MRI影像中自动检测和定量分析扩大的血管周围间隙（PVS）的方法

大脑的淋巴系统是一个由颅内血管组成的网络,其功能是清除大脑中的"废物产物",如降解的蛋白质。它包括血管、血管周围间隙(PVS)和星形胶质细胞。淋巴功能不良与许多疾病有关;然而,其贡献仍然未知。为了进一步评估淋巴系统在不同疾病发病机制中的作用,人们已经努力对其进行成像。已经使用了许多成像方法,包括双光子显微镜和对比增强磁共振成像(MRI)。然而,这些方法在临床使用中存在局限性。PVS是淋巴系统的一部分,当扩大时可以在标准MRI序列上可视化。人们认为,PVS变大是由于代谢产物淋巴引流不良的继发结果。因此,量化PVS可能是淋巴功能的一个很好的替代标记。已经开发了许多手动评级量表来测量MRI扫描中PVS的数量和大小;然而,这些方法有许多局限性。为此，已经创建了自动化方法来更准确地测量不同疾病中的PVS。本文中我们讨论了目前可用于可视化淋巴系统的成像技术,以及目前可用于测量PVS的自动化方法,以及与每种技术相关的优缺点。本文发表在Journal of Magnetic Resonance Imaging杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，另思影脑影像分析业务，如感兴趣也可咨询)

      思影曾做过相关文章解读，可结合阅读：

PVS：对血管周围间隙结构和功能的成像

介绍：

      大脑的淋巴系统是一个由颅内血管和细胞组成的网络,其功能是在不同区室之间运输液体并清除大脑中的"废物产物",如降解的蛋白质。淋巴系统包括由血管、血管周围间隙(PVS)和星形胶质细胞组成的血管周围单位(图1)。PVS是环绕大脑血管的柱状潜在脑脊液腔,通常小于3 mm。在中枢神经系统(CNS)以外尚未描述PVS。

图1:血管周围单位示意图。

改编自参考文献1。血管周围间隙(PVS)是环绕穿透大脑的血管的柱状潜在脑脊液(CSF)腔。星形胶质细胞是一种胶质细胞,其突起的末梢跨越血管周围间隙,包绕在动脉的另一侧,在调节脑血流中发挥重要作用。水通道蛋白-4(AQP4)镶嵌在星形胶质细胞末梢中,促进液体在各区室间的交换。

       脑脊液(CSF)通过淋巴系统运动的途径已有理论假设。CSF进入围绕动脉的PVS,然后通过脑实质,进入围绕静脉的PVS,并在静脉系统附近引流(图2)。进入脑组织的液体可以"吸走"有毒蛋白和代谢产物,并通过PVS从大脑中清除。许多神经系统疾病是由大脑中蛋白质异常累积引起的(见"疾病中的PVS"部分)。尸检研究表明,PVS扩张是血管疾病的早期特征。因此,有毒蛋白和代谢产物的淋巴清除不良可能是这些疾病病因的潜在促成因素。

图2:通过淋巴系统的途径。来源:(a)取自参考文献6;(b)取自参考文献7。

(a)展示了CSF通过血管周围间隙经淋巴引流系统的路径示意图。CSF进入动脉周围的血管周围间隙。液体然后通过AQP4水通道进入脑实质。CSF进入静脉周围的血管周围间隙,将任何有毒蛋白和代谢产物(桔黄色星爆状)从脑组织中带走。液体、有毒蛋白和代谢产物然后通过淋巴系统引流,最终引流到颈部的淋巴结。

(b)绿色表示从大脑到颈部颈淋巴结的淋巴引流。液体从ISF-脑膜连接沿着硬脑膜静脉系统引流到颈部的深部淋巴结。

CSF =脑脊液;AQP4 =水通道蛋白-4;ISF =间质液。

      Iliff等人是最早成像淋巴系统的研究者之一。他们利用双光子激光扫描显微镜评估了CSF通过大脑的运动。通过将大分子量示踪剂FITC-d2000和低分子量示踪剂TR-d3注入小鼠的大池,他们确定了CSF从蛛网膜下腔运动的途径,发现脑间质液通过PVS被清除。此外,他们发现小分子可以通过整体流动从PVS进入脑实质,而较大的分子被星形胶质细胞末梢阻挡,留在PVS中被淋巴系统从大脑中清除。然而,这种方法具有侵入性,不是评估人体淋巴系统的实用方法。荧光显微镜会导致活组织细胞的光漂白和损伤,使其不适用于人体活组织。因此,有人提出使用MRI。

      随后,Iliff等人评估了对比增强T1w FLASH MRI序列在大鼠中成像淋巴系统的效用。这项研究使用两种不同的顺磁性对比剂Magnevist(gadopentetate dimeglumine, Gd-DTPA)和GadoSpin P(高分子量聚合物钆对比剂)评估了CSF在PVS中的交换。它证实了CSF从蛛网膜下腔通过PVS进入脑组织的途径。他们得出结论,对比增强MRI能够显示大鼠的淋巴通路,并允许在整个脑容积内显示示踪剂。这对于识别CSF流入PVS的关键区域是有益的。由于延髓损伤的风险,人类不采用经大槽的入路。然而,使用鞘内注射的对比增强MRI可以用来显示淋巴系统。鞘内途径是高度侵入性的,可能与严重的不良反应相关,包括感染、过敏反应和脊髓或神经损伤。此外,超过2小时的扫描时间限制了该技术在常规临床实践中对患者的可及性。尽管有这些局限性,与其他成像技术相比,由于具有更高的敏感性和特异性,目前临床实践中使用对比增强MR脑池显影来显示和诊断脑脊液漏。因此,这种方法可以改进,以显示体液通过人体淋巴系统的流动。在一组健康老年人中,Zhou等人证实了推测的脑膜淋巴管在淋巴通路中的作用,并验证了在多个时间点使用钆双胺对比增强T1w和FLAIR MRI扫描来显示淋巴清除的可行性。Ringstad等人研究了在4周内使用gadobutrol作为对比剂来显示淋巴通路(图3)。他们在一组健康个体和一组特发性正常压力脑积水(iNPH)患者中,在对比剂注射前和注射后包括24小时、48小时和4周的时间点进行了标准化T1w MRI扫描。他们发现,对比增强MRI可以清楚地显示通过淋巴系统清除gadobutrol,而iNPH组清除延迟。经尝试使用更少侵入性的静脉(IV)途径,而不是鞘内途径。Naganawa、Ohashi等人使用静脉给予钆基对比剂,在注射4小时后的T2w FLAIR MRI扫描上显示PVS的增强。他们发现这种技术在一组健康个体和一组内淋巴积液患者中成功识别了PVS。钆对比剂在临床实践中广泛用于对比增强神经影像学,但可能与罕见但危及生命的过敏相关,并且在肾功能不全时禁用。利用内源性对比技术的新方法可能优于外源性对比剂,如钆。静脉对比增强MRI提供了动态显示示踪剂通过淋巴系统流动的能力,这有利于更好地评估其功能。目前,其他模式仅提供在固定时间点对淋巴系统的显示。然而,这种技术需要在基线时进行静脉输注和扫描,然后在输注4小时后进行扫描以显示PVS中的示踪剂。因此,它耗时且可能限制其向临床实践的转化。

图3:通过对比增强MRI成像淋巴系统。来源:取自参考文献13。

      在特发性正常压力脑积水(iPH)患者中显示了淋巴系统。使用Gadobutrol作为MRI对比剂以显示CSF。在鞘内注射gadobutrol前和在定义的时间点后进行了标准化T1w MRI扫描。红色代表示踪剂摄取增加的区域,绿色代表示踪剂摄取中等的区域,蓝色代表示踪剂摄取差的区域。显示了来自8名iPH参与者的扫描。色阶显示了信号单位比的百分比变化。这表明在血管附近区域清除示踪剂,很可能通过PVS。

      成像淋巴系统的另一种方法是沿血管周围间隙的弥散张量图像分析(DTI-ALPS)。DTI-ALPS评估在大脑PVS和大白质纤维垂直的区域水沿PVS的弥散能力。这只能在髓质动脉和静脉与室壁相交的地方进行。ALPS指数是侧脑室外侧PVS沿其方向的弥散能力与垂直于主要白质纤维的PVS沿其方向的弥散能力之比。ALPS指数用于评估液体通过淋巴途径的流动。该方法是无创的,扫描时间较短,特别是与静脉对比MRI相比。然而,DTI有一些缺点。首先,它需要高质量的数据和磁敏加权成像(SWI)与DTI图像的配准。SWI需要准确识别PVS同心环绕的髓质静脉结构。DTI无法识别这些结构,因此需要配准来计算DTI-ALPS指数。在高度萎缩的大脑上,如老年人的大脑,这种配准的准确性较低。目前,DTI-ALPS只能测量一个感兴趣区域的PVS,无法提供整个大脑淋巴系统的信息。已有研究表明,大脑不同区域的淋巴功能不良可能对疾病有不同的影响。总的来说,DTI-ALPS技术相对较新,有望成为淋巴功能的潜在标志物。然而,DTI-ALPS只适用于血管垂直于白质的脑区;因此,全脑成像技术将是有利的,需要更多的研究来验证其在临床实践中的应用。

PVS扩大是淋巴功能不良的标志

      随着MRI技术的进步,PVS在MRI扫描中变得更容易识别。它们在没有对比增强的情况下可见,并且可以在临床实践中常见的序列上轻松识别(图4)。神经系统疾病通常需要在临床工作中进行脑MRI检查,因此它们在临床环境中是可获得的。如前所述,PVS是淋巴系统通路的重要组成部分。据报道,PVS因淋巴清除受阻的废物产物和间质液移除不良而继发性扩大。通常情况下,在非病理性结构MRI扫描中看不到PVS,人们认为只有当它们扩大且淋巴流减少时才会变得可见。因此,在MRI上可视化的PVS扩大可能是淋巴功能不良的替代标志。

图4:MRI上扩大的血管周围间隙。来源:取自参考文献31。在T2加权冠状面MRI上可见线性(箭头)和圆形(三角形)PVS结构。MRI =磁共振成像,PVS =血管周围间隙。

PVS在疾病中的作用

PVS在神经退行性疾病中的作用

      许多神经退行性疾病是蛋白病,即疾病与一种或多种有毒蛋白在脑内积累有关。这些蛋白质积累的一种机制可能是通过淋巴清除减少。Kress等人评估了老龄小鼠示踪剂的淋巴清除。他们发现,在老龄脑中,淋巴系统的引流受损。由于神经退行性疾病最常见于老年人群,可能是废物产物的淋巴清除减少使衰老的大脑易于发生神经退行性疾病。许多与神经退行性疾病发病机制有关的蛋白质,如tau蛋白和β-淀粉样蛋白,已被证明可通过淋巴清除。

      如前所述,PVS扩大可用作淋巴功能不良的生物标志物。与年龄和性别匹配的健康对照相比,多发性硬化(MS)患者的PVS被发现扩大。Wuerfel等人在T1w、T2w和FLAIR MRI扫描上测量了PVS体积。与对照组相比,他们量化了MS组PVS的较高体积。此外,在MS组中,PVS体积与脑实质分数无显著相关性(P = 0.126),表明脑萎缩程度对PVS测量无影响。Conforti等人还发现,与健康对照组(n = 30)相比,MS患者(n = 40)的PVS数量和体积更高,且与由脑实质分数测量的全脑皮质萎缩程度无关(P = 0.41)。因此,得出结论,MS组的PVS体积更大,与脑萎缩程度无关。Wuerfel等人还对18名患者进行了纵向子研究,这些患者在基线和12个月时都有MRI。他们发现,在有对比增强病变(CEL)的扫描中,与前一次无CEL的扫描相比,PVS的数量和体积显著增加(P = 0.011)。此外,与CEL存在的前一次扫描相比,CEL不存在时PVS体积较低(P = 0.085)。这表明,对于MS患者,PVS扩大可用作疾病活动的动态标志物。认为MS的炎症反应由于炎症细胞和液体渗入PVS而导致PVS扩大。这可能是由于脱髓鞘病变活动增加或炎症反应期间血-脑屏障破坏所致。

      研究还表明,帕金森病(PD)患者的PVS扩大。Shen等人发现,与健康对照组(n = 41)相比,早发PD患者(n = 40)基底节区的PVS体积(P = 0.015)和数量(P = 0.035)增加。此外,他们发现基底节区的PVS计数与以帕金森病统一评分量表运动障碍协会修订版(MDS-UPDRS)测量的疾病严重程度呈显著正相关(P = 0.005)。因此,PVS有可能用作PD疾病严重程度的标志物。PD的病理学特征之一是路易小体的存在。路易小体是由α-突触核蛋白异常聚集形成的。已证明α-突触核蛋白可通过淋巴系统从大脑中清除。然而,目前尚不确定α-突触核蛋白的淋巴引流不良是否会增加其沉积和形成路易小体,或者神经元的损伤是否会释放α-突触核蛋白,其在PVS中积累并阻碍正常的淋巴清除。

      阿尔茨海默病(AD)涉及两个主要病理特征——1)细胞外β-淀粉样蛋白(Aβ)斑块的形成和2)由于细胞内过度磷酸化tau蛋白累积导致的神经原纤维缠结的形成。这两种蛋白均被发现可通过PVS从大脑中清除。研究表明,与健康对照组相比,AD患者的PVS更大。认为,PVS继发性扩大是由于淀粉样蛋白和tau蛋白清除不足所致。Hansen等人发现,AD患者在T1w MRI扫描上测得的PVS负荷明显更高,且其定量PVS负荷评分能够区分AD患者与年龄匹配的健康对照(P < 0.001)。56 Boespflug等人发现,与健康对照组的尸检样本相比,AD患者的尸检样本中PVS扩大数量更多(P < 0.01)。此外,他们发现PVS负荷增加与Aβ和tau病理的存在相关,表明淋巴清除不良与这些蛋白质异常聚集之间可能存在因果关系。有一些证据表明,PVS扩大可用于区分轻度认知障碍(MCI)患者和认知健康对照组。Niazi等人发现,PVS扩张对于这种区分的敏感性为92.86%,特异性为93.33%。然而,已发现PVS在一系列不同的神经退行性疾病中扩大,因此不太可能高度特异于MCI。例如,与健康对照组相比,PVS在其他形式的痴呆中也被证明是扩大的,如血管性痴呆和额颞叶痴呆。总的来说,PVS可能在一系列蛋白病的发展中起着不可或缺的作用。

PVS在其他疾病中的作用

      PVS也被发现在其他脑部疾病中扩大,表明淋巴系统功能障碍可能与各种病理有关。在特发性全身性癫痫的儿童人群中,有多项报告称PVS。Liu等人发现,与健康对照组相比,新诊断的特发性全身性癫痫儿童的PVS数量和体积更高。此外,他们发现癫痫持续时间与PVS负荷呈正相关,且在癫痫发作后,PVS负荷随时间逐渐降低。这可以解释为癫痫引起的轴突损伤导致tau蛋白释放。因此,大脑中tau的积累可能导致PVS扩大和通过淋巴系统引流不良。

      淋巴系统成像显示,轻度创伤性脑损伤(TBI)后引流受损。Li等人发现,在轻度TBI大鼠中,正常淋巴引流的抑制表明脑损伤持续存在。此外,Koo等人发现,MRI检测到的半卵圆中心PVS负荷高表明发生硬膜下积液的可能性更大。这可能是由于淋巴功能不良使大脑易于积累有毒蛋白和代谢产物,在最初的创伤事件后造成进一步的神经元损伤。

      淋巴引流在特发性正常压力脑积水中也有研究。研究发现,这些患者通过淋巴系统清除示踪剂延迟。因此,淋巴引流不良可能促进疾病的发展。PVS可能是淋巴功能的有用标志物,并可能有助于这些患者的影像学诊断。然而,迄今为止,尚无研究在特发性正常压力脑积水患者队列中测量PVS。

      Barisano等人研究了来自NASA、欧洲航天局的宇航员和来自Roscosmos的宇航员队列的PVS。他们在这些参与者执行任务之前和在国际空间站停留6个月后测量了PVS负荷。他们发现,在太空飞行后,基底节区和白质(WM)的PVS负荷均增加。此外,与未发生SANS的宇航员相比,发生太空飞行相关神经眼综合征(SANS)的宇航员在太空飞行前后的WM PVS体积更大。

     总的来说,PVS与多种疾病有关。需要准确的PVS检测方法来进一步研究淋巴系统在疾病发病和进展中的作用。

测量PVS的视觉评级量表

      最初研究PVS负荷的研究计数了MRI上观察到的PVS数量。这仍然是评估PVS负荷的金标准,但非常耗时。随后,开发了许多视觉评级量表来简化和标准化PVS的测量。最广泛使用的是Wardlaw等人的STRIVE标准。该标准涉及在脑MRI扫描的半卵圆中心、基底节区和中脑的选定切片上手动计数PVS。使用这些手动计数,然后根据Wardlaw的PVS量表为扫描分配一个类别,以量化PVS负荷(图5)。

图5:Wardlaw评级量表。Wardlaw等人的STRIVE标准将MRI成像上的PVS定义为在所有成像方式下与CSF强度相似的充液空间。根据其所围绕血管的方向,它们可以呈现为线性或卵圆形/圆形。PVS通常<3 mm;然而,已有报告称大小>1.5 cm。该标准涉及对脑MRI扫描进行视觉评估,从半卵圆中心、基底节区和中脑获取切片。在选择视觉评估PVS负荷最高的轴向切片后,手动计数PVS的数量,将扫描分配到Wardlaw的PVS量表上的一个类别中。左图显示了被归入类别1的扫描示例,可见PVS很少,右图显示了被归入类别4的扫描示例,可见大量PVS。

MRI =磁共振成像;CSF =脑脊液;PVS =血管周围间隙;EPVS =扩大的血管周围间隙。

      视觉评估PVS有许多局限性,如表1所述。自动量化可以更准确地测量PVS扩大,并可能允许将PVS用作疾病进展的生物标志物。

表1. 视觉评级量表的局限性

局限性	解释
难以识别	PVS与其他脑血管疾病标志物(如腔隙性梗塞或白质病变)具有相似特征。仅凭视觉检查可能难以区分这些病变。
耗时	手动评估MRI序列非常耗时,因此对于较大的数据集可能不可行。大多数视觉评级量表通过仅测量单个轴向切片中的PVS来减少时间负担。然而,Ramirez等人表明,通过仅分析单个切片的单个半球来节省时间会导致结果的泛化能力降低。
检测偏倚	由于结果可能因研究者的技能和经验而异,存在较大的检测偏倚风险。Ramirez等人在使用手动Wardlaw评级量表时发现评估者间信度较差(ICC = 0.54)。更有经验的研究者更有可能显示PVS,因此将扫描置于更高的类别。此外,视觉检查可能会漏掉真阳性,而自动化方法更容易识别出这些真阳性。
底效应和天花板效应	视觉评级量表将PVS的数量与评分类别相关联。这些类别的下限和上限分别涉及未见PVS或超过一定数量的可视化PVS。因此,如果评估者无法显示任何PVS,则鼓励将扫描置于最低类别;如果显示许多PVS,则置于最高类别。由于底效应和天花板效应,这可能会限制研究结果。
不能用于纵向研究	视觉评级量表的分类特性意味着您是根据类别而不是PVS的数量来比较扫描。如果PVS的数量随时间增加但在同一类别内,则不会识别出任何随时间的变化。目前,所有使用视觉评级量表的研究都是横断面研究。
需要高质量图像	PVS的可视化依赖于高质量、高分辨率的图像,以确保在计数过程中不会遗漏PVS。如果使用分辨率较差的图像,使用这些视觉评级量表的结果可能不准确。
无法评估体积	PVS的视觉评级评分也不提供关于体积的任何有意义的信息。PVS扩大的体积可能有助于纵向评估PVS的任何变化。

自动化的 PVS 测量程序

      为了提高 PVS 测量的可靠性及其作为淋巴系统生物标志物的效用,已经开发了许多自动化算法。这些算法的开发不仅可以计算 PVS 的数量(如使用视觉评分量表测量的那样),还可以计算 PVS 体积。这两种测量在文献中被交替用作 PVS 负担的标志。为了开发出准确且具有临床适用性的算法,已经尝试了多种技术(表2、图6)。这些算法可以大致分为基于强度阈值的方法(应用强度阈值来发现 PVS)、基于脉管滤波的方法(应用滤波器来增强管状结构)和机器学习方法(从标记图像中学习指示 PVS 的模式)。

表2. 自动化程序及其相关的优点和局限性

基于强度阈值的方法

基于脉管的滤波方法

强度和脉管方法的组合

机器学习方法

MRI =磁共振成像;T1w = T1加权;T2w = T2加权;PD =质子密度;FLAIR =液体衰减反转恢复;T =特斯拉

图6:自动化的 PVS 检测方法。

       图中展示了三种主要的自动 PVS 分割技术及其相关文献：强度阈值法、脉管滤波法和机器学习法。

(a)使用基于强度阈值的病变探测程序创建的最终PVS掩模,用于识别 PVS。

(b)使用增强的 PVS 对比度和 Frangi 滤波器创建的最终 PVS 掩模,基于脉管特性识别 PVS。

 (c)Ground truth PVS 掩模。

(d)使用非局部立方体的 Haar 变换和块匹配滤波创建的最终PVS掩模。

(e) Ground truth PVS 掩模的三维渲染。

(f)使用非局部立方体的Haar变换和块匹配滤波机器学习技术创建的最终PVS掩模的三维渲染。

基于强度阈值的方法

      Ramirez等人使用"病变探测器"程序,最初设计用于从分析中排除PVS,现在用于利用强度阈值识别PVS。该程序需要人工输入阈值,这可能具有主观性,并可能因研究者和各个扫描的质量而异。Wang等人还使用半自动程序来测量PVS的体积和数量。他们发现在其数据集内的T2加权图像上,PVS的强度水平存在较大差异,因此他们分三个阶段调整强度阈值。首先,归一化以改变所使用的强度值范围,然后应用2的伽马校正因子,最后使用线性映射来跟踪每个轴向切片之间PVS的整个长度。Niazi等人和Cai等人利用边缘检测和k均值聚类来分割PVS。在这些研究中,需要人工选择参数或编辑掩膜,这可能很耗时,并可能在研究者和研究之间引入观察者间变异性。Ramirez等人和Wang等人使用来自1.5T扫描仪的图像和二维方法,这意味着该程序可能不适用于对检测PVS更敏感的3T图像。在三维计算算法中分析PVS,如Niazi等人和Cai等人提出的那样,而不是Ramirez等人和Wang等人提出的,在检测通常沿不同方向行进的PVS方面会更有用。

     已经开发出全自动算法,以减少对手动输入的需求,例如Boesplfug等人和Schwartz等人创建的围血管间隙多模态自动识别(MAPS)。MAPS使用特征来识别PVS,包括其相对于周围体素的强度、簇大小和线性度。MAPS有利于以三维方式展示PVS的分布,因此能够更好地纵向检测PVS的更细微变化。然而,该算法的一个局限性是需要手动输入以视觉确认成功的配准,以确保在白质提取过程中没有遗漏PVS。此外,原始程序需要四个容积序列(T1加权、T2加权、FLAIR和质子密度MRI扫描)才能运行。临床实践中,通常只获得一个容积序列。虽然多个容积序列可以提高识别PVS的确定性,但由于患者必须在扫描仪中花费更多时间,因此也会在图像中引入更多伪影。随后对算法进行修改,使用更少的序列(仅使用T1加权和FLAIR MRI扫描),在一组老年无痴呆症成人(70-101岁)中显示出有希望的结果,阳性预测值为77.5%,在另一组老年人(58-92岁)中为87.5%,表明检测PVS的真阳性率很高。然而,该算法目前只能用于评估白质中的PVS,因为它严重依赖于局部强度对比度,而在大脑其他区域较低。由于在大脑其他区域,特别是基底节和中脑,发现PVS具有重要意义,因此开发一个也能测量这些区域PVS负担的程序将是有用的。

基于脉管的滤波方法

       已经创建了许多利用Frangi滤波器的自动化程序,基于脉管特性而不是线性来检测PVS。Frangi滤波器利用Hessian矩阵找到图像中二阶结构的主要方向。这可用于识别长管状结构,并已显示可提高识别PVS的特异性。Ballerini等人利用有序logit模型评估从Frangi滤波器中需要哪些参数才能获得在半卵圆中心某个结构为PVS的最大可能性。该程序与视觉评分显示出高度一致性(r = 0.75)。Sepehrband等人通过在后处理步骤中增强强度曲线,称为"增强的PVS对比度"(EPC),结合T1和T2加权图像,提高了PVS的检测。他们的结果表明,与使用单一图像对比度相比,他们的EPC可以实现更大程度的PVS检测。他们的程序还需要多个容积序列,提高了准确性,但使临床转化具有挑战性。在研究数据中的不同成像方式上比较自动程序时,存在显著差异。定量的PVS数量因使用的MRI序列而显著不同(P = 6.3×10-19)。因此,该程序必须应用于整个数据集中的相同成像模式。此外,自动程序要求以相同的分辨率采集T1加权和T2加权扫描。这限制了其在临床实践中的使用,因为这些扫描通常以不同的轴向切片厚度获得。

脉管和强度方法的结合

      Spijkerman等人使用强度和脉管参数的组合来识别PVS,并测量单个切片中PVS的数量。他们将该方法应用于一个健康个体数据集,年龄在27-78岁之间,可获得7T MRI扫描。他们获得了0.61的骰子分数和0.76的计数相关性。尽管Spijkerman等人只能测量二维切片中的PVS计数,但这可能对与手动评分进行比较有用。然而,这种方法并未对整个大脑体积的PVS负担进行评估。此外,通过利用机器学习方法,可以实现与基准实况(通过骰子分数测量)更大的相似性。

机器学习方法

      已经使用了许多机器学习方法来测量PVS负担。Park等人使用带有随机三维Haar特征的随机森林模型来提取PVS的管状结构。这种基于学习的模型的优点是不需要手动输入来设置强度阈值,从而提高分割精度。这也允许该程序用于不同机器扫描的不同数据集。Park等人将他们的方法与强度阈值、脉管阈值和使用传统Haar特征的基于学习的方法进行了比较。他们发现,他们的方法在分布和真实PVS检测方面最接近基准实况。他们的研究分析了来自PVS负担低于老年人群的健康年轻人的高分辨率MR图像。因此,很难确定这种训练算法是否能推广到具有更多PVS的老年人群。Zhang等人使用带有脉管滤波器的结构化随机森林模型来区分PVS及其背景,并使用基于熵的采样来训练他们的模型。这实现了与Park等人描述的带有随机三维Haar特征的随机森林模型相似的性能(骰子分数为0.66,而Park等人的骰子分数为0.64)。Hou等人描述了一种在使用Park等人之前创建的算法之前增强MR图像以更好地识别和分析PVS的方法,他们增强和去噪的图像在PVS分割方面产生了最佳结果。然而,在白质和灰质的边界处出现了错误,那里的薄边缘看起来与PVS的结构相似。此外,他们的研究队列较小,只有17个MRI扫描,影响了强度范围的参数。此外,由于图像的分辨率极高,扫描可能会检测到非扩大的PVS和深髓静脉。由于深髓静脉具有相似的强度,这些程序可能会将其误认为是PVS,因此需要人工观察者进行校正。这些研究使用了7T MRI成像,这是一种有用的研究工具,因为它可以产生极高分辨率的图像。然而,7T很少在临床上使用,因此目前7T研究的临床转化受到限制。

      Boutinaud等人创建了一种使用自动编码器和U形网络的机器学习方法。他们将该算法应用于从3T扫描仪获取的健康年轻人的T1加权MRI数据集。这种方法的平均性能产生了0.64的骰子分数。然而,一个优点是这种方法可以用于从不同扫描仪获取的不同数据集。另一种机器学习方法是使用卷积神经网络来识别PVS。 Dubost等人使用卷积神经网络回归方法来量化在1.5T扫描仪上获取的T2加权MRI扫描中基底神经节的PVS。他们发现视觉评分和自动评分之间的组内相关系数很高。Lian等人在从7 T扫描仪获取的T2加权MRI数据集上使用了全卷积神经网络(FCNN)机器学习方法。他们的FCNN方法不需要手动输入来测量25至55岁健康受试者队列中的PVS。他们将结果与其他可用的PVS分割方法进行了比较,包括使用Frangi脉管滤波器、结构化随机森林机器学习方法和U-net机器学习方法。他们发现他们的方法更优(使用FCNN的骰子分数为0.77,而使用Frangi滤波器为0.53,使用结构化森林方法为0.67,使用U-net方法为0.72)。该算法的一个优点是它能够检测整个大脑体积中的PVS。不过,它确实在脑室周围检测到一些假阳性。Lian等人提出,使用可靠的白质掩模可以减少假阳性的数量,但这是以仅检测部分大脑中的PVS负担为代价的。此外,该方法无法检测PVS与周围组织之间对比度差异较低的PVS。他们的FCNN可能不适用于临床实践中通常看到的扫描分辨率,因为其对比噪声比较差。因此,仍然需要一种临床适用的PVS测量自动化方法。

结论

       越来越多的证据表明,PVS是淋巴回流减少的标志,可能是许多疾病的有用生物标志物。已经做出努力使用双光子激光显微镜、对比增强MRI和扩散张量成像来成像淋巴系统。当扩大时,PVS可以在标准MRI序列上可视化,并且可能是淋巴功能的有用生物标志物。将各种图像处理方法应用于MRI上PVS的识别,使得PVS的自动检测成为可能,无需手动计数PVS。迄今为止,自动算法已在健康年轻人群中进行了测试,并受到需要多个体积序列或7 T成像的限制,这两者在常规临床实践中都不常见。未来的研究应该侧重于验证这些算法,以用于常规临床成像数据,例如在3T扫描仪上获取的体积T1加权MRI,以及在疾病人群中的应用。