摘要：DSA是脑血管病诊疗的关键技术｡借助多种图像分析技术对原始DSA图像进行后处理分析,可以获得详细的血管结构和血流动力学信息｡目前,DSA图像分析技术涵盖了基于深度学习算法的血管自动分割与特征提取､基于DSA序列的时空信息或计算机血流模拟血流动力学参数提取以及更为复杂的多模式成像融合技术等｡该文对DSA图像分析技术的发展现状及其在脑血管疾病评估中的研究进展进行了综述｡

DSA作为一种关键的医学成像手段,可通过数字减影方式获取最终图像,清晰地展示血管形态和血流状态,是脑血管疾病诊断的“金标准”｡随着影像学分析技术的持续发展,借助复杂的DSA图像处理算法可获得更为丰富和多维度的血管空间结构特征及血流动力学信息,对深入理解脑血管疾病和指导临床诊疗决策具有重要意义｡本文拟对基于DSA的图像分析技术对脑血管疾病评估作用的研究进展进行综述｡

1 DSA图像分割与特征提取

传统的DSA图像判读主要依赖于临床医师的主观视觉评估,易受到图像清晰度和观察者主观差异的影响｡自动图像分析方法可以将DSA图像的识别过程标准化,从而有利于提取更详细深入的信息｡

深度学习算法可从图像数据中自动学习和提取特征,进而实现图像识别､分类和处理等｡Wulamu等利用卷积神经网络提取颈内动脉狭窄患者的DSA图像特征,将狭窄血管段和多个正常血管段进行匹配,经过训练,基于卷积神经网络构建的算法程序可自动计算参考血管直径､最小管腔直径和狭窄程度,为自动量化颈动脉狭窄提供了新的解决方案｡脑梗死溶栓(thrombolysis in cerebral  infarction,TICI)分级是评估急性大血管闭塞患者血管再通程度的常用分级标准,但其容易受到观察者主观评估差异的影响｡为解决这一问题,一些研究将DSA分为不同时相进行图像采集,分别分割出血管､灌注区域和背景图像,再将灌注区域的像素点整合统计,获得自动TICI分级;该分级与人工评估的扩展脑梗死溶栓(extended thrombolysis in cerebral infarction,eTICI)分级具有良好的一致性(正位图:ρ=0.54,P<0.01;侧位图:ρ=0.65,P<0.01),在评价再灌注程度方面具有较高的性能｡此外,针对血管内治疗过程中可能出现的并发症—颅内血管穿孔,Su等将DSA序列图像输入检测器中,通过上下帧图像对比,并利用残差网络50(一种深度卷积神经网络模型)的端到端网络提取每帧图像的结构特征,通过时间模块学习对比剂外渗的渐进表现,选择最可能的穿孔外渗轨迹作为最终输出,从而实现了血管穿孔的自动检测与定位｡

Podgorsak等以人工分割的动脉瘤DSA图像为学习蓝本,应用卷积神经网络进行颅内动脉瘤自动分割训练,将原始输入图像的像素点分割并分类为背景､血管和动脉瘤3组,结果显示,在识别动脉瘤方面,自动分割识别的方法不劣于常规手动分割法[平均Dice系数为0.903,平均受试者工作特征曲线下面积(area under  the curve,AUC)为0.791],该方法有助于减少病变识别的主观差异,增强一致性｡自动分割动脉瘤区域后,卷积神经网络还可应用于提取动脉瘤的几何形态和剪应力等多重特征,上述特征经快速相关滤波器筛选后建立的决策树分类器预测模型在动脉瘤破裂的风险评估方面展现出良好的性能(训练集图像数比测试集图像数为267比141;训练集的AUC为0.94,测试集的AUC为0.93)｡基于区域的快速卷积神经网络可通过脑动静脉畸形(arteriovenous malformation, AVM)患者的DSA图像获取时间特征和放射组学特征,以此构建的AVM诊断和分级模型在训练集中的AUC为0.942,在测试集中的AUC为0.871,在辅助临床诊断中具有潜在的应用价值｡Hu等提出了一种结合三维卷积神经网络和双向卷积门控递归单元的深度网络结构,用于提取烟雾病患者DSA图像的多重时空特征,通过对提取的多个特征进行融合与分类,实现烟雾病的自动诊断;该算法结果的可靠性在630例烟雾病患者的队列中获得了验证(准确度为0.9788,敏感度为0.9780,特异度为0.9796,AUC为0.9856)｡

综上所述,基于DSA图像的自动分割与特征提取技术增强了DSA图像评估流程的标准化程度,可降低主观因素的影响｡同时,该技术能够识别并解析更深层次的图像信息,对疾病进展程度及风险预测具有重要意义｡但DSA图像的自动分割和特征提取技术依赖于机器学习算法的不断精进,因此需要大量高清晰度且具有代表性的图像数据进行训练,以确保算法的准确性与泛化能力｡

2 基于DSA的血流动力学分析

DSA图像不仅能够清晰地描绘血管的形态特征,还可以直观地反映血流状态,在脑血管疾病诊断､治疗以及预后评估方面具有重要意义｡随着计算机科学在图像轮廓提取､特征识别､流体运动模拟等领域的不断进步,目前已开发出包括模拟血流储备分数(fractional flow  reserve, FFR)､计算流体力学(computational fluid dynamics, CFD)､定量DSA分析等多种血流动力学评估方式,以实现从DSA图像中提取血流动力学参数,从而提升对脑血管狭窄､动脉瘤和血管畸形等疾病的诊断精度,进而优化临床诊疗方案｡

2.1 FFR

临床上通常以狭窄程度评估血管狭窄病变的严重程度,但有研究表明,狭窄血管的功能性改变在疾病进程中可能扮演着更为重要的角色｡冠状动脉FFR是狭窄冠状动脉供给心肌的最大血流量与理论最大血流量的比值,是评估狭窄冠状动脉功能性改变的“金标准”,其通常可通过压力导丝测量获得｡由于压力导丝操作需要较高的技术水平和经济成本,因此研究者们以冠状动脉生理学理论为基础,通过一定算法获得计算FFR,其在诊断包括血管狭窄在内的冠状动脉病理性改变及指导干预策略选择方面的表现与通过压力导丝测量获得的FFR相当｡

在冠状动脉领域研究的基础上,FFR的概念被引入狭窄脑血管的血管功能性变化评估当中｡研究者们利用压力导丝获取脑动脉狭窄前后的压力比值,并尝试性开发基于DSA图像评估计算FFR的技术｡基于Murray定律的单角度脑血管DSA成像获得的计算FFR—定量血流比,与压力导丝测量的FFR具有良好的相关性和一致性[r=0.879,P<0.01,平均偏差为0.006(95%一致性界限为-0.198 ~ 0.209);r=0.90,P<0.01,平均偏差为0.00±0.08]｡Yang等通过对双角度颅内动脉狭窄的DSA图像进行三维重组获得的计算FFR与压力导丝测量的FFR结果相近(r=0.92,P<0.01,平均偏差为-0.01±0.07)｡上述研究为脑血管狭窄病变中计算FFR的获得提供了一定的方法学基础｡计算FFR与症状性颅内动脉粥样硬化性狭窄(intracranial  atherosclerotic stenosis,ICAS)介入治疗前CT灌注成像参数—平均通过时间(mean transit time,MTT)和达峰时间之间存在相关性(基于每例患者:ρ值分别为-0.45和-0.26,均P<0.05;基于每支血管:ρ值分别为-0.72和-0.43,均P<0.05),并且介入治疗后的计算FFR与治疗后脑灌注改善独立相关(aOR=1.48,95% CI:1.15~1.90,P=0.002),表明计算FFR或可作为介入治疗过程中进行实时血流动力学评价的潜在指标｡Huang等研究显示,计算FFR对于症状性ICAS病变的区分能力超过单纯的狭窄程度评估(AUC为0.726比0.631,Delong检验P值为0.001)｡计算FFR可有效预测症状性ICAS患者的长期卒中事件(发病后5年内的任何卒中事件,包括出血性卒中､缺血性卒中､短暂性脑缺血发作等; aHR=0.345,95% CI:0.155~0.766,P= 0.009),或可为ICAS的风险分层和个体化治疗提供科学依据｡

基于DSA图像的计算FFR技术可提示狭窄血管的功能性改变,辅助血管狭窄病变风险分层｡但目前该技术仍待进一步优化,未来通过采集并设置患者个体化血液生理参数或可实现更为准确的模拟计算,其临床意义及应用价值也需要通过更大样本量的前瞻性研究进一步证实｡

2.2 CFD

CFD是一种通过数值模拟分析和预测流体流动的学科,其通过结合医学影像学数据(如CT､MRI､DSA)构建的血管解剖模型可模拟血流动力学,评估脑血管狭窄､动脉瘤､血栓形成等疾病情况及相应手术或介入治疗的效果｡下文将重点阐述基于DSA图像的CFD模拟研究｡

Yao等提出使用基于DSA图像的CFD模型评估颈动脉分叉处几何形状和局部血流动力学对内膜增生的影响,其根据双侧颈动脉内膜新生的比率将双侧颈动脉支架置入的患者分为内膜新生对称组(双侧新生内膜比率差值<5%;12例)和非对称组(双侧新生内膜比率差值≥5%;13例),结果显示,对称组与非对称组的低平均壁面剪应力相对区域面积差异无统计学意义[(-1.940±23.269)%比(-8.240±15.796)%,P=0.440],与对称组相比,非对称组高振荡剪切指数相对区域面积更小[(10.560±20.798)%比(-5.870±18.259)%,P=0.048]｡另外,利用基于DSA图像的CFD模型可观察到颅内动脉狭窄支架置入后的转移压力较支架置入前升高[0.70(0.52,0.88)Pa比0.07(0.01,0.31)Pa,P<0.01],壁面剪应力较支架置入前下降[0.78(0.58,1.05)Pa比2.00(1.41,3.85)Pa,P<0.01]｡对基于DSA图像的颅内动脉瘤CFD模型分析显示,不规则的动脉瘤形态(P=0.024)､低壁面剪应力(P=0.048)是动脉瘤破裂的高危特征,且有研究证实,依据形态学和CFD参数构建的模型预测动脉瘤破裂的性能良好(AUC为0.901,敏感度为100.00%,特异度为88.46%)｡为进一步理解血流对动脉瘤壁的影响,Khan等研究探究了由基于DSA图像的CFD获得的形态学和血流动力学参数与由三维血管壁磁共振成像显示的动脉瘤壁强化的关系,结果表明,低壁面剪应力是动脉瘤壁强化的独立预测因子(P=0.01)｡上述研究表明了通过基于DSA图像的CFD模拟脑血流状态获取脑血管病变特征的可行性,但CFD模拟过程会受到原始图像质量､模型参数设置､边界条件设定等影响｡

2.3 定量DSA分析

定量DSA分析是一项通过整合整个时相的灌注图像以分析血流动力学的技术,依据相应区域内对比剂的浓度变化,获取对比剂在该区域通过的时间和速度,得到时间-密度曲线(time to density curve, TDC),并计算其AUC及多种血流动力学参数,包括MTT､达峰时间､峰值､半峰宽等｡因定量DSA分析可通过后处理软件创建伪彩色全程血流图像,故又被称为彩色血流编码DSA技术｡通过定量DSA分析获得相应区域的血流动力学参数,可揭示细微的血流改变,精准评估血流灌注水平｡

2.3.1 通过定量DSA分析获取血流动力学参数:文立利等的研究纳入了15例AVM患者,结果表明,彩色血流编码DSA图像相较原DSA图像能够更加清晰地显示畸形团大小及引流静脉走行,并判断出主要引流静脉｡Lin等对119例幕上AVM患者的DSA图像进行定量分析,将对比剂流入与流出的斜率比值的绝对值定义为瘀滞指数,结果显示,最主要引流静脉的较高瘀滞指数是幕上AVM破裂出血的重要危险信号(OR=3.13,95%CI:1.22 ~ 8.06,P=0.02)｡通过定量DSA分析对AVM栓塞后脑实质血流灌注情况进行评估,结果显示,栓塞后周围正常脑组织血流灌注增加是AVM术后出血并发症的病理生理基础｡另外也有多项研究将定量DSA分析用于预测颅内动脉瘤栓塞装置的治疗效果｡

基于定量DSA分析获得的脑循环时间比狭窄程度更能反映症状性与非症状性颈动脉狭窄间的差异,有助于识别出更易从介入干预中获益的患者群体｡与颈动脉狭窄行支架置入术后未发生高灌注的患者相比,术后高灌注患者术前脑循环时间延长更显著[(7.2±1.3)s比(3.0±6.1)s, P<0.01],术前术后脑循环时间的变化差异更大[(5.9±5.7)s比(0.5±1.3)s,P< 0.01]｡颅内动脉狭窄血管成形术前靶血管的达峰时间延迟(aHR= 2.270,95% CI:1.371~3.758,P=0.001)和跨狭窄的相对达峰时间差值缩短(aHR=0.240,95%CI:0.088~0.658,P=0.006)可能增加卒中的复发风险,该参数有望成为颅内动脉粥样硬化性狭窄患者风险分层的重要依据｡ICAS支架置入术后基于定量DSA分析的高瘀滞指数是支架内再狭窄发生的独立危险因素(OR=1.84,95%CI:1.01~3.37,P=0.047)｡为评估静脉窦狭窄的血流动力学情况,有研究者提出了静脉狭窄指数(venous stenosis index,VSI),即在二维血流参数化软件中获得的狭窄前血管与狭窄后血管TDC的AUC比值,结果显示,静脉窦狭窄患者(11例)的VSI相较于无静脉窦狭窄者(11例)升高(1.42比0.97,P= 0.01),表明定量DSA分析或可作为静脉窦狭窄患者血流状态的有效评估工具｡

通过定量DSA分析对大血管闭塞引起的急性缺血性卒中患者血流动力学情况进行评估,可发现灌注状态的细微变化,为解释无效再通现象的存在提供了一定依据,并有助于预测血管成功再通患者的预后及术后并发症｡Kosior等分析了50例急性缺血性卒中患者梗死受累区域血管再通后的MTT,结果显示,MTT与出血转化之间存在U型关系,在MTT较低和较高时均可能增加出血转化的发生风险(MTT分布的最低点为3.0s;将MTT数据中心化至最低点后,发生出血转化和未发生出血转化患者间的MTT绝对差异为0.8s;P<0.01)｡另有研究表明,颈内动脉至大脑中动脉M1段分叉处的达峰时间与急性前循环大血管闭塞行机械取栓患者术后3个月的良好神经功能预后[改良Rankin量表(mRS)评分为0~2分]相关(aOR=0.24,95% CI:0.06~0.99,P= 0.048)｡Ji等通过研究还证实了脑微循环时间的延长与急性大血管闭塞性卒中患者血管再通成功后的不良结局(发病后90dmRS评分3~6分)相关(aOR= 2.061,95% CI:1.414~3.005,P<0.01)｡综上,定量DSA分析获得的血流动力学参数能够在多种脑血管病变中起到提示发病极值､预测患者预后､实现危险分层等作用｡

2.3.2 定量DSA分析与机器学习:定量DSA分析能够生成彩色血流编码图像并可提取多种血流动力学参数,但常规的感兴趣区勾画可能会忽略全局的参数信息,利用机器学习模型有利于对整体区域特征进行提取｡Wisniewski等评估了使用弹簧圈栓塞治疗的80例颅内动脉瘤患者远端载瘤动脉的血流动力学参数,并应用监督机器学习算法构建手术结局预测模型,结果显示,该模型在预测术后6个月动脉瘤闭塞方面具有良好的准确度(78.6%)｡在AVM血流动力学特点研究的基础上,Zhu等纳入并分析了844例AVM患者的DSA图像(训练集597例,测试集149例,验证集98例),通过自研定量分析程序提取血流动力学特征,并通过三维旋转血管造影图像获得形态学特征,结合患者临床特征,利用5个独立机器学习模型集成构建了1个纳入多维特征的整合模型,结果显示,该整合模型在预测AVM破裂的测试集和验证集中的AUC分别为0.880和0.864｡上述两项研究通过多维度特征与机器学习相结合的方法构建了结局或风险预测模型,均获得了较好的预测性能｡

定量DSA分析获得的彩色血流编码图像还可结合放射组学进行分析｡Liang等对281例患者的颅内动脉瘤轮廓进行勾画后,获得了区域内像素点TDC与彩色血流编码图像,提取了包括二维形状特征､一阶统计量特征､灰度共生矩阵纹理特征､灰度游程长度矩阵纹理特征和小波特征在内的共928个图像放射组学特征,并进行放射组学特征选择和风险评分计算,结果显示,放射学组风险评分与动脉瘤栓塞的并发症(包括蛛网膜下腔出血､脑实质出血､卒中等)存在相关性(OR= 5.52,95%CI:2.29~13.36,P<0.01),并且是栓塞治疗后18个月内动脉瘤完全闭塞的预测因素(aHR=9.23,95%CI:3.99 ~ 21.36,P<0.01),表明提取的上述放射组学特征或可作为评价颅内动脉瘤栓塞治疗疗效的潜在指标｡

3 DSA与CT或MRI图像融合在脑血管疾病中的应用

CT和MRI是脑血管疾病无创检查的重要手段,可提供脑血管与组织结构的多重详细信息｡DSA作为介入检查方式,在脑血管疾病诊断的准确性上具有领先地位｡通过将CT和MRI获得的图像与DSA图像进行配准和融合,可以为脑血管病的诊断和治疗决策提供更为全面和可靠的影像学依据｡

Zhang等将25例脑血管病患者的术前CT血管成像与手术过程中的DSA图像进行配准融合,并通过融合图像引导介入治疗,其指出该方法可在使用低剂量对比剂的情况下获取高精度血管图像｡Guan等在32例卒中或短暂性脑缺血发作合并大脑中动脉重度狭窄(狭窄率≥70%)的患者中尝试性应用三维DSA-MRI融合技术,在融合图像中可显示大脑中动脉斑块及其特征､豆纹动脉开口及邻近脑组织之间的空间关系,其有助于探讨大脑中动脉狭窄相关卒中发生的机制｡三维DSA-MRI融合成像还被应用于描绘MRI上可见的AVM病灶的解剖临近关系｡有研究尝试使用超选择性三维DSA-MRI融合成像探究脑内微AVM的病灶位置､责任动脉及邻近脑结构;微AVM通常为隐匿性病变,且易发生脑出血,该技术或可提高其诊断率,并通过呈现微AVM的局部解剖结构增加手术治疗的安全性｡此外,Zhang等利用深度学习算法,以最大边界因子的方法进行配准,实现二维DSA图像与MR血管成像融合,与传统的基于特征点或强度的配准方法相比,该方法提高了配准速度,且具有更好的准确性和鲁棒性｡多模态影像融合技术能够整合不同成像技术的优势,提高病变的检出率和诊断的精确性,为临床提供更为详实的决策支持,但由于此类技术需要强大的工作站支持,故而目前尚处于探索性研究阶段｡如何将图像融合技术更好地应用于临床实践,还有待于进一步开发和改进｡

综上所述,基于DSA的图像分析技术在明确脑血管病变情况､指导治疗决策及预测治疗效果等方面具有重要应用价值｡随着计算机辅助医学影像分析技术的不断进步,临床医师能够基于DSA图像获取更加丰富详实的信息,从而扩展了DSA图像在临床应用中的深度和广度｡但目前各种DSA图像分析技术仍需不断优化,以进一步提升分析准确性,探索临床应用潜力｡