平，但对于计算机辅助检测（Computer-Aided Detection，CADe）系统而言是可接受的，能有效减轻阅片负担并减少漏诊。研究的局限性主要在于单中心数据来源及对微小动脉瘤（≤3 mm）的检出能力不足，后者主要受限于此类病灶在训练数据中的占比及影像信噪比。研究人员计划在未来通过动态补丁调整及生成对抗网络（Generative Adversarial Networks，GANs）合成小动脉瘤数据来优化性能，并进行多中心外部验证。
研究结论认为，这种基于地标引导的双流协同框架成功解决了现有IA自动检测中效率与精度的矛盾。它在避免繁重血管分割标注的同时，实现了具有临床竞争力的检测灵敏度与可控的假阳性率，尤其在大中型动脉瘤及复杂解剖区域表现稳健。作为一种实用的临床决策支持工具，该技术有望被整合进神经血管影像工作流，辅助医师实现IA的及时、准确诊断。
