王雅杰，謝琦*，吳軍，韓朋朋，譚智霖，廖炎輝

腦白質(zhì)高信號是腦部疾病常見的磁共振征象，與認知障礙、抑郁、大小便障礙等眾多病癥的發(fā)生及進展有顯著關(guān)聯(lián)[1-7]。因而，探索腦白質(zhì)病變的發(fā)生機制對于多種神經(jīng)系統(tǒng)疾病的防治具有重要的臨床價值[8-10]。既往研究表明，腦動脈病變是腦白質(zhì)病變發(fā)生的重要原因[11-12]。但越來越多的研究逐漸提示，腦靜脈的改變也是腦白質(zhì)病變發(fā)生的潛在因素之一[13-15]。目前，國內(nèi)外關(guān)于腦靜脈的磁共振研究大多數(shù)針對于腦深靜脈，且結(jié)果顯示深髓靜脈形態(tài)學改變與室周旁白質(zhì)病變的發(fā)生及進展有關(guān)[14,16]。針對腦淺靜脈(superficial cerebral veins，SCV)與白質(zhì)病變的研究主要為病理學研究，研究結(jié)果提示SCV的曲率增大可能會導致皮層下深部白質(zhì)病變(deep white matter lesions，DWML)的發(fā)生[13,17]。因此，我們推測SCV作為大腦皮層功能區(qū)的主要引流靜脈，其形態(tài)學特征改變可能與DWML 的發(fā)生有關(guān)。磁共振成像中的磁敏感加權(quán)成像(susceptibility-weighted imaging，SWI)技術(shù)是目前活體無創(chuàng)性評估腦靜脈分布、數(shù)量及形態(tài)學特征的最佳顯影方法。不少研究者已利用SWI 技術(shù)揭示了腦深靜脈和腦白質(zhì)病變的關(guān)聯(lián)[13-15]。然而，目前尚無利用SWI 技術(shù)探索SCV 形態(tài)學參數(shù)與DWML 相關(guān)性的研究。因此，本研究對腦白質(zhì)病變患者行SWI掃描，并利用深度學習算法建立SCV 形態(tài)參數(shù)分析模型，以探索SCV 與DWML 之間的相關(guān)性。

1 材料與方法

本研究經(jīng)廣州市第一人民醫(yī)院倫理委員會批準(批準文號：K-2019-166-01)，所有受試者均被告知研究目的及內(nèi)容，并簽署知情同意書。

1.1 研究對象

自2018 年8 月至2021 年8 月，按照如下納入及排除標準招募社區(qū)健康志愿者。納入標準：(1)年齡≥18 歲且≤79 歲，性別不限；(2)受教育年限≥7 年；(3)漢族；(4)右利手。排除標準：(1)既往存在顱內(nèi)占位或顱腦手術(shù)史；(2)存在可能引起認知功能障礙及相關(guān)癥狀的中樞神經(jīng)系統(tǒng)疾病(如帕金森病、抑郁癥、代謝性腦病)。最終納入受試者364 名(其中男186 名，女178 名，年齡18～65 歲)，從中隨機選取受試者200 名(男102 名，女98 名，年齡20～65 歲)用于建立深度學習算法模型，剩余164名受試者[男84名，女80 名，年齡18～44 (34±6.34)歲]用于后續(xù)SCV 形態(tài)學特征與皮層下DWML的相關(guān)性分析研究。

1.2 MR設(shè)備及檢查方法

采用德國Siemens Skyra 3.0 T MRI 掃描儀和32 通道頭部相控陣線圈進行檢查，用海綿墊固定受試者頭部防止轉(zhuǎn)動。常規(guī)掃描采用T2-液體衰減反轉(zhuǎn)恢復(fluid attenuated inversion recovery，F(xiàn)LAIR)序列，掃描參數(shù)：TR 8500 ms，TE 81 ms，掃描厚度5 mm，層間距1 mm，F(xiàn)OV 240 mm×240 mm，矩陣224×320，翻轉(zhuǎn)角150°；SWI序列掃描參數(shù)：TR 28 ms，TE 20 ms，掃描厚度1 mm，層間距1 mm，F(xiàn)OV 220 mm×193.6 mm，矩陣352×352，翻轉(zhuǎn)角15°。

1.3 腦靜脈數(shù)據(jù)處理

1.3.1 SWI原始數(shù)據(jù)處理

腦靜脈迂曲且分支較多，因此本研究采取容積成像進行原始SWI 數(shù)據(jù)重建。經(jīng)預實驗多種不同重建層厚對比分析，發(fā)現(xiàn)重建層厚為20 mm時，SCV顯影效果最好。故本研究以層厚20 mm，層間距1 mm為容積成像的重建參數(shù)，在獲得的SWI圖像上重建出最小密度投影(minimum intensity projection，MinIP)圖，作為模型構(gòu)建數(shù)據(jù)集的影像圖像數(shù)據(jù)。

1.3.2 數(shù)據(jù)集

將收集的200名受試者的MinIP圖像數(shù)據(jù)資料導入MicroDicom viewer (https://www.microdicom.com/)，統(tǒng)一固定窗寬、窗位，范圍約20～40，觀察MinIP圖中側(cè)腦室水平雙側(cè)SCV的顯影情況。選擇所有受試者的側(cè)腦室上下緣之間任意3張SCV顯影最清晰腦層面作為感興趣區(qū)(region of interest，ROI)勾畫樣本，共計600組圖像。

1.3.3 數(shù)據(jù)集預處理

將選中的DICOM 格式圖像轉(zhuǎn)變?yōu)镴PG 格式，轉(zhuǎn)換后得到與SWI 掃描后所選層數(shù)相同的JPG 格式圖像數(shù)量，每張圖片顯示一張切片的完整圖像信息，并對應掃描層數(shù)。通過位置信息和掃描層數(shù)可以迅速定位層數(shù)及SCV 位置。將所選層面圖像導入開源軟件Labelme (https://github.com/wkentaro/labelme)中，逐一手動勾畫所有可見的SCV輪廓。由于本研究數(shù)據(jù)集較小，通過數(shù)據(jù)增強的方式擴充數(shù)據(jù)集，圖像擴增方法包括平移、旋轉(zhuǎn)、左右鏡像和隨機噪聲等。最終獲得1000組圖像數(shù)據(jù)用于訓練模型。

SCV指大腦皮層區(qū)域的淺表腦靜脈結(jié)構(gòu)。SWI重建后的MinIP 圖像對SCV 的顯影最佳，在MinIP 圖像中其指的是腦皮層區(qū)域中區(qū)分于周圍白色腦實質(zhì)區(qū)域的線狀黑色部分。本文研究目的是識別SCV 并自動量化其形態(tài)學特征，因此只需對腦實質(zhì)部分進行分析，腦外部輪廓可能會給神經(jīng)網(wǎng)絡(luò)學習造成影響，所以對影像進行提取腦實質(zhì)的操作。

1.3.4 模型訓練

實驗在Windows 10系統(tǒng)下進行，CPU為inter Core i7-8565U@1.80GHz。使用Pytorch框架，Python 3.6版本。實驗中，使用DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)訓練SCV分割圖像(圖1)，此網(wǎng)絡(luò)結(jié)構(gòu)解碼器(encoder)的主體是帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)，用其基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)Resnet提取圖像特征。除此之外，該網(wǎng)絡(luò)結(jié)構(gòu)解碼器還有空洞卷積的空間金字塔池化模塊(atrous spatial pyramid pooling，ASPP)，其主要是為引入多尺度信息和解碼(decoder)模塊，將底層特征與高層特征進一步融合，提升分割邊界準確度。本研究選擇迭代1000次，并對學習率采取逐步遞減的方法，以此避免陷入局部最優(yōu)，即當每迭代200次，對學習率進行調(diào)整。輸入圖像調(diào)整尺寸固定在512×512，輸出數(shù)據(jù)為模型分類預測結(jié)果。訓練深度學習模型的主要參數(shù)：模型深度(model depth)=19，隱藏層數(shù)量配置(hidden layer cfg)=16，丟棄比率(dropout)=0.5，數(shù)據(jù)單批次數(shù)量(batch size)=64，是否加載預訓練模型(pretrained)=true，訓練迭代次數(shù)(num_epochs)=1000，學習率(learning rate)=0.01。

圖1 腦淺靜脈自動量化神經(jīng)網(wǎng)絡(luò)模型構(gòu)架。Fig. 1 Neural network model framework for automatic quantification of superficial cerebral veins.

1.3.5 模型評價

因數(shù)據(jù)有限，為確保實驗的準確性，我們對1000 組數(shù)據(jù)采用4 折交叉驗證。將所有數(shù)據(jù)隨機按照6∶2∶2 的比例劃分為訓練集、驗證集、測試集。在交叉驗證實驗中，使用DeepLab V3+網(wǎng)絡(luò)在4 組訓練集和驗證集上進行實驗，得到4組實驗的平均準確率指標。根據(jù)4折交叉驗證結(jié)果，可見四組實驗的平均訓練集準確率為98.19%，平均驗證集準確率為98.02%，平均測試集準確率達到了98.03% (表1)。

表1 最優(yōu)模型在各組實驗指標Tab.1 The optimal model in each group of experimental indicators

1.3.6 模型應用

以同樣的重建參數(shù)處理本研究納入的164名受試者的SWI圖像，并分別選擇其側(cè)腦室水平最大腦層面的MinIP 圖像放入上述模型中，即可自動識別并獲得雙側(cè)大腦半球SCV 的血管直徑、血管曲率(tortuosity ratio)及血管數(shù)量。輸出參數(shù)包括層面所顯示的雙側(cè)大腦半球SCV的血管直徑、血管曲率及血管數(shù)量均值。血管直徑(diameter)定義為圖像中血管的面積與曲線長度的比值。血管曲率定義為血管曲線長度與兩端兩點間直線距離的比值。分別整理并記錄每位受試者的雙側(cè)大腦半球SCV 量化數(shù)據(jù)以供統(tǒng)計分析。

1.4 皮層下深部白質(zhì)高信號評估

依據(jù)T2-FLAIR 圖像，采用Fazekas 量表對所有受試者的DWML 分布情況進行判斷[18]。Fazekas 量表評估DWML 的內(nèi)容如下：(1) 0 分：無病變；(2) 1 分：點狀病變；(3) 2 分：病變開始融合；(4) 3 分：病變大面積融合(圖2)。按照Fazekas 量表的量化標準，由兩名有經(jīng)驗的放射科醫(yī)生分別獨自依據(jù)Fazekas 量表完成DWML的評估，當兩名醫(yī)生意見不一致時，共同討論后得出受試者腦白質(zhì)評分結(jié)果。由于該研究受試者均為健康青年志愿者，因而腦白質(zhì)病變并不嚴重，最終人群中只有0分和1分兩種評分結(jié)果。因此，依據(jù)受試者有無皮層下DWML將其分為兩組，分別為DWML組和無DWML組(non-deep white matter lesions，N-DWML)，其中DWML組共計53人，N-DWML組共計111人。

圖2 Fazekas量表皮層下深部白質(zhì)病變評分。2A：0分，無病變；2B：1分，點狀病變；2C：2分，病變開始融合；2D：3分，病變大面積融合。Fig. 2 Fazekas score of deep white matter lesions. 2A: 0 point which means no lesions; 2B: 1 point which means punctate lesions; 2C: 2 points which means lesions begin to merge;2D:3 points which means large lesions area fusion.

1.5 統(tǒng)計方法

采用SPSS 25.0軟件進行統(tǒng)計分析，所有數(shù)據(jù)均采用K-S檢驗進行正態(tài)性檢驗，因大部分數(shù)據(jù)為非正態(tài)分布，因此選擇計量資料以中位數(shù)及四分位數(shù)間距M (QR)進行統(tǒng)計描述，采用Mann-WhitneyU檢驗進行組間比較。用二元Logistic回歸分析檢測雙側(cè)大腦半球的SCV 各項量化指標與DWML 之間的關(guān)系。P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 雙側(cè)SCV 血管各項量化指標與人口學觀察指標的關(guān)系

本組數(shù)據(jù)結(jié)果顯示，雙側(cè)大腦半球SCV 的各項量化指標在年齡及受教育年限的分布中差異均無統(tǒng)計學意義(P＞0.05)。雙側(cè)大腦半球的SCV 血管數(shù)量在性別分布上差異有統(tǒng)計學意義(右側(cè)P=0.004，左側(cè)P＜0.001) (表2)，表現(xiàn)為男性的SCV 血管數(shù)量明顯多于女性，且以左側(cè)大腦半球更顯著(圖3)。

表2 雙側(cè)大腦半球腦淺靜脈血管數(shù)量在性別中的分布特征[M(QR)]Tab.2 The distribution of the superficial cerebral vein's number in bilateral cerebral hemispheres in gender[M(QR)]

圖3 雙側(cè)大腦半球腦淺靜脈的血管數(shù)量在性別中的分布特點。3A：男性腦淺靜脈分布圖；3B：女性腦淺靜脈分布圖。Fig. 3 The distribution characteristics of the number of superficial cerebral veins of the bilateral cerebral hemispheres in gender. 3A:Distribution of superficial cerebral veins in male; 3B: Distribution of superficial cerebral veins in female.

2.2 DWML 組和N-DWML 組的雙側(cè)大腦半球SCV 各項量化指標的比較

DWML 組的右側(cè)SCV 曲率較N-DWML 組顯著增大(P＜0.001)，左側(cè)SCV 曲率在兩組中的分布差異無統(tǒng)計學意義(P=0.371，P＞0.05)。兩組在雙側(cè)大腦半球SCV的直徑及血管數(shù)量中差異均無統(tǒng)計學意義(表3)。

表3 兩組的雙側(cè)腦淺靜脈各項量化指標比較[M(QR)]Tab.3 Comparison of quantitative indicators of superficial cerebral veins in bilateral cerebral hemispheres in two groups[M(QR)]

2.3 右側(cè)SCV曲率與皮層下DWML的相關(guān)性分析

二元Logistic 回歸分析結(jié)果顯示，皮層下DWML與右側(cè)SCV曲率呈顯著正相關(guān)(回歸系數(shù)為2.035，P=0.015，P＜0.05)，即右側(cè)SCV 曲率越大，發(fā)生DWML 的概率就越高，差異具有統(tǒng)計學意義。數(shù)據(jù)結(jié)果顯示，右側(cè)SCV 曲率較高者發(fā)生DWML 的概率是曲率較低者的7.649倍。

3 討論

SWI 是一種利用組織間磁化率差異增強圖像對比度的MRI 技術(shù)。人體靜脈富含順磁性脫氧血紅蛋白，使得靜脈與周圍組織產(chǎn)生相位差，SWI 依賴這一不同相位效應成像，對靜脈有不同于其他磁共振成像序列的特殊敏感性，近年來已越來越多被用于腦靜脈的相關(guān)研究[19-22]。目前，國內(nèi)外運用SWI 探索腦靜脈的研究主要包括腦靜脈解剖變異、腦靜脈容積測量、腦靜脈形態(tài)學改變與局部腦實質(zhì)病變的關(guān)聯(lián)等方面[14,23-28]，尤其是針對腦深靜脈的定性及定量研究[14,29-30]。Bouvy 等[31]發(fā)現(xiàn)老年癡呆患者的深髓靜脈血管曲率顯著高于正常人群。另有學者用7 T SWI發(fā)現(xiàn)早期常染色體顯性遺傳病合并皮質(zhì)下梗死及白質(zhì)腦病的患者，其室周旁白質(zhì)病變及正常白質(zhì)區(qū)域內(nèi)的深髓靜脈血管數(shù)量均較對照組顯著減少，提示靜脈密度減低的出現(xiàn)或早于腦白質(zhì)病變，表明小靜脈病理改變可能是腦白質(zhì)病變的病因之一[28]。關(guān)于SCV 與疾病關(guān)聯(lián)的研究，通常主要采用可視化定性評估，定量分析方法較為少見。依據(jù)可視化定性評估SCV 的方法，研究者們紛紛發(fā)現(xiàn)在部分臨床疾病急性發(fā)作時，諸如急性腦梗死、急性小兒癲癇、偏頭痛急性發(fā)作等患者中，均存在SCV在患側(cè)及健側(cè)腦中不對稱分布的現(xiàn)象，即患側(cè)會出現(xiàn)短暫的SCV 可見度增加[32-35]?？梢姡琒WI 對SCV 的顯影優(yōu)勢具有重要的應用及研究價值。本研究結(jié)合SWI 的顯影優(yōu)勢，基于MinIP 圖像構(gòu)建深度學習模型，實現(xiàn)了SCV 形態(tài)學特征的初步定量分析，并據(jù)此模型從影像學角度發(fā)現(xiàn)并驗證了組織解剖學所提出的SCV 病理改變會引起微梗死從而導致腦白質(zhì)高信號的假設(shè)，這在以往研究中鮮有報道。另外，本研究發(fā)現(xiàn)了SCV的血管數(shù)量分布存在性別差異。

3.1 SCV分布的性別差異

本組數(shù)據(jù)結(jié)果顯示男性與女性的SCV 血管數(shù)量顯著不同，男性雙側(cè)大腦半球的SCV血管數(shù)量均明顯多于女性。既往研究發(fā)現(xiàn)正常健康人群中，男性的神經(jīng)元活動度比女性高，腦組織所需血流量大，故腦細胞耗氧率也隨之增加[36-38]。據(jù)此腦血循環(huán)的性別差異基礎(chǔ)，我們推測該研究結(jié)果可能是男性和女性的認知維度差異引起神經(jīng)元活躍度不同，導致局部腦血流量及耗氧率的差異，在二者的雙重作用下，呈現(xiàn)為SWI 上男性雙側(cè)大腦半球的SCV 血管數(shù)量顯著較女性多。該研究結(jié)果與大腦血液微循環(huán)生理情況下的性別差異相符。此外，國內(nèi)外研究顯示腦靜脈血栓的發(fā)生存在性別差異，青年女性更易出現(xiàn)腦靜脈血栓。而既往研究認為SCV 形態(tài)學特征與腦靜脈血栓的形成具有顯著關(guān)聯(lián)。因此，SCV 形態(tài)學特征是否存在性別差異引起了研究者的關(guān)注。有研究發(fā)現(xiàn)女性SCV 管徑、橫截面積等均小于男性，這些可能是導致女性易感腦靜脈血栓的潛在原因，提示SCV形態(tài)學特征的性別差異，可能是腦靜脈血栓形成具有性別差異的形態(tài)學基礎(chǔ)[39-40]。除此之外，病理學研究提示SCV 的分支多少也對腦靜脈血栓是否發(fā)生起著重要作用[41]。在本研究中，男性雙側(cè)大腦半球的SCV 血管數(shù)量均顯著多于女性，有助于進一步闡釋女性較男性易感腦靜脈血栓的原因。同時，該結(jié)果提示本研究所使用的基于深度學習的自動量化模型對SCV形態(tài)學特征的評估有一定的實用價值。

3.2 SCV曲率與皮層下DWML之間的潛在關(guān)聯(lián)

本研究顯示SCV 曲率增加與DWML 的發(fā)生具有顯著正相關(guān)性，有DWML 的受試者其SCV 曲率更大，以右側(cè)顯著。尸體解剖組織學研究結(jié)果顯示，人類大腦皮層區(qū)域的一條小靜脈需引流由4～5條動脈運輸來的血液，這一特征性的解剖構(gòu)成導致腦小靜脈狹窄或閉塞時，將大大增加上游小動脈的血流阻力，因而使得小靜脈成為了腦血管疾病的脆弱點。研究者指出腦靜脈膠原沉積、靜脈曲率增大等病理改變，會增加其引流區(qū)腦微梗死發(fā)生的概率[13]。既往研究顯示，腦白質(zhì)病變最早可能就是由多個微梗死灶融合而成[42]。據(jù)此，我們推測SCV曲率增大與DWML之間潛在關(guān)聯(lián)的原因，主要包括以下兩點：首先，當SCV曲率增大時，其引流阻力即隨之增大，導致局部腦實質(zhì)引流靜脈的血流速度減緩，甚至血流淤滯，阻礙引流區(qū)的腦組織代謝物引流。隨時間推移，導致SCV 出現(xiàn)病變，如靜脈膠原沉積等，使靜脈管腔狹窄，靜脈引流進一步受損，由此形成惡性循環(huán)；其次，SCV 曲率增大導致靜脈阻力增加，除了引發(fā)自身引流不暢外，也會影響上游供血動脈的血流狀態(tài)，使局部腦實質(zhì)的供血動脈血流減緩、淤滯，長此以往引起局部腦組織缺血缺氧改變，最終導致腦實質(zhì)出現(xiàn)相應病變。綜上，SCV 的曲率增大可能通過影響引流靜脈及上游動脈血運的情況，與局部腦白質(zhì)病變的發(fā)生形成關(guān)聯(lián)。

本研究結(jié)果僅在右側(cè)大腦半球SCV 曲率與DWML中發(fā)現(xiàn)了相關(guān)性，左側(cè)未見明顯關(guān)聯(lián)。既往研究提示人類大腦結(jié)構(gòu)與主導功能存在先天不對稱性，其原因部分來自于雙側(cè)肢體運動不同，且單側(cè)手運動能力下降與腦功能下降有關(guān)[43]。據(jù)此，結(jié)合本研究結(jié)果，我們推測因為本組受試者均為青中年的右利手人群，右手經(jīng)常得到運動提高了左側(cè)大腦半球神經(jīng)元的激活率，左側(cè)大腦半球血流量增多，腦靜脈回流增加，從而左側(cè)腦血循環(huán)代償能力增強。因此，較右側(cè)大腦半球，左側(cè)大腦半球因腦血微循環(huán)所致的腦白質(zhì)損傷可能性降低。所以在本研究中，青中年右利手存在腦白質(zhì)病變的人群，其與右側(cè)SCV卷曲度關(guān)聯(lián)更顯著，而非左側(cè)。然而，據(jù)以往研究，腦白質(zhì)病變的形成往往是多種因素導致的結(jié)果。本研究只在右側(cè)大腦半球發(fā)現(xiàn)了SCV 曲率變化與DWML 之間的關(guān)聯(lián)，有可能只是眾多導致白質(zhì)病變發(fā)生的因素之一，抑或是DWML 的形成導致SCV 的曲率發(fā)生了相應變化。二者確切的因果關(guān)系仍需更進一步研究探索以闡明。

3.3 本研究的不足

第一，本研究構(gòu)建深度學習的量化分析模型，初步探索了SCV 與DWML 的關(guān)系，樣本量偏少，需增加樣本量進一步研究，以提高其對SCV識別的特異性及敏感性，以期未來對SCV形態(tài)學相關(guān)指標的量化更為精確；第二，本研究受試者僅限于青年，尚需增加中老年人群，以進一步探索SCV 與DWML 在自然衰老過程中的變化；第三，尚需利用該模型進一步展開SCV 與中樞神經(jīng)系統(tǒng)疾病的研究，以期挖掘臨床疾病早期診斷的影像學指標；第四，本研究尚需結(jié)合動脈自旋標記的磁共振數(shù)據(jù)，進一步驗證SCV變化的血流動力學機制。

綜上所述，本研究通過構(gòu)建深度學習模型初步實現(xiàn)了SCV形態(tài)學特征的定量分析，可能會為今后臨床神經(jīng)系統(tǒng)疾病的SCV評估提供可參考的客觀方法。依據(jù)此模型，本研究從影像學的角度提示SCV曲率改變可能是腦白質(zhì)高信號發(fā)生的一個重要病理過程，并發(fā)現(xiàn)SCV血管數(shù)量的分布存在顯著的性別差異。

作者利益沖突聲明：全部作者均聲明無利益沖突。