颅内动脉粥样硬化性疾病是缺血性脑卒中的主要病因之一[1],对该疾病的影像学评估至关重要。传统的血管成像方法虽然能够评估管腔狭窄程度，但无法直观地评价血管壁，因此这些技术很容易忽略细微的动脉粥样硬化斑块等病变。高分辨磁共振血管壁成像(magnetic resonance vessel wall imaging, MR-VWI)已逐渐被用于评估颅内动脉粥样硬化斑块特征，如形态、成分及其易损性，对于脑血管病的危险分层和指导治疗具有重要的参考价值[2,3]。目前，基于MR-VWI图像数据的影像组学方法在对颅内动脉责任斑块和脑卒中复发预测方面也有较大潜力[4]。然而，在临床实践中，由于不适当的扫描设置或患者运动，MR-VWI图像质量并不总是很好。本研究拟通过因图像质量不佳而重复扫描的数据筛选出对图像质量比较敏感的影像组学特征，并根据不同图像质量数据构建症状性斑块预测模型，探讨MR-VWI的图像质量对影像组学分析的影响。

1、材料与方法

1.一般资料

本研究的第一部分，回顾性搜集2019年1月至2022年11月在海军军医大学第一附属医院放射诊断科行颅内动脉MR-VWI检查的病例，纳入标准：①因技师扫描当时发现某个管壁成像序列的图像质量不佳而当即重复扫描该序列的病例；②颅内动脉粥样硬化狭窄者。排除标准：①非动脉粥样硬化性颅内动脉狭窄；②检查前曾行颅内动脉开放性或介入手术治疗者。

本研究的第二部分，回顾性搜集2020年8月至2021年7月在海军军医大学第一附属医院放射诊断科行颅内动脉MR-VWI检查的病例。纳入标准：①颅内动脉粥样硬化狭窄者；②MR-VWI发现一个或多个动脉粥样硬化斑块，至少一个斑块位于大脑中动脉的M1段或M2段近端、或椎动脉颅内段或基底动脉且斑块负荷>40%;③年龄≥18岁。排除标准：①非动脉粥样硬化性颅内动脉狭窄；②未见颅内动脉异常；③检查前曾行颅内动脉开放性或介入手术治疗者；④MR检查序列不全者，包括缺少同期的脑组织DWI序列。据患者临床表现和脑组织DWI结果，把纳入的患者分为有症状和无症状两类[5],有症状的含义是DWI显示新发脑梗死且梗死灶对应责任斑块的供血区或脑缺血病程≤12周患者，无症状患者为DWI无新发梗死，并且无脑缺血相关症状或病程>12周。

2.仪器与方法

采用德国西门子Skyra 3.0T MR及20通道头颈联合线圈进行扫描。三维(three dimensional, 3D)MR管壁成像序列采用失状面空间和化学位移编码激发(spatial and chemical-shift encoded excitation, SPACE)的T1WI序列(以下简称3D SPACE T1WI),参数：TR 900 ms, TE 5.6 ms,视野180 mm×180 mm,矩阵360×360,层厚0.6 mm,层间距0 mm,层数208,回波链长度60,空间分辨率0.5 mm×0.5 mm,扫描时间7分41秒。3D SPACE T1WI的增强扫描前通过肘静脉注入钆对比剂(Gadovist, 1.5 mmol/kg)。二维(two dimensional, 2D)MR管壁成像采用黑血T2WI快速自旋回波(turbo spin echo, TSE)序列(以下简称2D TSE T2WI),扫描方向垂直于单侧大脑中动脉的水平段或基底动脉，参数：TR 2890 ms, TE 46 ms,视野100 mm×100 mm,矩阵256×320,层厚2 mm,层间距0.5 mm,层数15,回波链长度20,激励次数6,空间分辨率0.39 mm×0.31 mm,扫描时间3分40秒。扫描顺序依次是3D SPACE T1WI平扫、3D SPACE T1WI增强以及2D TSE T2WI序列。

3.图像质量评价

据MR-VWI序列对斑块所在血管壁显示的清晰程度，对图像质量进行评分(图1):1分，无法分辨血管壁；2分，血管壁可见，边缘明显模糊；3分，血管壁可见，局部边缘轻中度模糊；4分，血管壁可见，边缘清晰锐利，可能局部管壁结构轻微模糊。同一个斑块在不同管壁成像序列的评分，取其中得分最低者作为该斑块的最终得分。图像质量的评定由两位高年资放射科医生(分别从事血管疾病影像研究12年和10年)独立进行评分，若存在分歧由两位医生协商决定。

4.影像组学分析

斑块勾画与分类：利用开源软件ITK-SNAP(version 3.8.0,www.itksnap.org)对3个MR序列分别勾画目标血管的管腔和管壁轮廓，两个轮廓之间的区域包含管壁和斑块、作为感兴趣区(region of interest, ROI)。对于有症状患者，选择症状侧的责任动脉最狭窄一层进行勾画，归类为症状性斑块；若有症状患者的非责任动脉也存在狭窄，亦选择该非责任动脉最狭窄一层勾画，归类为无症状斑块。对于无症状患者，在颅内动脉的最狭窄一层勾画，归类为无症状斑块。由一位放射科医生勾画，另一位高年资放射科医生对勾画的ROI进行审核和修正。

筛选不稳定特征：使用PyRadiomics开源库(version 3.0.1,https: //github.com/AIM-Harvard/pyradiomics)在MR-VWI的3D SPACE T1WI平扫和增强序列以及2D TSE T2WI序列中提取的斑块ROI进行影像组学特征分析。在第一部分中通过比较同一例患者同一次MR-VWI检查中同一个序列前后两次重复扫描的斑块影像组学特征的原始值，若其差异有显著性表示该特征不稳定，即该影像组学特征易受图像质量的影响。本研究中拟纳入100个较常用的影像组学特征用于后续特征提取，其中形状特征9个，一阶梯度特征18个，纹理特征73个。

构建预测模型：首先，在第二部分中通过纳入的所有数据(无论图像质量优劣)基于影像组学特征构建症状性斑块的预测模型(模型A)。然后，基于与模型A相同的图像数据，提前将所有不稳定特征剔除，再基于所有稳定特征进一步构建症状性斑块的预测模型(模型B)。最后，在第二部分纳入的病例中剔除图像质量较低者(1分和2分),再次构建症状性斑块的预测模型(模型C)。

预测模型构建过程中的特征选择将采用LASSO(Least Absolute Shrinkage and Selection Operator)回归算法，公式如下：

winw12m∥Xw−y∥22+α∥w∥1         (1)

其中α为正则化项系数，x和y分别为输入特征和金标准标签，m为样本总量。该算法通过L1正则化使得某些特征的权重为0,从而达到特征稀疏化，实现特征选择。本研究使用训练数据估计每个特征对应的LASSO权重系数，权重系数的绝对值越高代表特征重要性越高。本研究根据LASSO权重系数的绝对值从高到低排序，优先选择LASSO系数绝对值高的特征。

在数据集划分方面，本研究将使用5折交叉验证的方法进行模型训练，即以7:3的比例将勾画的斑块数据随机划分为训练集与测试集。本研究使用SMOTE算法对训练集中的阳性样本进行插值，产生额外的阳性样本以缓解类不平衡问题。另外，将随机森林(random forest, RF)方法作为机器学习的分类算法。

5.统计学分析

统计分析与作图采用MedCalc 15.2.2(MedCalc Software Ltd.,Ostend, Belgium)和Matplotlib (version 3.7.1,https: //github.com/matplotlib/matplotlib)进行。重复扫描影像组学特征的比较，据数据是否服从正态分布，采用Wilcoxon符号秩和检验。基于影像组学特征的症状性斑块的预测模型的诊断效能采用受试者工作特征曲线(receiver operator characteristic curve, ROC曲线)进行分析，诊断效能高低主要通过曲线下面积(area under ROC curve, AUC)体现，其他表示诊断性能的指标包括准确度、灵敏度、特异度以及F1分数。采用Delong检验比较AUC之间的差异。P<0.05为差异具有统计学意义。

2、结 果

1.一般资料

第一部分，一共搜集到24例因图像质量不佳而即刻重复扫描的病例，其中3D SPACE T1WI的平扫和增强序列重复扫描各7例，2D TSE T2WI序列重复扫描有10例。第二部分，有102例患者的120个斑块纳入本部分研究，其中无症状患者51例，有症状患者51例。无症状斑块69个，包含51例无症状患者的51个无症状斑块和18例多发狭窄的有症状患者的18个无症状斑块。症状性斑块51个，包含33例单发狭窄的有症状患者的33个症状性斑块和18例多发狭窄的有症状患者的18个症状性斑块。

2.图像质量评价

第一部分，7例3D SPACE T1WI平扫序列中第一次扫描1分至4分的数量依次是1个、2个、2个以及2个；第二次扫描1分至4分的数量依次是0个、3个、2个以及2个。7例3D SPACE T1WI增强序列中，第一次扫描1分至4分的数量依次是4个、2个、1个以及0个；第二次扫描1分至4分的数量依次是3个、2个、0个以及2个。10例2D TSE T2WI序列中，第一次扫描1分至4分的数量依次是1个、3个、3个以及3个；第二次扫描1分至4分的数量依次是0个、0个、6个以及4个。

第二部分，69个无症状斑块中1分至4分的数量依次是1个、2个、25个以及41个。51个症状性斑块中1分至4分的数量依次是1个、3个、16个以及31个。

3.筛选出的不稳定影像组学特征

比较同一个序列重复扫描的斑块影像组学特征，发现3D SPACE T1WI序列的形状特征和一阶梯度特征均无明显差异(P>0.05);纹理特征中有1个差异有显著性(P=0.027),不稳定特征占比为1/73。3D SPACE T1WI增强序列的形状特征中有3个差异有显著性(P<0.05),不稳定特征占3/9;一阶梯度特征中有2个差异有显著性(P<0.05),不稳定特征占2/18;纹理特征中17个差异有显著性，不稳定特征占17/73。2D TSE T2WI序列的形状特征中有2个差异有显著性(P<0.05),不稳定特征占2/9;一阶梯度特征中有2个差异有显著性(P<0.05),不稳定特征占2/18;纹理特征中19个差异有显著性(P<0.05),不稳定特征占19/73(表1)。

4.症状性斑块的预测模型

模型A的训练集有84个斑块，包含37个症状性斑块和47个无症状斑块；测试集有36个斑块，包含14个症状性斑块和22个无症状斑块。测试集的AUC为0.708±0.022(图2,表2)。模型A筛选出的对症状性斑块有诊断价值的影像组学特征有8个，与第一部分筛选出的易受图像质量影像的不稳定特征比对，其中有3个特征是不稳定特征，分别是3D SPACE T1WI增强序列的形状特征中的T1C_original_shape2D_MaximumDiameter、2D TSE T2WI序列的纹理特征中的T2_original_glcm_DifferenceAverage以及T2_original_ngtdm_Contrast。

模型B同样基于第二部分纳入的全部图像，即训练集和测试集均与模型A相同，但剔除了所有不稳定特征，得到测试集的AUC为0.740±0.007(图2,表2),模型B和模型A的AUC差异无统计学意义(P=0.480),筛选出的对症状性斑块有诊断价值的影像组学特征有7个。

在第二部分纳入的图像中剔除图像质量较差(1分的2个，2分的5个)的7个斑块，构建模型C,其训练集有79个斑块，包含34个症状性斑块和45个无症状斑块；测试集有34个斑块，包含13个症状性斑块和21个无症状斑块。测试集的AUC为0.758±0.013(图2,表2),模型C预测颅内症状性斑块的AUC高于模型A(P=0.002)和模型B(P=0.005)。模型C筛选出的对症状性斑块有诊断价值的影像组学特征有8个，与第一部分筛选出的不稳定特征比对，这些特征均为稳定特征。模型A、模型B和模型C所提取的影像组学特征名称及其重要性排序分别见图3～5。

表1通过比较重复扫描的斑块影像组学特征筛选的不稳定特征

表2不同预测模型分类结果

图2根据3种方法构建基于影像组学特征的症状性斑块的预测模型ROC图

图3模型A提取的8个影像组学特征及其重要性排序，与第一部分筛选出的不稳定特征对比发现其中有3个不稳定特征(红字)

图4模型B提取的7个影像组学特征及其重要性排序

图5模型C提取的8个影像组学特征及其重要性排序

3、讨 论

基于高场强(3.0 T及以上)MRI的高分辨MR-VWI可以检测颅内狭窄性和非狭窄性血管壁病变，过去十余年越来越多地用于颅内动脉粥样硬化疾病的研究，并逐步应用于临床诊断，现已成为最先进的无创性显示活体颅内斑块的检测手段[6,7,8,9,10]。通过MR-VWI技术可以鉴别颅内动脉狭窄的病因，识别斑块形态学特征，量化斑块负荷和重构模式，判别斑块位置及其与分支或穿支开口的关系等，对脑卒中进行病因检测和危险程度分层，对指导血管内治疗或药物治疗随访等方面具有重要的参考价值[11,12,13]。然而，由于颅内动脉管径及其斑块相对微小，受限于目前的成像分辨率和技术方法，对斑块成分和形态的解释比较主观(难以获得病理印证),斑块的量化分析也需要经验丰富的医生才能确保测量的准确性，使得对颅内斑块的易损性评估具有挑战性，迫切需要一种客观可重复的定量方法来评估症状性颅内斑块的特征。

影像组学运用自动化数据特征提取算法，从医学影像中提取并量化海里特征数据，进一步对其进行技术分析，从而对临床决策做出指导，被广泛地应用于肿瘤诊断、分期和疗效预测领域[14]。近年来，影像组学也逐步应用于动脉粥样硬化疾病的研究。Shi等[15]基于2D MR-VWI的斑块结构影像组学分析能够准确区分急性症状性和无症状的基底动脉斑块；随后该团队基于2D管壁成像技术对颅内大脑中动脉和基底动脉的粥样斑块进行研究[5],发现斑块的直方图分析中信号强度的离散度可以有效地预测颅内责任斑块。何建风等[16]对颅内前、后循环动脉粥样硬化斑块的研究发现两组的危险因素、常规MR管壁特征及影像组学特征存在显著差异，且影像组学的特征差异较常规影像特征更多见。Tang等[17]通过对3D磁共振管壁成像的斑块影像组学研究，发现影像组学特征有助于预测症状性颅内动脉粥样硬化狭窄患者的卒中复发。最近，李红霞等[18]基于3D MR-VWI的颅内斑块影像组学模型可有效预测混合型缺血性卒中机制，研究提示混合型卒中机制患者的颅内斑块具有更高的强化比率。张归玲等[19]研究发现影像组学模型在识别大脑中动脉责任斑块的效能高于临床影像学特征，尤其是增强后3D MR-VWI影像组学模型较平扫模型在识别责任斑块方面的效果更好。与传统视觉影像特征相比，影像组学对挖掘颅内粥样斑块的深度信息具有重要价值，这为研究脑血管病发病机制及治疗策略提供了新的方法与思路[4]。

影像组学的处理流程可以概括为搜集医学影像数据、根据特定任务在图像中勾画ROI、在ROI内提取大量特征并降维、构建预测模型并进行分类预测。不难假设，如果提供给影像组学分析的医学图像质量不佳，那么构建的预测模型恐怕是不准确的。临床实践中由于成像设备硬件的参数、成像序列的设计以及被扫描者的依从性等多种因素，皆对图像质量造成影响。对颅内动脉MR-VWI图像质量的严格控制，是放射医生和临床医生对脑血管疾病做出正确诊断和治疗决策的有力保障[7];特别是在影像组学和人工智能时代，良好的图像质量也是开展精准影像研究的前提。本研究通过对比两次图像质量不同的管壁图像数据，筛选出了斑块影像组学的不稳定特征；从不稳定特征的分布上看与3D T1WI平扫管壁序列相比，3D T1WI增强和2D T2WI序列的影像组学不稳定特征占比更多，可能是后两个序列的影像组学特征更易受到图像质量的影响，也可能是扫描顺序靠后和注射对比剂后更易出现运动伪影等导致图像质量下降所致。在预测颅内症状性斑块方面，本研究进一步证实了图像质量对影像组学预测模型的影响：如果不考虑图像质量的因素，预测模型的诊断效能最低；如果剔除了不稳定特征构建预测模型，则诊断效能有所提高；如果一开始就基于较高图像质量数据(排除较低图像质量数据)构建预测模型，则其诊断效能可进一步提高。另外，基于较高图像质量的预测模型提取的影像组学特征都是稳定的，且根据重要性系数排名前三位的特征均来自3D管壁成像序列。这可能提示与2D T2WI管壁成像相比，在确保图像质量的前提下，高分辨3D T1WI的平扫和增强管壁序列更能够满足颅内斑块影像组学分析的需求；巧合的是，这也与MR-VWI的序列发展趋势相契合，即覆盖较大范围(全颅及头颈联合扫描)的3D黑血管壁成像逐渐代替小范围(针对大脑中动脉水平段或基底动脉扫描)的2D管壁成像序列。

本研究有3个方面的局限性：①本研究是单中心回顾性研究，样本量相对较小，所有患者均在同一台MR仪扫描，因此所得到的不稳定的影像组学特征可能不具有普适性。②对于较高图像质量(3分)和最高图像质量(4分)分别在预测颅内症状性斑块的差异方面，本研究没有进一步构建预测模型。主要原因是相关亚组的样本量很小，推测得到的结果不可靠。③本研究重点关注于图像质量对影像组学分析的影响，没有对患者的临床和传统影像学指标纳入分析。已有研究[13,15,16,17]证明结合临床信息、影像表现和影像组学特征共同构建的预测模型的效能最佳。

综上所述，良好的图像质量是MR-VWI准确诊断和量化分析的基石，本研究证明颅内斑块影像组学分析需要严格控制图像质量的要求是合理的。未来随着磁共振软硬件系统和管壁成像序列的发展，加之人工智能技术对图像质量的优化，相信颅内动脉粥样硬化疾病的精准诊断和影像组学分析能力将会进一步提升。

参考文献:

[4]彭林,查云飞.动脉粥样硬化影像组学研究进展[J].中华放射学杂志,2020,54(3):252-255.51 

[7]中华医学会放射学分会MR学组,颅内MR血管壁成像技术与应用中国专家共识JJ.中华放射学杂志,2019,53(12):1045-1059.

[8]中国医师协会油经介入专业委员会 内动脉粥样硬化性容影像学评价专家共识1中国脑血管病杂志,2021 18/8)575.-584

[9]史张,刘崎,滕忠照,等.动脉粥样硬化成像技术的应用进展IJ1.放射学实践,2022.37(5):638-643.

[10]刘丁琦,赵登玲,陈晓,等,基于VW-MRI的颇内动脉粥样硬化块与胎型大脑后动脉的相关性研究,放学实践,2022,37(11):1347-13524

[16]何建风,刘磊,目晋浩,等,颇内前后循环动脉粥样硬化斑块的影像组学特征:多中心前暗性研究1协和医学杂志,2019.10(1):53-58

[18]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.磁共振成像,2023.14(3);6-1.27.

[19]张归珍,方纪成,王振能,等 三维高分摊率MR管整成像鉴别症状性大脑中动脉样硬化责斑块的影像组学研家1中华放射学杂志,2023.57/127-33

基金资助:上海市科委医学创新研究专项项目(22Y11911200);上海市自然科学基金(22ZR1478100)

文章来源:赵海燕,彭雯佳,陈玉坤等.颅内磁共振血管壁成像质量对影像组学模型鉴别症状性斑块的影响[J].放射学实践,2023,38(10):1261-1268.