基于深度学习的全自动脑灌注数字减影血管造影成像框架：PerfDSA
一、研究概述
本研究由Eindhoven University of Technology生物医学工程系的Ruisheng Su作为第一作者和通讯作者，联合Erasmus MC大学医学中心放射与核医学科、Maastricht University Medical Center放射与核医学科以及Philips Healthcare介入X射线部门的科研人员共同完成。论文发表在International Journal of Computer Assisted Radiology and Surgery期刊上，于2025年4月24日在线发表，刊载于第20卷，页码1195至1203。该研究提出了一个名为PerfDSA的全自动脑灌注成像框架，旨在从脑数字减影血管造影（Digital Subtraction Angiography, DSA）图像中自动生成基于去卷积算法（deconvolution-based）的灌注参数图。
二、研究背景与目的
数字减影血管造影是当前介入放射学中用于血流量化可视化和血管内治疗指导的金标准成像技术，尤其应用于卒中和颅内动脉瘤等神经血管疾病。该技术通过将造影剂充盈前后的图像进行减影处理，有效去除静态软组织和骨骼的视觉干扰，仅凸显造影剂填充的血管结构，具有极高的时空分辨率。然而在临床实践中，尤其是在血管内卒中治疗时，DSA图像的采集常通过手动注射造影剂完成，这导致同一患者不同时间点获取的图像间存在很高的对比增强差异性。此外，目前临床缺乏可靠的自动评估脑血流和灌注动态变化的工具。因此，围手术期的DSA评估主要依赖于介入医生的肉眼判断，这种方法耗时、易出错且主观性强，尤其在面临高时间压力的介入操作（如血管内机械取栓）时劣势明显。
尽管计算机断层扫描（Computed Tomography, CT）和磁共振成像（Magnetic Resonance Imaging, MRI）中基于去卷积的定量灌注参数图（如彩色编码显示）已被广泛应用，但在DSA中的应用远未普及。此前虽有学者提出了彩色编码DSA和灌注参数血管造影的可行性，但现有的方法均为半自动，需要人工手动勾画输入动脉，限制了其在临床中的广泛和大规模应用。因此，本研究旨在开发并验证一个全自动计算框架PerfDSA，从脑DSA图像中自动提取动脉输入函数（Arterial Input Function, AIF）并生成灌注参数图，从而为脑血管介入治疗决策提供支持，并促进临床实践中新型定量生物标志物的发现。
三、研究方法与工作流程
PerfDSA框架主要包括两大模块：基于U-Net深度神经网络的动脉输入函数自动提取模块和基于去卷积的灌注参数图像计算模块。整个工作流程为，输入一个二维加时间维度的DSA影像序列（2D+time DSA series），框架首先利用U-Net网络对参考输入动脉进行自动分割，提取其范围内的平均时间-强度曲线（Time-Intensity Curve, TIC）作为AIF。随后，对图像中每个像素点提取TIC，并与AIF进行去卷积运算，生成脉冲残留函数（Impulse Residue Function, IRF）。最后，从每个像素的IRF中计算各项灌注参数，形成二维的参数图像。
在参考输入动脉的选择上，本研究并未采用完整的颈内动脉（Internal Carotid Artery, ICA），而是根据既往多项研究，选用Bouthillier分类中定义为C6-C7段的颈内动脉床突上段（supraclinoid ICA）。此选择的理由有三点：第一，该段血管解剖位置易于识别；第二，与ICA的近心端相比，此处受造影剂重叠伪影影响导致错误AIF的概率较低；第三，注射后ICA近心端可能出现造影剂淤滞现象，导致AIF误差，而床突上段则较少受此影响。研究设计了一个基于U-Net架构的血管分割模块，用于全自动分割床突上段ICA。训练过程中，损失函数被定义为Dice损失和交叉熵损失之和。网络结构采用典型的编码器-解码器架构，编码器包含8个带有最大池化操作的卷积层，滤波器数量从64逐步增加到512，解码器则通过8个带有上采样和跳跃连接（skip connections）的层将特征图恢复至原始输入尺寸。
在灌注参数计算模块，本研究采用了与CT和MR灌注成像类似的团注示踪法（bolus-tracking method），该方法基于指示剂稀释理论（indicator dilution theory）。其核心原理是，感兴趣容积内造影剂浓度随时间的变化曲线等于脑血流量、组织内平均造影剂浓度以及动脉内造影剂浓度与残余函数卷积结果的乘积。通过反卷积运算，可以逐像素求解出脑血流量（Cerebral Blood Flow, CBF）、脑血容量（Cerebral Blood Volume, CBV）、平均通过时间（Mean Transit Time, MTT）和达峰时间（Tmax）等灌注参数。其中，CBF取残余函数达到最大值时的计算值，CBV通过该感兴趣容积和输入动脉时间浓度曲线的曲线下面积比值获得，MTT则利用中心容积原理（central volume theorem），由CBV与CBF的比值计算得出。本研究使用来自MR CLEAN多中心注册数据库的1006名患者（共1882个DSA序列）的数据，实验将数据集按患者层面以50%-20%-30%的比例随机划分为训练集、验证集和测试集。
四、主要研究结果
在输入动脉分割性能评估中，PerfDSA的U-Net分割模块总体Dice相似系数达到了0.73（±0.21），特异性（specificity）接近100%，灵敏度（sensitivity）为79%，血管分割的在靶率（即Dice > 0的比例）高达98%。考虑到目标血管（床突上段ICA）结构细小且形态多变，手动勾画标注本身也存在固有的边界不确定性，这一结果被认为具有良好的分割准确性。可视化结果显示，分割效果良好的案例中自动分割的血管边缘与手动标注高度一致；在部分Dice系数相对较低的案例中，模型预测的血管虽然评分不高，但仍精准定位在正确的血管上，偏差主要源于血管边界的模糊性；少数脱靶案例则主要归咎于运动伪影或静态手术器械的干扰。
将人工分割掩膜提取的AIF曲线与PerfDSA自动分割掩膜提取的AIF曲线进行比较发现，两者高度相似，皮尔逊相关系数（Pearson Correlation Coefficient, PCC）高达0.99，均方根误差（Root Mean Squared Error, RMSE）仅为0.01（约合2.55个灰度级）。这一结果表明，尽管Dice系数仅为0.73，但对于AIF提取这一核心下游任务而言，其准确性足以生成与手动提取几乎完全相同的动脉输入函数，完全满足灌注参数精确计算的需求。
在运行效率上，PerfDSA处理每个DSA序列平均仅需0.004秒即可完成AIF自动提取，生成全部的去卷积灌注参数图约需1秒，这一速度保证了其在临床介入手术中提供及时的治疗评估和决策支持。研究进一步在测试集的560张DSA图像中，提取了ICA和大脑中动脉（Middle Cerebral Artery, MCA）供血区的平均CBV、CBF、MTT和Tmax共八个参数。通过逻辑回归模型分析这些参数与卒中患者功能预后（以改良Rankin量表评分二分类衡量）的关联。结果显示，PerfDSA生成的灌注参数对区分良好和不良功能预后具有显著能力，受试者工作特征曲线下面积（Area Under the Curve, AUC）达到0.63。Wald检验发现，CBF和Tmax均与良好功能预后显著相关（p<0.05），整体模型p值为2.62e-5。
五、研究结论与价值
PerfDSA为学界和临床界提供了一个全自动量化脑DSA灌注的工具。其模块化设计允许未来替换或嵌入性能更优的分割模型（如nnU-Net或针对DSA血管分割的CAVE模型），具有很高的拓展性。本研究首次证实，基于深度学习的全自动AIF提取完全可行，且其下游灌注参数计算精度并未因Dice系数不高而受损，这得益于算法极高的特异性（即极低的假阳性率）。其次，生成的去卷积灌注参数图与卒中患者功能预后显著相关，提示该方法能够从常规DSA图像中挖掘出肉眼观察不到的、具有临床价值的血流动力学信息，有望作为新型定量生物标志物，辅助脑血管病的诊断、术中治疗决策及术后预后评估。
六、研究亮点
本研究最大的亮点在于首次提出了一个DSA领域端到端的全自动灌注成像框架，解决了困扰该领域从半自动到全自动转变的关键瓶颈——输入动脉的自动识别与分割。研究并未简单追求最高的Dice分割指标，而是从临床功能应用出发，以AIF准确性作为评判分割模型效能的最终标尺，体现了转化医学的研究思路。另一个亮点是利用真实世界的大型多中心卒中注册数据（MR CLEAN），不仅验证了算法性能，还初步建立了灌注参数与临床预后的关联，为后续大规模临床验证和应用奠定了坚实基础。