頸動脈全斑塊自動分割的影像組學模型對缺血性腦卒中的預測價值

摘要 目的：探討基于頭頸CT血管造影（CTA）頸動脈全斑塊自動分割的影像組學模型對缺血性腦卒中發生風險的預測價值。方法：回顧性分析188例頸動脈粥樣硬化病人的臨床及影像資料。根據近期前循環供血區域是否出現缺血性腦卒中表現，將病人相應頸動脈分為癥狀組（118例）和無癥狀組（130例），若無癥狀病人雙側頸動脈均有動脈粥樣硬化，則雙側均納入無癥狀組，將2021年7月之前的病人作為訓練集（199例），之后的病人作為測試集（49例）。采用單因素和多因素分析對臨床參數進行比較。應用深度學習模型實現CTA頸動脈全斑塊自動分割，基于分割結果，從中提取并篩選最優的影像組學特征。采用多層感知計算法構建預測模型，通過受試者工作特征（ROC）曲線、校準曲線及臨床決策曲線評估模型性能。結果：全斑塊自動分割的Dice值為0.80，與人工勾畫一致性良好。訓練集中臨床模型、影像組學模型及臨床－影像組學聯合模型曲線下面積（AUC）分別為0.708，0.908和0.919，測試集中AUC分別為0.593，0.748和0.802。Delong檢驗顯示，聯合模型與臨床模型的預測效能差異有統計學意義（P均＜0.001），與影像組學模型差異不顯著（P＝0.360，P＝0.186）。聯合模型校準良好，且具有最高的臨床凈獲益。結論：基于CTA頸動脈全斑塊自動分割的影像組學模型聯合臨床參數有助于缺血性腦卒中發生風險的預測。

關鍵詞 腦卒中；深度學習；影像組學；計算機斷層掃描血管成像；預測價值

doi：10.12102/j.issn.1672－1349.2024.12.031

我國腦卒中的發病率和患病率逐年升高，是導致嚴重殘疾和死亡的主要原因，其中，缺血性腦卒中是最常見的類型［1］。頸動脈斑塊是導致缺血性腦卒中的主要原因之一，不僅會導致管腔狹窄，還可能會發生斑塊破裂導致顱內動脈栓塞［2］。動脈粥樣硬化是一種系統性疾病，多發頸動脈斑塊病人往往更容易發生缺血性腦卒中，因此，有必要對頸動脈粥樣硬化斑塊整體水平進行風險評估［3］。

頭頸CT血管造影（computed tomograghy angiography，CTA）是一種無創的成像技術，其方便、快捷，是臨床評估頸動脈斑塊最常用的檢查方法。在臨床實踐中，放射科醫生對于斑塊整體水平的評估不僅耗時耗力，而且具有一定的主觀性，因此，人們提出了許多計算機輔助的方法來對影像圖像進行處理。近年來，深度學習發展迅速，在病灶的自動分割中表現出了良好效能，在減輕臨床醫生工作負擔的同時，能夠提高診斷客觀性［4］。放射組學是一種潛在的分析工具，可以通過提取高通量信息實現疾病的準確評估［5］。本研究旨在通過應用VB－Net卷積神經網絡實現CTA頸動脈全斑塊自動分割，根據其分割結果構建影像組學模型，并評估模型對缺血性腦卒中發生風險的預測效能。

1 資料與方法

1.1 臨床資料

回顧性收集2018年1月—2021年12月于山西醫科大學第一醫院行頭頸部CTA檢查中發現頸動脈斑塊的病人。在病歷系統查詢并記錄病人的臨床資料，包括性別、年齡、體質指數（BMI）、吸煙及飲酒史、血脂指標、糖化血紅蛋白（HbA1c）含量以及是否有高血壓、糖尿病、高脂血癥及高同型半胱氨酸血癥。納入標準：1）顱外頸動脈中存在且斑塊厚度＞1.5 mm；2）臨床資料相對完整。排除標準：1）心源性卒中或凝血功能障礙；2）可引起管腔狹窄或閉塞的其他疾病，如頭頸部腫瘤、頸動脈夾層等；3）曾行頸動脈支架植入或頸動脈內膜切除術；4）圖像質量不佳。根據前循環供血區域近期是否出現缺血性腦卒中表現，將病人分為有癥狀人群（118例）和無癥狀人群（70例），癥狀組納入的是有癥狀人群的癥狀側頸動脈（118例），無癥狀組納入的是無癥狀人群中發現動脈斑塊的相應頸動脈，若無癥狀人群雙側頸動脈均發現斑塊，則雙側均納入無癥狀組（130例）。將2021年7月前入院檢查的病人作為訓練集，2021年7月后的病人作為測試集。在病歷系統查詢并記錄病人的臨床資料。本研究通過山西醫科大學第一醫院醫學倫理委員會批準（審批號：2018K008），并免除病人知情同意書。

1.2 檢查方法

使用第3代雙源掃描儀（SOMATOM Force；Siemens Healthcare，Erlangen，Germany）進行頭頸動脈CTA掃描。經肘前靜脈，使用電子注射器以5.0 mL/s速率注射非離子對比劑碘普羅胺注射液（Ultravist 370），劑量為1.2 mL/kg，隨后以同樣流速注入50 mL生理鹽水進行沖洗。初始掃描由智能檢測觸發，感興趣區域（ROI）置于升主動脈，閾值為100 HU時進行掃描。掃描參數：高能量球管電壓Sn 150 kV，低能量球管電壓90 kV，管電流采用自動調節模式，重建層厚為0.625 mm，層間距為0.5 mm，球管旋轉時間為每轉0.28 s，螺距為0.7 mm。

1.3 圖像處理及數據分析

1.3.1 全斑塊自動分割模型的應用

在uAI Research Portal（v20230715）科研平臺應用VB－Net模型實現頸動脈全斑塊自動分割。隨機選取30例病人，由1名有5年心腦血管診斷經驗的放射科醫生使用ITK－snap（v3.8）軟件對斑塊進行重新手動勾畫。詳見圖1。

1.3.2 影像組學特征提取以及模型構建與評估

使用Python平臺（v 3.7）中的“PyRadiomics”包提取影像組學特征，隨后進行標準化，并對特征進行篩選。1）采用單因素分析和Spearman相關性分析消除無關及冗余特征；2）采用最小絕對收縮和選擇算子算法（least absolute shrinkage and selection operator，LASSO）回歸對特征進行進一步篩選；3）通過5折交叉驗證確定調優參數，選取最優非零系數組學特征并計算影像組學評分（radiomics score，Rad－score）；4）基于多層感知機（multilayer perceptron，MLP）算法分別構建臨床模型、影像組學模型以及臨床－影像組學聯合模型；5）生成相應的受試者工作特征（receiver operating characteristic，ROC）曲線，以曲線下面積（area under the curve，AUC）評估模型效能。繪制校準曲線，以Hosmer－Lemeshow檢驗評估模型的擬合優度，并采用臨床決策曲線評估臨床收益。具體流程詳見圖2～圖5。

1.4 統計學處理

采用SPSS 27.0軟件進行統計學處理。采用Shapiro－Wilk檢驗評估正態性，符合正態分布的定量資料用均數±標準差（x±s）表示，組間比較采用兩獨立樣本t檢驗，不符合正態分布的定量資料用中位數和四分位數［M（P25，P75）］表示，組間比較采用Mann－Whitney U檢驗。定性資料用頻數和構成比（%）表示，組間比較采用χ2檢驗。采用單因素及多因素Logistic回歸篩選與缺血性腦卒中發生相關的臨床危險因素。以P＜0.05為差異有統計學意義。

2 結 果

2.1 臨床資料

本研究最終回顧性分析了188例接受頭頸部CTA檢查的病人，其中，有癥狀病人118例，男93例，年齡（64.0±8.9）歲；無癥狀病人70例，男59例，年齡（63.1±11.6）歲。共納入248根頸動脈進行研究，其中，癥狀組118例，無癥狀組130例，兩組臨床資料比較詳見表1。

2.2 全斑塊自動化分割效果

應用VB－Net網絡架構實現了全斑塊自動化分割，與手動分割相比具有較好的一致性（Dice值為0.80）。

2.3 影像組學特征篩選

對于每根頸動脈的全斑塊共提取到1 904個影像組學特征，經過單因素以及Spearman相關性分析保留了220個組學特征。通過LASSO回歸對特征進行進一步篩選，隨后通過5折交叉驗證確定調優參數。最終保留了37個特征用于影像組學模型的構建，其中包括3個一階特征和34個紋理特征。

2.4 模型構建及效能評估

臨床模型、影像組學模型及聯合模型的詳細參數見表2。Delong檢驗顯示，聯合模型與臨床模型的預測效能差異有統計學意義（P均＜0.001），與影像組學模型差異無統計學意義（P＝0.360，P＝0.186）。相較于影像組學模型，聯合模型校準良好，且具有最高的臨床凈獲益。詳見表2、圖5。

3 討 論

頸動脈管腔狹窄程度通常是臨床用來評估動脈粥樣硬化病人是否需要接受治療的重要指標，然而相關研究表明，缺血性腦卒中的發作不僅與斑塊導致的管腔狹窄有關，還與斑塊成分密切相關［6－8］。動脈粥樣硬化往往累及多個節段，高危斑塊成分、表征及數量均會增加心腦血管事件的發生風險［9］。因此，在臨床實踐中，放射科醫生需要對斑塊整體水平進行評估，這不僅有賴于豐富的專業知識，而且耗時耗力。近年來，人工智能發展迅速，成為輔助臨床醫生的有利工具。本研究應用了深度學習模型實現頸動脈全斑塊的自動化分割，進而根據其分割結果提取影像組學特征，對頸動脈斑塊整體水平進行分析。

深度學習算法在醫學圖像的分割中具有杰出的泛化能力，在心腦血管疾病的研究中發揮著重要作用［10－12］。Meshram等［13］通過構建U－Net網絡實現了超聲圖像頸動脈斑塊的自動分割，但效果欠佳，仍需對邊界框進行手動設定。Ding等［14］加入自監督學習框架對卷積神經網絡模型進行了優化，在超聲圖像中頸動脈斑塊分割的精確度達到了80.25%～89.18%，并在此基礎上實現了斑塊總面積的準確測量（r＝0.985）。頸動脈斑塊的自動分割大多集中在超聲圖像，而很少應用于CTA的研究中。相較于超聲圖像，CTA的采集不依賴于醫生的操作水平，而且可以提供更多三維信息，從而提高診斷的準確性［15－16］。本研究中CTA圖像的全斑塊自動分割是采用VB－Net網絡實現的，這是在V－Net模塊中加入了Bottleneck的網絡結構思想的改良網絡，在保證模型分割效果的同時，提高了效率［17］。

頸動脈斑塊高危成分與缺血性腦卒中的發生密切相關，主要包括脂質壞死核心、薄或破裂的纖維帽、斑塊內出血、斑塊內新生血管形成以及炎性細胞浸潤［18］。這些成分在密度上有較大重疊，且受空間分辨力的影響，傳統CT很難對易損斑塊進行識別。影像組學通過提取定量特征，將醫學圖像轉換為可挖掘的數據，近年來廣泛應用于動脈斑塊的研究［19－21］。Zaccagna 等［22］研究結果表明，紋理分析可以作為一種評估頸動脈粥樣硬化病人缺血性腦卒中發生風險的新型工具。Shan 等［23］從CTA圖像中提取影像組學特征，發現其可以準確識別斑塊內新生血管的形成（AUC＝0.93），為預測斑塊的易損狀態以及缺血性腦卒中的發生提供了有效的方法。本研究在自動化分割的基礎上提取影像組學特征，相較于之前的手動勾畫，更具有客觀性。本研究篩選出的37個影像組學特征中有34個是紋理特征，其主要通過描述局部附近像素之間的相互作用來測量病灶的異質性［24］。結果表明，頸動脈斑塊總體體素的紋理越復雜，異質性越高，就越容易發生缺血性腦卒中，這與之前的研究結果一致［25］。在一階特征中，全斑塊體素方差與腦卒中發生風險呈負相關，這可能與無癥狀病人斑塊內更大的鈣化有關。本研究結果還表明，一階特征中的第10百分位數及中位數數值越低，越容易發生腦卒中，這可能與在CTA中表現為低密度的高危特征如斑塊內出血及大的脂質壞死核心有關。本研究進一步采用MLP的機器學習方法分別構建了臨床、影像組學及聯合模型，在危險程度分層上，聯合模型的預測效能均高于單一的臨床模型以及影像組學模型，而且校準良好，具有最高的臨床凈獲益。

本研究存在一定的局限性，首先，本研究為單中心研究，樣本量相對較少，盡管將無癥狀病人的雙側頸動脈血管納入研究以擴大樣本量，但仍需要多機構的大量數據來驗證該模型的準確性和穩定性；其次，本研究為回顧性研究，不能預測隨后缺血性腦血管事件的發生，動態性研究可能獲得更有價值的信息。

4 小 結

綜上所述，本研究構建了一種基于CTA深度學習頸動脈全斑塊自動分割的影像組學模型，可以對頸動脈全斑塊的整體進行評估，其聯合臨床參數，實現了缺血性腦卒中發生風險的準確評估，有望成為輔助臨床的一種有力工具。

參考文獻：

［1］中華醫學會神經病學分會，中華醫學會神經病學分會腦血管病學組.中國缺血性卒中和短暫性腦缺血發作二級預防指南2022［J］.中華神經科雜志，2022，55（10）：1071－1110.

［2］HUANG R Z，CAO Y，LI H R，et al.MiR－532－3p－CSF2RA axis as a key regulator of vulnerable atherosclerotic plaque formation［J］.The Canadian Journal of Cardiology，2020，36（11）：1782－1794.

［3］GENKEL V，KUZNETSOVA A，LEBEDEV E，et al.Carotid total plaque area as an independent predictor of short－term subclinical polyvascular atherosclerosis progression and major adverse cardiac and cerebrovascular events［J］.Therapeutic Advances in Cardiovascular Disease，2023，17：17539447231194861.

［4］郭東方，郝家偉，吳彥林，等.基于深度學習算法對顱內動脈瘤進行自動檢測和分割［J］.臨床放射學雜志，2023，42（1）：14－19.

［5］孟婷，阮志兵，徐茂麗，等.基于CT影像組學構建術前預測胰腺癌神經周圍侵犯模型的研究［J］.臨床放射學雜志，2024，43（1）：79－84.

［6］BARADARAN H，GUPTA A.Carotid vessel wall imaging on CTA［J］.American Journal of Neuroradiology，2020，41（3）：380－386.

［7］BRINJIKJI W，HUSTON J R，RABINSTEIN A A，et al.Contemporary carotid imaging：from degree of stenosis to plaque vulnerability［J］.Journal of Neurosurgery，2016，124（1）：27－42.

［8］SCHINDLER A，SCHINNER R，ALTAF N，et al.Prediction of stroke risk by detection of hemorrhage in carotid plaques：meta－analysis of individual patient data［J］.JACC Cardiovascular Imaging，2020，13（2 Pt 1）：395－406.

［9］CASE B C，TORGUSON R，MINTZ G S，et al.Additive effect of multiple high－risk coronary artery segments on patient outcomes：LRP study sub－analysis［J］.Cardiovascular Revascularization Medicine：Including Molecular Interventions，2023，46：38－43.

［10］ZHU Y，CHEN L W，LU W J，et al.The application of the nnU－Net－based automatic segmentation model in assisting carotid artery stenosis and carotid atherosclerotic plaque evaluation［J］.Frontiers in Physiology，2022，13：1057800.

［11］DENG C L，ADU J H，XIE S H，et al.Automatic segmentation of ultrasound images of carotid atherosclerotic plaque based on Dense－UNet［J］.Technology and Health Care，2023，31（1）：165－179.

［12］LI Y M，WU Y，HE J J，et al.Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography［J］.European Radiology，2022，32（9）：6037－6045.

［13］MESHRAM N H，MITCHELL C C，WILBRAND S，et al.Deep learning for carotid plaque segmentation using a dilated U－Net architecture［J］.Ultrasonic Imaging，2020，42（4/5）：221－230.

［14］DING J，ZHOU R，FANG X Y，et al.An image registration－based self－supervised Su－Net for carotid plaque ultrasound image segmentation［J］.Computer Methods and Programs in Biomedicine，2024，244：107957.

［15］GUO Y F，CHEN X J，LIN X D，et al.Non－contrast CT－based radiomic signature for screening thoracic aortic dissections：a multicenter study［J］.European Radiology，2021，31（9）：7067－7076.

［16］NIE P，YANG G J，WANG Z G，et al.A CT－based radiomics nomogram for differentiation of renal angiomyolipoma without visible fat from homogeneous clear cell renal cell carcinoma［J］.European Radiology，2020，30（2）：1274－1284.

［17］SHI F，HU W G，WU J J，et al.Deep learning empowered volume delineation of whole－body organs－at－risk for accelerated radiotherapy［J］.Nature Communications，2022，13（1）：6566.

［18］劉宇，項開顏，吳浩光，等.頸動脈易損斑塊PET/MRI的研究進展［J］.中華醫學雜志，2023，103（33）：2632－2638.

［19］王凱，劉子暖，陳韻岱，等.影像組學在冠心病中的應用價值［J］.臨床放射學雜志，2022，41（1）：186－190.

［20］XIA H，YUAN L，ZHAO W，et al.Predicting transient ischemic attack risk in patients with mild carotid stenosis using machine learning and CT radiomics［J］.Frontiers in Neurology，2023，14：1105616.

［21］CILLA S，MACCHIA G，LENKOWICZ J，et al.CT angiography－based radiomics as a tool for carotid plaque characterization：a pilot study［J］.La Radiologia Medica，2022，127（7）：743－753.

［22］ZACCAGNA F，GANESHAN B，ARCA M，et al.CT texture－based radiomics analysis of carotid arteries identifies vulnerable patients：a preliminary outcome study［J］.Neuroradiology，2021，63（7）：1043－1052.

［23］SHAN D Z，WANG S Y，WANG J J，et al.Computed tomography angiography－based radiomics model for predicting carotid atherosclerotic plaque vulnerability［J］.Frontiers in Neurology，2023，14：1151326.

［24］MAYERHOEFER M E，MATERKA A，LANGS G，et al.Introduction to radiomics［J］.Journal of Nuclear Medicine，2020，61（4）：488－495.

［25］LIU M，CHANG N，ZHANG S，et al.Identification of vulnerable carotid plaque with CT－based radiomics nomogram［J］.Clinical Radiology，2023，78（11）：e856－e863.

（收稿日期：2024－02－29）

（本文編輯王麗）

基金項目 山西省基礎研究計劃自然科學研究面上項目（No.20210302123256，20210302123253）

通訊作者 張華，E－mail：13623665879@163.com

引用信息 郭鐵旦，王靈杰，石彩云，等.頸動脈全斑塊自動分割的影像組學模型對缺血性腦卒中的預測價值［J］.中西醫結合心腦血管病雜志，2024，22（12）：2269－2275.