基于深度学习模型的颈椎MR图像脊髓及椎管自动测量

目的:探讨深度学习实现颈椎MR脊髓和椎管自动测量的可行性。方法:回顾性收集558例颈椎MR图像,以8:1:1的比例随机分为训练集(n=436)、调优集(n=61)和测试集(n=61)。由一位低年资医师标注所有图像的椎管和脊髓,在测试集中测量脊髓最大受压程度、椎管最大狭窄程度、横截面积及压缩比,由一位主任医师审核所有结果后作为金标准。另一位高年资医师在测试集中进行测量作为人工组结果。以Swin Transformer为骨干网络的深度学习模型进行的分割和测量作为模型组结果。采用Dice相似系数(DSC)、交并比(IoU)评价模型分割性能。使用组内相关系数(ICC)、Bland-Altman散点图比较各组结果一致性。结果:测试集中,深度学习模型分割脊髓(横轴面、矢状面)和椎管(矢状面)的DSC值(%)为93.10±0.57、94.60±0.09、86.17±0.22,IoU值(%)为87.09±1.00、89.76±0.17、75.70±0.34。人工组、模型组和金标准的ICC值为0.770~0.945,模型组与金标准的组间ICC值为0.782~0.913,人工组与金标准的组间ICC值为0.692~0.903,三组之间的差异具有统计学意义(P<0.001)。结论:深度学习模型对颈椎MR椎管和脊髓的分割测量具有较高准确性。

磁共振3D DANTE CUBE序列对动脉管壁的定量评估:与病理比较的实验研究

目的定量评价基于延迟交变章动调整激发(delay alternating with nutation for tailored excitation,DANTE)预脉冲3D CUBE磁共振序列对动脉管壁成像与病理结果的一致性。材料与方法采用高脂饲料喂养加腹主动脉内膜拉伤手术制作12只新西兰大白兔的动脉粥样硬化模型,同期普通饲料喂养8只作为对照组。运用3.0 T磁共振扫描仪对腹主动脉行冠状位黑血DANTE预备的CUBE容积扫描,包括T1WI和T2WI序列,而后行病理HE染色及高清数字化扫描。对磁共振图像进行横轴位重建,测量磁共振和病理图像管腔面积(lumen area,LA)、血管总面积(total area,TA),计算管壁面积(wall area,WA),WA=TA-LA,以及计算标准化管壁指数(normalized wall index,NWI),NWI=WA/TA。T1WI和T2WI的NWI分别用NWI_(T1)和NWI_(T2)表示。根据病理图片勾画血管壁外膜内边缘和外膜外边缘,相应的NWI分别用NWI_(P1)和NWI_(P2)表示。比较影像和病理定量指标在实验组与对照组之间的差异,并采用组内相关系数(intraclass correlation coefficient,ICC)、Bland-Altman plots评估磁共振序列之间、磁共振与病理之间的NWI一致性。结果最终19只兔(实验组1只磁共振成像检查前死亡)纳入统计。与对照组相比,实验组的LA明显较小(T1WI,P=0.033;T2WI,P<0.0001)、NWI明显较大(T1WI,P<0.0001;T2WI,P<0.0001)。整体一致性分析发现,NWI_(T1)和NWI_(T2)之间的一致性较好(ICC=0.7552),NWI_(T1)或NWI_(T2)与NWI_(P1)的一致性次之(ICC=0.438;ICC=0.444),NWI_(T1)或NWI_(T2)与NWI_(P2)的一致性最差(ICC=0.285;ICC=0.292)。实验组的一致性分析与上述结果类似。对照组中,NWI_(T1)和NWI_(T2)之间的一致性也较好(ICC=0.6304),但NWI_(T1)或NWI_(T2)与NWI_(P1)的一致性较差(ICC=-0.1917;ICC=-0.05949),NWI_(T1)或NWI_(T2)与NWI_(P2)的一致性也较差(ICC=-0.1989;ICC=-0.1441)。结论3D DANTE CUBE的T1WI和T2WI可以量化区分兔腹主动脉粥样硬化病变管壁与正常管壁,且这两个常用加权序列之间的一致性较好。根据与病理的一致性分析,DANTE CUBE序列测量的NWI相对接近病理图像中血管外膜内边缘测量的结果,但总体而言一致性欠佳,在管壁菲薄的正常血管比较中尤甚。