基于多中心深度学习的头颈部血管壁MRI快速分割与重建系统VWI Assistant的开发与验证

针对3D MR-VWI（三维磁共振血管壁成像）临床应用中耗时的手工后处理问题，研究人员开发了多序列集成的深度学习平台VWI Assistant。该系统在1981例多中心数据中实现92.9%的血管重建合格率，处理时间缩短90%以上（10-12分钟/例），显著提升头颈部血管病变（如动脉粥样硬化、闭塞、动脉瘤）的诊断效率。

　　

脑血管疾病是全球第二大死因，其中头颈部血管病变的精准评估对卒中防治至关重要。三维磁共振血管壁成像（3D MR-VWI）虽能提供血管壁结构、斑块成分等关键信息，但其临床应用长期受限于繁琐的手工后处理——每例患者需耗费10分钟以上进行血管分割和曲面重建（CPR），且结果易受操作者经验影响。

上海交通大学医学院附属仁济医院联合多家机构的研究团队在《npj Digital Medicine》发表研究，开发了首个多序列集成的深度学习平台VWI Assistant。该系统通过1981例多中心数据训练，实现头颈部血管的自动化分割与重建，合格率达92.9%，与专家手工处理相当（p>0.05），同时将处理时间压缩至0.99±0.52分钟/例（p<0.001）。临床部署12个月内，使用率从10.8%飙升至100%，证实其解决3D MR-VWI规模化应用瓶颈的潜力。

关键技术包括：1）改进的3D卷积神经网络架构（含双通道序列融合模块），利用T1WI、TOF-MRA和T1WI-CE多序列互补信息；2）基于距离场的路径追踪算法优化血管中心线提取；3）纳入四家中心（含Philips、Siemens等不同厂商）的血管闭塞、动脉瘤等复杂病例数据增强模型鲁棒性。

研究结果：
算法性能
模型训练2500轮后收敛，前/后循环血管Dice系数达0.829，中心线平均距离误差仅0.37-1.33 mm。多序列联合（T1WI+TOF+T1WI-CE）重建合格率最高（92.8% vs 单序列77.1%）。

临床验证
在804条血管评估中，VWI Assistant与手工处理的合格率无显著差异（92.9% vs 93.5%）。对颈动脉支架（图6a）、椎动脉夹层（图6c）等复杂病变均实现清晰重建。

效率提升
系统使点击操作从406次/例（初级医师）降至16次（p<0.001），测量狭窄率的组内/组间一致性ICC达0.988-0.999，优于手工处理。

该研究突破传统3D MR-VWI应用壁垒：首先，首次实现跨厂商（Philips/Siemens/联影/GE）、跨序列（黑血/亮血/增强）的通用血管重建；其次，针对血管闭塞这一难点，模型通过模拟训练使重建合格率达80.3%；最后，临床部署证实其可标准化诊断流程——即便对纤维肌发育不良等罕见变异（图7a），系统也能通过半自动校正提升效率。

未来需优化远端小血管（如MCA-M₂段）的识别，并扩充Moyamoya病等特殊病例训练集。但毫无疑问，VWI Assistant为血管影像的智能化转型提供了范本，其开源代码已集成至联影医疗uWS Plaque Tool软件，将加速精准脑血管诊疗的普及。