基于人工智能的高分辨率MRI全前视通路(whole anterior visual pathway, aVP)分割

《European Radiology Experimental》：Whole anterior visual pathway segmentation from high-resolution MRI using artificial intelligence

　　

目的：前视通路(anterior visual pathway, aVP)包括视神经、视交叉及视束，其在高分辨率磁共振成像(magnetic resonance imaging, MRI)中的手动分割耗时且存在阅片者间差异。研究人员开发并验证了一种全自动深度学习框架"aVP-seg"，用于在健康志愿者及多发性硬化(multiple sclerosis, MS)患者中快速实现视神经、视交叉和视束的多类别分割。材料与方法：研究人员开发并验证了一种级联两阶段三维卷积神经网络( principal segmentation + refinement )用于从0.6 mm各向同性三维稳态构成干扰序列(constructive interference in steady state, CISS) MRI中自动多类别分割aVP。模型在34名健康对照者和46例MS患者中进行训练与评估。金标准(ground truth)来源于两名放射科专家 manual segmentation 的并集。空间一致性评价指标包括Dice相似系数(Dice similarity coefficient, DSC)、第95百分位豪斯多夫距离(95th percentile Hausdorff distance, HD95)及体积相似度(volumetric similarity)。结果：全aVP与金标准的一致性较高（DSC 0.86 ± 0.03，95%置信区间[confidence interval, CI] 0.85–0.86）。边界对齐良好（HD95 1.18 mm ± 0.54；95% CI 1.06–1.30），体积相似度高（0.96 ± 0.04；95% CI 0.95–0.97）。左右视神经准确性一致（DSC 0.85–0.86 ± 0.05–0.04）及视交叉（DSC 0.83 ± 0.09），视束稍低（DSC 0.74–0.75 ± 0.07–0.07）。结论：aVP-seg可从高分辨率CISS MRI中准确、自动地完成全aVP多类别分割，该工具有望标准化并加速神经眼科疾病中aVP完整性定量生物标志物的提取。

论文解读：基于人工智能的高分辨率MRI全前视通路(whole anterior visual pathway, aVP)分割

本研究发表于《European Radiology Experimental》。前视通路(anterior visual pathway, aVP)由视神经(optic nerve, ON)、视交叉(optic chiasm, ONC)及视束(optic tract, OT)组成，是多发性硬化(multiple sclerosis, MS)等神经眼科疾病常受累的结构。目前三维高分辨率磁共振成像(magnetic resonance imaging, MRI)虽可对aVP进行解剖学评估，但手动分割全aVP需30–45分钟且存在显著阅片者间变异；既往自动化方法多仅分割单一结构（如仅视神经）或仅适用于健康人，缺乏针对全aVP多类别分割且在患者群体中验证的模型。为此，研究人员开发了基于级联两阶段三维卷积神经网络的"aVP-seg"框架，利用0.6 mm各向同性稳态构成干扰序列(constructive interference in steady state, CISS) MRI，在健康受试者及MS患者中实现aVP全自动九标签多类别分割，并验证其空间一致性可达专家水平。该研究为aVP定量生物标志物的标准化提取提供了可靠工具。

主要关键技术方法：

研究为单中心前瞻性设计，纳入34名健康对照者及48例复发缓解型MS患者（2例因运动伪影排除，最终46例MS）。采用3.0 T MRI(Siemens Skyra) 64通道头线圈采集眼眶及颅内aVP的0.6 mm各向同性三维CISS序列（TR=8.1 ms, TE=3.74 ms, 层厚0.6 mm）。金标准由两名具有5年以上经验的放射科医师依据既定解剖标志独立手动分割（含左/右视神经及其眶内intraorbital/iOrb、管内intracanalicular/iCan、颅内intracranial/iCran亚段、视交叉、左/右视束），取并集(Union)作为Ground Truth。AI模型为主干带Res2Net瓶颈与注意力门控跳跃连接的3D Attention U-Net（主分割），级联一轻量级3D U-Net（以初分割结果与CISS图像为输入，采用边界加权Dice损失进行细化refinement），经Monte Carlo交叉验证（80/20划分）训练，后处理含小簇去除、侧别标记强制、间隙插值与连续性校正。评价指标为Dice相似系数(Dice similarity coefficient, DSC)、第95百分位豪斯多夫距离(Hausdorff Distance 95th percentile, HD95)、平均对称面距离(average symmetric surface distance, ASSD)、体积相似度(volumetric similarity, VS)、精确率(precision)与召回率(recall)。

研究结果

Ground-truth consistency（金标准一致性）：

两名放射科医师分割结果间的平均DSC为0.83（SD ±0.03；95% CI 0.82–0.84），Jaccard指数为0.71（SD ±0.05），精确率0.85、召回率0.82；HD95均值为1.09 mm（SD ±0.25），平均对称面距离0.44 mm。表明人工金标准具有较高体积与边界重现性，可作为可靠的参照基准。

aVP-seg spatial similarity（aVP-seg空间相似性）：

AI预测与金标准相比，全aVP平均DSC为0.86（SD ±0.03；95% CI 0.85–0.86），Jaccard指数0.75，HD95为1.18 mm（SD ±0.54；95% CI 1.06–1.30），ASSD为0.41 mm，VS为0.96（SD ±0.04），精确率0.87、召回率0.85。各亚结构DSC为：左右视神经ONR 0.86±0.04/ONL 0.85±0.05，视交叉ONC 0.83±0.09，左右视束OTR 0.75±0.07/OTL 0.74±0.07；视神经各亚段：iOrb 0.86±0.08，iCan 0.71±0.09，iCran 0.81±0.05。视束及管内段(iCan)分割精度相对较低。aVP-seg的分割一致性落在专家阅片者间变异范围内，说明其性能与专家手工勾画相当。模型推理时间<60 s（标准GPU），远快于手工分割。

讨论与结论翻译（Conclusion部分原文意译）：

aVP-seg可从高分辨率CISS MRI中提供准确的全aVP自动多类别分割。该工具可标准化并加速神经眼科疾病中aVP完整性定量生物标志物(quntitative biomarkers of aVP integrity)的提取。自动多类别分割使个体水平aVP生物测量提取及组间比较的MRI数据准备工作具备标准化与可重现性，将促进未来对MS及其他神经眼科疾患视通路受累的评估。研究局限性包括单中心单扫描仪单协议采集，需多中心外部验证；样本量较小；采用Union-based金标准可能导致DSC呈保守低估。视束处精度受限主要源于与脑组织汇合处的末端切片截断(end-slice truncation)，管内段受骨性视神经管磁场不均匀性影响信号。未来将在多中心多厂商队列中验证并探索域适应策略。