超短回波时间MRI下支气管异常的3D自动分割：囊性纤维化患者的定量磁共振成像结果

囊性纤维化（CF）患者采用超短回波时间MRI（UTE-MRI）进行自动语义分割研究，开发RiSeNet模型通过强化学习动态优化深度监督权重，显著优于SAMed、nnSAM等模型，NSD达0.84-0.90，clDice达0.61-0.69，与Bhalla评分（-0.85至-0.92）及FEV1%（-0.68）强相关，治疗12个月后支气管扩张体积减少76.4%，壁增厚减少89.9%，粘液减少78.3%。

　　
囊性纤维化（CF）是一种遗传性呼吸系统疾病，其核心特征是黏液堵塞、支气管壁增厚和支气管扩张，这些病变会导致肺功能逐渐恶化。近年来，超短回波时间（UTE）磁共振成像（MRI）作为一种辐射-free的替代CT方案，逐渐受到关注。然而，UTE-MRI的临床应用受到两大瓶颈限制：一是其成像参数（如低信号强度、高呼吸伪影）导致手动分析效率低下且主观性强；二是缺乏针对CF特异性病变的自动化量化工具。本文通过开发RiSeNet深度学习模型，旨在解决上述问题，并验证其临床应用价值。

### 背景与挑战
传统CF监测依赖CT扫描，但频繁辐射暴露对儿童患者存在潜在风险。虽然MRI具有辐射优势，但其成像质量（如低对比度、运动伪影）限制了自动化分析的发展。目前CF影像评估仍以人工阅片为主，难以标准化量化病变程度。例如，支气管扩张的形态复杂且分布不均，手动测量易受主观因素影响，且难以捕捉动态变化。

### 研究目标与创新
本研究提出两项核心目标：
1. **开发自动化分割模型**：针对UTE-MRI影像特点，设计能精准分割支气管扩张、壁增厚和黏液堵塞三大病变的深度学习算法。
2. **验证临床实用性**：通过对比治疗前后影像数据，证明模型生成的量化指标与肺功能（FEV1%）及临床评分（Bhalla）高度相关，为CF治疗监测提供新工具。

**创新点**在于首次将强化学习（RL）与深度监督（DS）结合应用于医学影像分割。传统方法采用固定权重融合多尺度解码器输出，而RiSeNet通过动态优化权重，使模型能自适应不同病变特征。例如，在分割黏液时自动增强高分辨率特征，在分析大范围支气管扩张时整合多分支信息。

### 方法与技术路径
研究采用回顾性设计，纳入166例CF患者（平均年龄23岁，男女比例1:1），数据集分为97例训练集、25例测试集和44例独立验证集。影像参数为1.5T场强，采用UTE-MRI的3D梯度回波螺旋呼吸门控序列（VIBE），与同步CT影像进行配准比对。

**关键技术突破**：
- **多模态数据对齐**：通过非刚性配准将CT标注映射到UTE-MRI空间，确保分割基准的准确性。
- **动态权重优化**：RiSeNet在训练过程中实时调整各解码器阶段的监督权重，例如针对支气管壁增厚（低对比度区域）动态提升高分辨率特征权重，而对黏液堵塞（高对比度区域）则侧重增强中心线追踪能力。
- **双阶段评估体系**：
1. **技术性能验证**：使用归一化表面Dice（NSD）和中心线Dice（clDice）衡量分割精度。NSD侧重表面匹配，clDice强调拓扑连通性，适用于评估支气管分叉等复杂结构。
2. **临床相关性验证**：通过Spearman相关系数分析模型输出与Bhalla评分（综合支气管壁厚度、管腔扩张度等指标）及肺功能（FEV1%）的关联性。

### 关键发现
#### 1. 技术性能超越现有方案
- **NSD（归一化表面Dice）**：RiSeNet在支气管扩张（0.84 vs. 0.73）、壁增厚（0.90 vs. 0.74）和黏液（0.75 vs. 0.65）均显著优于SAMed（Transformer架构）、nnSAM（结合全局上下文）、MedNeXt（大卷积核）和U-Mamba（时序建模）等主流模型。
- **clDice（中心线Dice）**：在黏液分割中，RiSeNet达到0.64，优于U-Mamba的0.45，表明其在细支气管级联结构建模上的优势。
- **计算效率**：模型参数量（88.2M）和推理时间（59秒）优于同类高性能模型（如U-Mamba参数量达173.8M，推理时间148秒），适合临床实时应用。

#### 2. 临床价值验证
- **与Bhalla评分强相关**：治疗后支气管扩张体积下降68%（3.88→1.25mL），壁增厚减少90%（30.43→3.05mL），黏液减少78%（53.30→11.80mL），均与Bhalla评分下降趋势（-0.92至-0.85）及FEV1%提升（69%→92%）同步。
- **纵向监测能力**：临床验证队列中，模型能准确追踪治疗12个月后病变体积的显著下降（图5）。例如，某19岁患者FEV1%从38%提升至81%，对应支气管扩张体积从53mL降至4mL，三维渲染图直观展示治疗前后肺结构的动态变化。

### 技术优势与局限
#### 优势
- **辐射-free监测**：UTC-MRI无需电离辐射，尤其适合儿童患者长期随访。
- **标准化量化**：模型输出可消除人工读片的主观差异，为跨机构数据比较提供基础。
- **动态权重机制**：通过强化学习实时优化监督权重，适应不同病变区域的成像特点（如低信号区域增强边缘检测，高对比度区域优化中心线追踪）。

#### 局限
- **单中心数据偏差**：研究主要基于布尔多大学医院数据，未来需验证多中心泛化能力。
- **标注依赖性强**： ground truth依赖CT配准，而CT与UTE-MRI的空间分辨率差异（CT 0.6mm vs. UTE-MRI 1mm）可能影响小病灶分割精度。
- **性能增益有限**：与nnU-Net基线相比，RiSeNet在NSD等指标上仅提升约5%，需进一步优化模型架构。

### 未来方向
1. **多模态融合**：整合UTE-MRI的解剖结构（CT-like分辨率）与功能成像（如129Xe MRI的代谢活性追踪），构建更全面的CF评估体系。
2. **轻量化部署**：针对临床设备（如1.5T MRI普及率）优化模型参数量，开发边缘计算版本。
3. **动态权重解释**：通过可解释性AI技术可视化权重调整机制，例如标注模型优先处理哪些支气管分支或黏液区域。
4. **特殊人群验证**：扩大测试范围至非ΔF508突变患者、早发型CF及携带CFTR调节剂无效突变的患者。

### 结论
本研究证实，RiSeNet模型不仅能实现UTE-MRI影像的自动化分割（NSD达0.84），还能通过量化指标（如 TABV总异常体积）与临床金标准（Bhalla评分、FEV1%）高度相关（相关系数-0.78至-0.92）。在CFTR调节剂治疗中，模型能敏感捕捉肺结构的改善（如黏液体积减少78%），为制定个体化治疗方案提供影像依据。这一成果标志着UTE-MRI从研究工具向临床应用的关键跨越，为辐射-free的CF监测提供了可靠技术路径。