分享:
分享到微信朋友圈
X
综述
人工智能在头颈动脉粥样硬化斑块高分辨磁共振血管壁成像中的应用进展
刘洁 欧阳烽 吕联江 徐紫荷 曾献军

Cite this article as: LIU J, OUYANG F, LÜ L J, et al. Progress of artificial intelligence application in high-resolution magnetic resonance angiography of head and neck atherosclerotic plaque[J]. Chin J Magn Reson Imaging, 2024, 15(7): 179-183.本文引用格式:刘洁, 欧阳烽, 吕联江, 等. 人工智能在头颈动脉粥样硬化斑块高分辨磁共振血管壁成像中的应用进展[J]. 磁共振成像, 2024, 15(7): 179-183. DOI:10.12015/issn.1674-8034.2024.07.030.


[摘要] 目前头颈部动脉粥样硬化疾病是亚洲人群发生缺血性脑卒中最主要的原因,卒中患者常常面临严重的预后问题。近年来,随着人工智能(artificial intelligence, AI)的迅猛发展、影像组学及深度学习等在医学影像中的广泛研究及应用,AI在疾病的检出、精准评估等有着重要价值。本文就AI在头颈动脉粥样硬化高分辨磁共振血管壁成像(high resolution magnetic resonance-vessel wall imaging, HR-VWI)中斑块的分割、明确斑块的性质、相应的脑血管事件预测研究进展进行综述,旨在介绍近年AI在该疾病的发展现状及面临问题,为动脉粥样硬化患者卒中风险分层评估以及个体化治疗提供研究方向。
[Abstract] Currently, Atherosclerosis of the head and neck is the leading cause of ischemic stroke in Asian populations, and stroke patients often face serious prognosis problems. With the rapid development of artificial intelligence (AI) in recent years, and the extensive research and application of imaging histology and deep learning in medical imaging, AI has an important value in disease detection and accurate assessment. In this paper, we reviewed the research progress on plaque segmentation, clear plaque properties, and corresponding cerebrovascular event prediction of AI in high resolution magnetic resonance-vessel wall imaging (HR-VWI), aiming to introduce the current development status and problems faced by AI in this disease in recent years, and provide research direction for stratified stroke risk assessment and individualized treatment in patients with atherosclerosis.
[关键词] 人工智能;磁共振成像;动脉粥样硬化;影像组学;深度学习
[Keywords] artificial intelligence;magnetic resonance imaging;atherosclerosis;radiomics;deep learning

刘洁    欧阳烽    吕联江    徐紫荷    曾献军 *  

南昌大学第一附属医院影像科,江西省医学影像临床医学研究中心,南昌 330006

通信作者:曾献军,E-mail:xianjun-zeng@126.com

作者贡献声明:曾献军拟定本综述的写作思路,对稿件内容进行修改,获得国家自然科学基金的资助;刘洁设计、起草和撰写稿件,获取、分析并解释本综述的参考文献;欧阳烽、吕联江、徐紫荷获取、分析或解释本综述的参考文献,对稿件内容进行了修改以及校对。全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 国家自然科学基金项目 82360341
收稿日期:2024-02-28
接受日期:2024-06-06
中图分类号:R445.2  R743.1 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2024.07.030
本文引用格式:刘洁, 欧阳烽, 吕联江, 等. 人工智能在头颈动脉粥样硬化斑块高分辨磁共振血管壁成像中的应用进展[J]. 磁共振成像, 2024, 15(7): 179-183. DOI:10.12015/issn.1674-8034.2024.07.030.

0 引言

       缺血性卒中(acute ischemic stroke, AIS)是全世界致死率、致残率较高的主要病因之一,据统计,AIS的致死率约占全球死亡率的1/3[1],近年来发病率逐步攀升,其中头颈部动脉粥样硬化疾病被认为是导致亚洲人群最常见AIS的原因之一[2]。大量研究表明,头颈部粥样硬化斑块的进展将增加脑血管病的风险,给患者生活及心理造成极大负担[3, 4]

       目前,检测头颈动脉斑块的影像学技术主要有超声、CT血管成像(computer tomography angiography, CTA)、高分辨血管壁成像等。常规的颈动脉超声对颈动脉斑块的识别、血流动态改变敏感,但无法观察到颅内动脉的相关情况。头颈部CTA可有效识别斑块,包括管腔狭窄程度及钙化成分分析,但对于非狭窄斑块或低密度斑块的评估不够精准,对于易损斑块的诊断效果有限。高分辨磁共振血管壁成像(high resolution magnetic resonance-vessel wall imaging, HR-VWI)可同时显示管腔管壁情况,不管在评估管腔或在评估斑块成分、形态学检测分析上具均有极大的优势,其空间分辨率高、组织对比度好、安全无辐射[5, 6, 7]。既往研究[8, 9]多数讨论HR-VWI技术与其他技术相比对斑块易损性评估优势以及在判断卒中病因的价值,但大多需要有经验医生对斑块进行形态、成分进行分析,受到经验性及专业性的限制;此外斑块的常规形态学及部分成分特征难以快速准确评估斑块的性质,同时也难以准确预测AIS的发生或复发风险。近年来,随着人工智能(artificial intelligence, AI)包括机器学习(machine learning, ML)、深度学习(deep learning, DL)的开发应用,通过算法自动化分割斑块,用现有的数据进行分析学习规律,提取大量高维特征,构建诊断、预测模型来提高对斑块以及后续脑血管事件的评估的速度和准确性。目前AI技术在头颈动脉粥样硬化疾病中的应用进展尚未有系统的总结。因此,本文将基于AI在头颈动脉粥样硬化斑块HR-VWI的斑块分割、明确斑块的性质、相应脑血管事件预测的研究进展进行综述,旨在介绍该疾病的AI发展现状及面临问题,为动脉粥样硬化患者卒中风险分层评估以及个体化治疗提供研究方向。

1 AI概述

       ML作为AI的重要分支,是通过学习训练数据来调整模型参数,以最小化预测输出与真实标签之间的误差[10, 11],主要分为监督学习、无监督学习和强化学习三大类[12]。目前,监督学习在诊断领域研究较多,对疾病的准确诊断、肿瘤的无创分期和分型具有重要价值。无监督学习[13]则是利用无标签数据进行模型训练,主要用于聚类和关联问题,尽管适用于复杂任务,但其结果可能不够准确。强化学习[14]是一种目标导向的学习和决策方法,反复实验和延迟奖励是其最重要的两个特征,其挑战在于如何在探索和利用之间找到平衡,给智能体的反馈具有延迟性。

       DL作为ML的主要分支被广泛应用,其核心原理是构建多层神经网络模型,以模拟人类大脑的结构和功能。通过反向传播算法调整神经网络中的权重,使模型能够逐层学习和提取不同层级的抽象特征,从而实现高度准确地分类、识别和预测[15, 16, 17]。卷积神经网络是DL中最为广泛应用的模型之一,在医学图像分类、分割和检测等领域发挥着重要作用[18, 19, 20]。影像组学是结合定量分析与ML算法的产物,利用自动化算法从感兴趣区域提取大量特征信息,然后采用多样化的统计分析对这些特征信息进行解析。经过筛选后的特征被用来构建ML模型,应用于疾病的辅助诊断、分类或分级[21, 22, 23]。当前的研究[24]还涉及将DL与影像组学相结合,通过DL自动识别和分割颈动脉斑块,为斑块分割提供新的解决方案。

       DL作为ML目前最具有发展潜力的子领域,大模型应用通过利用大规模数据和计算资源训练DL模型构建,如基于注意力机制的Transformer模型、Diffusion生成模型、GPT系列、BERT等,在自然语言处理、图像生成等领域取得显著成就,为AI技术在医学领域的应用拓展开辟新的可能性。

2 AI在头颈动脉粥样硬化疾病HR-VWI中的不同应用

2.1 图像分割

       HR-VWI技术在观察颅内外动脉管壁及斑块形态学定量、成分定性分析上具有巨大的优势[25],但人工识别斑块、评估斑块、分割斑块存在以下问题:第一,需要专业且对粥样硬化疾病诊断具有丰富经验的医生进行识别、评估;第二,人工识别和评估斑块容易受到医生个人经验和主观判断的影响;第三,手动分割斑块可重复性差、精确度低。DL模型能够基于大量的训练数据学习特征并进行自动化和标准化分割,提高了分割的准确性、效率和一致性,鉴于此优势,目前AI在头颈动脉粥样硬化疾病HR-VWI图像分割的应用主要集中在DL模型的开发或者DL多模型联合方面,其余AI技术在头颈动脉斑块图像分割方面暂未有涉及。

       SHI等[26]初次尝试U-net模型将HR-VWI全脑图像进行管壁及管腔分割,Dice系数分别为0.89、0.77,并将训练后的模型应用于24例存在管腔狭窄程度>50%的症状性与非症状性大脑中动脉粥样硬化患者,发现与无症状患者相比,有症状患者的责任斑块归一化指数显著增加,与手动测量结果一致。WAN等[27]基于卷积神经网络开发了一种用于3D HR-VWI图像分析颅内、外动脉形态学的自动化方法,包括追踪血管中心线、血管矫直和重整、血管壁分割和形态学测量,在分割颅内、外动脉管腔的Dice系数均为0.9,颅内外动脉自动化测量所得的最大管壁厚度、标准化指数与手动测量相比差异无统计学意义,同时较人工测量迅速、精确,这有望促进大规模动脉血管壁形态学定量。

       WU等[28]提出名为DeepMAD的集成网络,用于HR-VWI颈动脉血管壁的分割和动脉粥样硬化的诊断,在两个测试数据集上对DeepMAD集合网络进行了评估,结果表明实验结果与颈动脉斑块手动标记一致。此外,还发现训练好的DeepMAD网络可以成功应用到其他数据集中。在此基础之上,该团队利用多任务学习技术同时加入一个门控多任务网络在HR-VWI上进行颈动脉管腔、外壁分割、进行颈动脉粥样硬化诊断,发现模型分割管腔的Dice系数达0.97、分割颈动脉外壁的Dice系数达0.97和做出颈动脉粥样硬化诊断的曲线下面积(area under the curve, AUC)为0.952[29]。由此可见,使用DL在图像分割、病灶相关测量除了提高处理效率外,可达到甚至超过手工分割的精确度。DL对数据质量和多样性要求较高,多数研究的数据集不够大,未来在多个大数据集中测试后可尝试用于临床试验,以帮助放射科医生执行烦琐的读取任务。

2.2 斑块性质评估

       随着研究不断进展表明,大多数AIS是由于斑块破裂引起,相较于管腔狭窄,斑块的形态学及成分评估与最终的缺血性脑血管事件更为相关[30, 31]。影像组学从斑块提取高维度特征并联合ML算法构建诊断模型是近期AI技术评估头颈动脉斑块性质的主流,相较之下,其他AI技术在评估头颈动脉斑块性质方面较少涉及。

       有研究[32]显示症状性患者的大脑中动脉斑块的直方图特征中的信号强度值高于非症状性患者;另外有研究[33]在后循环斑块上也得到了相似结论,责任斑块的信号值更高。SHI等[34]的研究表明直方图中的信号强度离散值是区分责任斑块和非责任斑块的重要特征,其准确率、敏感度、特异度分别为80%、79%、80%。这说明斑块的影像组学特征比传统影像特征更能体现斑块的内部异质性,但目前研究主要集中于斑块一阶特征的比较,对于高阶纹理特征目前研究较少,未来需要更多的研究来探究斑块影像组学特征与表征背后机制,为脑血管疾病提供更多信息。

       临床上对于斑块评估的两个研究重点:一是症状性患者中评估责任斑块,二是在无症状人群中评估易损斑块。有研究者基于HR-VWI图像将影像组学联合随机森林ML算法应用于易损斑块的判别,并发现该方法对于症状性斑块的判别能力明显优于传统方法(AUC:0.833 vs. 0.936)[33]。张归玲等[35]则选择HR-VWI不同序列联合斑块的多阶影像组学特征和传统特征构建多个分类器来识别症状性大脑中动脉中的责任斑块,发现极端梯度提升法构建的ML模型表现优异,基于该算法的影像组学模型在识别责任斑块的效能要远高于单纯的传统斑块特征(影像组学特征模型AUC:0.989;传统特征模型AUC:0.804),融合影像组学以及常规斑块特征的模型效能(AUC:0986)更是优于单种特征模型。以上研究为临床上多发动脉粥样硬化改变的脑卒中患者自动精准识别责任斑块、及早判断易损斑块提供了新思路。同时HR-VWI不同序列所提取的一阶特征、纹理特征不同,也提示不同序列病灶的物理、生物学信息存在不同,或某个序列对病灶可能更敏感。当前的影像组学联合ML构建模型,仅针对单一的ML算法,并未进行多种算法间比对,具有一定的局限性。

2.3 预测脑血管事件

       探究动脉粥样硬化疾病与AIS两者间的关系的研究主要集中在AIS发生风险、AIS复发风险及导致AIS机制这三方面,大致的研究思路是在HR-VWI各序列图像上基于影像组学方法对斑块进行定量分析,提取斑块组学特征及联合常规特征构建ML模型,对最终脑血管事件进行预测或评估。

       李红霞等[36]基于自适应增强算法提取HR-VWI颅内斑块影像组学特征建立混合型卒中机制的预测模型以探究斑块与卒中机制间的关系,结果显示影像组学模型(AUC:0.828)在预测梗死机制方面显著高于传统的斑块特征构建的模型(AUC:0.568)。王玥等[37]提取症状性斑块影像组学特征并联合生存资料构建模型预测AIS复发风险,最终显示高阶特征中的灰度共生矩阵对于复发风险的预测价值最大。另有研究[38]也发现斑块的影像组学特征在预测卒中复发中具有很高的敏感性,并将影像组学特征、斑块常规特征拟合逻辑回归模型构建列线图,这有助于卒中高风险复发患者个性化早期干预。

       影像组学联合DL也在预测脑血管事件中存在巨大潜力,CHEN等[24]在HR-VWI图像上搭建YOLOv3网络训练模型识别责任斑块并进行AIS风险评估,准确率达94.81%,除此之外,该网络训练模型还可自动分割斑块成分,与组织学进行比对发现,钙化及坏死核心精准分割的敏感性较高,这为今后实现AI分割斑块、识别斑块成分并对卒中风险分层奠定了基础。头颈动脉粥样硬化疾病研究中使用影像组学联合DL方法,其中的DL当前主要针对的是感兴趣区自动勾画,有研究[39]使用迁移学习训练深度模型,进而将数据放入已训练好的模型进行重新训练,自动学习进行特征提取,基于CT联合影像组学与DL特征构建的支持向量机ML模型在区分高级别和低级别膀胱癌方面显示出良好的诊断能力,说明两者特征的融合能够更好地适应医学任务以及数据特点,提示此种方法运用于预测脑血管事件发生风险可能较单一的影像组学特征更为精准,未来可进行深入探究。

       AIS发病原因复杂,涉及许多因素如斑块因素、血流动力学改变、免疫炎性介质、基因等[40, 41, 42, 43],仅从斑块自身特征来预测其发生风险等,一定程度上具有偏倚。有研究使用蛋白质组学方法来研究动脉粥样硬化斑块的分子特征与组织学、影像学和心血管疾病的关联,联合多种ML方法基于蛋白组学数据除了评估斑块性质,同时预测心血管疾病死亡率,超出单一的影像学及组织学的预测效果[44, 45]

       在头颈动脉粥样硬化斑块性质评估和预测AIS风险评估方面,影像组学与其他组学技术结合较少,难以解释复杂的生物学现象。多组学能够从多个层面揭示动脉粥样硬化斑块的发生发展机制,从而更准确地评估斑块成分和最终AIS的风险[46, 47]。未来可通过头颈动脉HR-VWI图像上收集常规特征及影像组学特征,检测相应的斑块基因、蛋白质组学特征,进而探究人类动脉粥样硬化炎症的成像生物标志物,发现心血管疾病潜在药物靶点[48, 49],构建更为精准的预测、诊断模型。

3 总结与展望

       头颈动脉粥样硬化疾病是AIS的重要病因,目前在HR-VWI上对于斑块的评估限于斑块本身形态学以及邻近管腔、管壁的变化,DL、ML与影像组学的相互结合应用为斑块性质的快速识别提供新方法,同时也为脑血管事件风险分层分析打下基础。不可否认,AI技术在头颈动脉粥样硬化疾病方面有较好的发展,但同时也面临诸多问题。首先基于AI技术目前在头颈部动脉粥样斑块上的研究以影像组学为主,DL应用相对较少,两者内部运作机制不可见以及大量高维特征与病灶具体临床特征的相关性等问题,在临床应用转化上存在一定问题[50, 51]。其次,由于不同设备扫描、不同扫描参数、不同勾画感兴趣区的软件等因素[52, 53],都会导致模型的可重复性无法保证。最后多数研究使用单一的ML模型或DL算法,普遍数据集小、单中心,少数存在外部验证集,其模型的泛化能力有待验证。

       未来可加入可视化如梯度热力图加强模型内部可视化或与医学知识图谱相结合推动AI的临床转化,建立跨设备、跨平台的标准化扫描和数据采集流程,确保模型的可重复性和泛化能力,多中心合作或建立头颈动脉粥样硬化疾病数据库尽量加强模型的泛化能力,以及与基因组学和生物标志物的结合,将能够为头颈动脉粥样硬化疾病研究提供新方向,从而为患者提供个性化治疗方案,提高其生活质量。

[1]
FEIGIN V L, KRISHNAMURTHI R V, PARMAR P, et al. Update on the global burden of ischemic and hemorrhagic stroke in 1990-2013: the GBD 2013 study[J]. Neuroepidemiology, 2015, 45(3): 161-176. DOI: 10.1159/000441085.
[2]
XIAO J Y, PADRICK M M, JIANG T, et al. Acute ischemic stroke versus transient ischemic attack: differential plaque morphological features in symptomatic intracranial atherosclerotic lesions[J/OL]. Atherosclerosis, 2021, 319: 72-78 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/33486353/. DOI: 10.1016/j.atherosclerosis.2021.01.002.
[3]
WANG Y J, ZHAO X Q, LIU L P, et al. Prevalence and outcomes of symptomatic intracranial large artery stenoses and occlusions in China: the Chinese Intracranial Atherosclerosis (CICAS) Study[J]. Stroke, 2014, 45(3): 663-669. DOI: 10.1161/STROKEAHA.113.003508.
[4]
KIM Y D, CHA M J, KIM J, et al. Increases in cerebral atherosclerosis according to CHADS2 scores in patients with stroke with nonvalvular atrial fibrillation[J]. Stroke, 2011, 42(4): 930-934. DOI: 10.1161/STROKEAHA.110.602987.
[5]
HAMET P, TREMBLAY J. Artificial intelligence in medicine[J/OL]. Metabolism, 2017, 69: S36-S40 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/28126242/. DOI: 10.1016/j.metabol.2017.01.011.
[6]
KANG D W, KIM D Y, KIM J, et al. Emerging concept of intracranial arterial diseases: the role of high resolution vessel wall MRI[J]. J Stroke, 2024, 26(1): 26-40. DOI: 10.5853/jos.2023.02481.
[7]
SUI Y, SUN J L, CHEN Y, et al. Multimodal MRI study of the relationship between plaque characteristics and hypoperfusion in patients with transient ischemic attack[J/OL]. Front Neurol, 2023, 14: 1242923 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/37840913/. DOI: 10.3389/fneur.2023.1242923.
[8]
CHOI Y J, JUNG S C, LEE D H. Vessel wall imaging of the intracranial and cervical carotid arteries[J]. J Stroke, 2015, 17(3): 238-255. DOI: 10.5853/jos.2015.17.3.238.
[9]
TANDON V, SENTHILVELAN S, SREEDHARAN S E, et al. High-resolution MR vessel wall imaging in determining the stroke aetiology and risk stratification in isolated middle cerebral artery disease[J]. Neuroradiology, 2022, 64(8): 1569-1577. DOI: 10.1007/s00234-021-02891-9.
[10]
YAN J, WANG X F. Unsupervised and semi-supervised learning: the next frontier in machine learning for plant systems biology[J]. Plant J, 2022, 111(6): 1527-1538. DOI: 10.1111/tpj.15905.
[11]
CHEN Y, LUO Y, HUANG W, et al. Machine-learning-based classification of real-time tissue elastography for hepatic fibrosis in patients with chronic hepatitis B[J/OL]. Comput Biol Med, 2017, 89: 18-23 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/28779596/. DOI: 10.1016/j.compbiomed.2017.07.012.
[12]
SRINIVAS S, YOUNG A J. Machine learning and artificial intelligence in surgical research[J]. Surg Clin North Am, 2023, 103(2): 299-316. DOI: 10.1016/j.suc.2022.11.002.
[13]
MATTEUCCI G, PIASINI E, ZOCCOLAN D. Unsupervised learning of mid-level visual representations[J/OL]. Curr Opin Neurobiol, 2024, 84: 102834 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/38154417/. DOI: 10.1016/j.conb.2023.102834.
[14]
XUAN P, ZHANG X W, ZHANG Y, et al. Multi-type neighbors enhanced global topology and pairwise attribute learning for drug-protein interaction prediction[J/OL]. Brief Bioinform, 2022, 23(5): bbac120 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/35514190/. DOI: 10.1093/bib/bbac120.
[15]
LIN A. Artificial intelligence for high-risk plaque detection on carotid CT angiography[J/OL]. Atherosclerosis, 2023, 366: 40-41 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/36682983/. DOI: 10.1016/j.atherosclerosis.2023.01.006.
[16]
THOMPSON A C, JAMMAL A A, MEDEIROS F A. A review of deep learning for screening, diagnosis, and detection of glaucoma progression[J/OL]. Transl Vis Sci Technol, 2020, 9(2): 42 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/32855846/. DOI: 10.1167/tvst.9.2.42.
[17]
WAGNER M W, NAMDAR K, BISWAS A, et al. Radiomics, machine learning, and artificial intelligence-what the neuroradiologist needs to know[J]. Neuroradiology, 2021, 63(12): 1957-1967. DOI: 10.1007/s00234-021-02813-9.
[18]
MCBEE M P, AWAN O A, COLUCCI A T, et al. Deep learning in radiology[J]. Acad Radiol, 2018, 25(11): 1472-1480. DOI: 10.1016/j.acra.2018.02.018.
[19]
WANG M Q, ZHANG L Y, YU H X, et al. A deep learning network based on CNN and sliding window LSTM for spike sorting[J/OL]. Comput Biol Med, 2023, 159: 106879 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/37080004/. DOI: 10.1016/j.compbiomed.2023.106879.
[20]
LI Z W, LIU F, YANG W J, et al. A survey of convolutional neural networks: analysis, applications, and prospects[J]. IEEE Trans Neural Netw Learn Syst, 2022, 33(12): 6999-7019. DOI: 10.1109/TNNLS.2021.3084827.
[21]
HATT M, LE REST C C, TIXIER F, et al. Radiomics: data are also images[J/OL]. J Nucl Med, 2019, 60(suppl 2): 38S-44S [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/31481588/. DOI: 10.2967/jnumed.118.220582.
[22]
MAYERHOEFER M E, MATERKA A, LANGS G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI: 10.2967/jnumed.118.222893.
[23]
LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[24]
CHEN Y F, CHEN Z J, LIN Y Y, et al. Stroke risk study based on deep learning-based magnetic resonance imaging carotid plaque automatic segmentation algorithm[J/OL]. Front Cardiovasc Med, 2023, 10: 1101765 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/36910524/. DOI: 10.3389/fcvm.2023.1101765.
[25]
SABA L, YUAN C, HATSUKAMI T S, et al. Carotid artery wall imaging: perspective and guidelines from the ASNR vessel wall imaging study group and expert consensus recommendations of the American society of neuroradiology[J/OL]. AJNR Am J Neuroradiol, 2018, 39(2): E9-E31 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/29326139/. DOI: 10.3174/ajnr.A5488.
[26]
SHI F, YANG Q, GUO X H, et al. Intracranial vessel wall segmentation using convolutional neural networks[J]. IEEE Trans Biomed Eng, 2019, 66(10): 2840-2847. DOI: 10.1109/TBME.2019.2896972.
[27]
WAN L W, LI H X, ZHANG L, et al. Automated morphologic analysis of intracranial and extracranial arteries using convolutional neural networks[J/OL]. Br J Radiol, 2022, 95(1139): 20210031 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/36018822/. DOI: 10.1259/bjr.20210031.
[28]
WU J Y, XIN J M, YANG X F, et al. Deep morphology aided diagnosis network for segmentation of carotid artery vessel wall and diagnosis of carotid atherosclerosis on black-blood vessel wall MRI[J]. Med Phys, 2019, 46(12): 5544-5561. DOI: 10.1002/mp.13739.
[29]
WU J Y, XIN J M, YANG X F, et al. Segmentation of carotid artery vessel wall and diagnosis of carotid atherosclerosis on black blood magnetic resonance imaging with multi-task learning[J]. Med Phys, 2024, 51(3): 1775-1797. DOI: 10.1002/mp.16728.
[30]
TIAN X, FANG H, LAN L F, et al. Risk stratification in symptomatic intracranial atherosclerotic disease with conventional vascular risk factors and cerebral haemodynamics[J]. Stroke Vasc Neurol, 2023, 8(1): 77-85. DOI: 10.1136/svn-2022-001606.
[31]
PRABHAKARAN S, LIEBESKIND D S, COTSONIS G, et al. Predictors of early infarct recurrence in patients with symptomatic intracranial atherosclerotic disease[J]. Stroke, 2021, 52(6): 1961-1966. DOI: 10.1161/STROKEAHA.120.032676.
[32]
YU Y N, LIU M W, VILLABLANCA J P, et al. Middle cerebral artery plaque hyperintensity on T2-weighted vessel wall imaging is associated with ischemic stroke[J/OL]. AJNR Am J Neuroradiol, 2019 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/31624115/. DOI: 10.3174/ajnr.a6260..
[33]
SHI Z, ZHU C C, DEGNAN A J, et al. Identification of high-risk plaque features in intracranial atherosclerosis: initial experience using a radiomic approach[J]. Eur Radiol, 2018, 28(9): 3912-3921. DOI: 10.1007/s00330-018-5395-1.
[34]
SHI Z, LI J, ZHAO M, et al. Quantitative histogram analysis on intracranial atherosclerotic plaques: a high-resolution magnetic resonance imaging study[J]. Stroke, 2020, 51(7): 2161-2169. DOI: 10.1161/STROKEAHA.120.029062.
[35]
张归玲, 方纪成, 王振熊, 等. 三维高分辨率MR血管壁成像鉴别症状性大脑中动脉粥样硬化责任斑块的影像组学研究[J]. 中华放射学杂志, 2023, 57(1): 27-33. DOI: 10.3760/cma.j.cn112149-20220620-00529.
ZHANG G L, FANG J C, WANG Z X, et al. Radiomics based on three-dimensional high-resolution MR vessel wall imaging for identification of culprit plaques in symptomatic patients with middle cerebral artery atherosclerosis[J]. Chin J Radiol, 2023, 57(1): 27-33. DOI: 10.3760/cma.j.cn112149-20220620-00529.
[36]
李红霞, 刘嘉, 程晓青, 等. 基于高分辨MRI颅内动脉斑块影像组学预测混合型缺血性卒中机制[J]. 磁共振成像, 2023, 14(3): 6-11, 27. DOI: 10.12015/issn.1674-8034.2023.03.002.
LI H X, LIU J, CHENG X Q, et al. Prediction of mixed ischemic stroke mechanism based on HR-MRI radiomics of intracranial arterial plaque[J]. Chin J Magn Reson Imag, 2023, 14(3): 6-11, 27. DOI: 10.12015/issn.1674-8034.2023.03.002.
[37]
王玥, 侯晓雯, 陈会生, 等. 基于颅内斑块影像组学联合传统标志物预测缺血性脑卒中复发风险[J]. 磁共振成像, 2023, 14(8): 1-9. DOI: 10.12015/issn.1674-8034.2023.08.001.
WANG Y, HOU X W, CHEN H S, et al. Prediction of the risk of recurrent ischemic stroke based on intracranial plaque radiomics with traditional biomarkers[J]. Chin J Magn Reson Imag, 2023, 14(8): 1-9. DOI: 10.12015/issn.1674-8034.2023.08.001.
[38]
TANG M, GAO J, MA N E, et al. Radiomics nomogram for predicting stroke recurrence in symptomatic intracranial atherosclerotic stenosis[J/OL]. Front Neurosci, 2022, 16: 851353 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/35495035/. DOI: 10.3389/fnins.2022.851353.
[39]
SONG H Z, YANG S F, YU B Y, et al. CT-based deep learning radiomics nomogram for the prediction of pathological grade in bladder cancer: a multicenter study[J/OL]. Cancer Imaging, 2023, 23(1): 89 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/37723572/. DOI: 10.1186/s40644-023-00609-z.
[40]
AJOOLABADY A, WANG S Y, KROEMER G, et al. Targeting autophagy in ischemic stroke: from molecular mechanisms to clinical therapeutics[J/OL]. Pharmacol Ther, 2021, 225: 107848 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/33823204/. DOI: 10.1016/j.pharmthera.2021.107848.
[41]
ALRUWAILI R, AL-KURAISHY H M, ALRUWAILI M, et al. The potential therapeutic effect of phosphodiesterase 5 inhibitors in the acute ischemic stroke (AIS)[J]. Mol Cell Biochem, 2024, 479(5): 1267-1278. DOI: 10.1007/s11010-023-04793-1.
[42]
ARUL S, GHOZY S, MEREUTA O M, et al. Metabolite signature in acute ischemic stroke thrombi: a systematic review[J]. J Thromb Thrombolysis, 2023, 56(4): 594-602. DOI: 10.1007/s11239-023-02869-9.
[43]
BIOSE I J, OREMOSU J, BHATNAGAR S, et al. Promising cerebral blood flow enhancers in acute ischemic stroke[J]. Transl Stroke Res, 2023, 14(6): 863-889. DOI: 10.1007/s12975-022-01100-w.
[44]
THEOFILATOS K, STOJKOVIC S, HASMAN M, et al. Proteomic atlas of atherosclerosis: the contribution of proteoglycans to sex differences, plaque phenotypes, and outcomes[J]. Circ Res, 2023, 133(7): 542-558. DOI: 10.1161/CIRCRESAHA.123.322590.
[45]
刘江浩. 颈动脉内膜剥脱术对颈动脉近闭塞病变的血流灌注改善评估及颈动脉斑块稳定性的影像组学评估技术探索应用的临床研究[D]. 北京: 北京协和医学院, 2022. DOI: 10.27648/d.cnki.gzxhu.2022.000408.
LIU J H. Clinical study on the evaluation of carotid endarterectomy for the improvement of blood perfusion in carotid artery near occlusion and the exploration and application of imaging evaluation technology for the stability of carotid plaque[D].Beijing: Peking Union Medical College, 2022. DOI: 10.27648/d.cnki.gzxhu.2022.000408.
[46]
SUN J M, SINGH P, SHAMI A, et al. Spatial transcriptional mapping reveals site-specific pathways underlying human atherosclerotic plaque rupture[J]. J Am Coll Cardiol, 2023, 81(23): 2213-2227. DOI: 10.1016/j.jacc.2023.04.008.
[47]
LI W, LUO J C, PENG F D, et al. Spatial metabolomics identifies lipid profiles of human carotid atherosclerosis[J/OL]. Atherosclerosis, 2023, 364: 20-28 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/36459728/. DOI: 10.1016/j.atherosclerosis.2022.11.019.
[48]
TOMAS L, EDSFELDT A, MOLLET I G, et al. Altered metabolism distinguishes high-risk from stable carotid atherosclerotic plaques[J]. Eur Heart J, 2018, 39(24): 2301-2310. DOI: 10.1093/eurheartj/ehy124.
[49]
LI W, BAI X S, HAO J H, et al. Thrombosis origin identification of cardioembolism and large artery atherosclerosis by distinct metabolites[J]. J Neurointerv Surg, 2023, 15(7): 701-707. DOI: 10.1136/neurintsurg-2022-019047.
[50]
BOUSQUET C, BELTRAMIN D. Machine learning in medicine: to explain, or not to explain, that is the question[J/OL]. Stud Health Technol Inform, 2022, 294: 114-115[2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/35612027/. DOI: 10.3233/SHTI220407.
[51]
CROMBÉ A, SPINNATO P, ITALIANO A, et al. Radiomics and artificial intelligence for soft-tissue sarcomas: current status and perspectives[J]. Diagn Interv Imaging, 2023, 104(12): 567-583. DOI: 10.1016/j.diii.2023.09.005.
[52]
KIM H, PARK C M, LEE M, et al. Impact of reconstruction algorithms on CT radiomic features of pulmonary tumors: analysis of intra- and inter-reader variability and inter-reconstruction algorithm variability[J/OL]. PLoS One, 2016, 11(10): e0164924 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/27741289/. DOI: 10.1371/journal.pone.0164924.
[53]
YANG F, DOGAN N, STOYANOVA R, et al. Evaluation of radiomic texture feature error due to MRI acquisition and reconstruction: a simulation study utilizing ground truth[J/OL]. Phys Med, 2018, 50: 26-36 [2024-02-27]. https://pubmed.ncbi.nlm.nih.gov/29891091/. DOI: 10.1016/j.ejmp.2018.05.017.

上一篇 多模态MRI在眼底疾病所致中枢神经系统变化中的研究进展
下一篇 从医学影像到临床诊疗:2023年心血管磁共振进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2