基于深度学习的 1 毫米血管壁成像中基底动脉壁与腔隙分割

为何这条脑动脉重要

脑后部的卒中常常在没有明显预警的情况下发生，且诊断困难。在这一脆弱区域的核心位置是基底动脉——沿脑干向上延伸的一条关键血管。本研究展示了如何将高分辨率 MRI 与人工智能结合，精细描绘该动脉的形态，可能帮助医生更早、并且更少凭猜测地发现危险的狭窄或膨出。

细看一条隐蔽的血管

基底动脉位于脑底深处，传统影像往往只能展示其内腔的粗略轮廓。其血管壁薄弱，走行弯曲，邻近结构会使视野模糊。然而，直径或血管壁厚度的细微变化可能预示卒中风险增高。研究者使用了一种称为血管壁成像的专门 MRI 方法，生成薄而对比强烈的 1 毫米切片，使得血液、血管壁和周围组织之间的对比增强。他们从 36 名因动脉粥样硬化而接受评估的患者处采集扫描，沿每位受试者基底动脉的全长创建了数百张横断面图像。

教计算机描绘动脉

在每张切片上手工描绘动脉壁既耗时又易受不同专家间差异影响。为此，研究团队改编了一个强大的深度学习模型 Mask R‑CNN，原本用于通用目标检测。首先，他们在重采样的横断面图像上手工标注动脉的外缘，然后用数学方法估算血管壁的内缘。上述示例教会了模型识别环状结构的动脉。经过对千余张带标签切片的训练并在额外扫描上验证后，该算法能够在新图像中自动检测并分割动脉，其结果与人工掩模具有高度重叠。

测量揭示了什么

在动脉被自动描绘后，研究者能够沿全长测量其内腔——腔隙。他们发现，大多数人的基底动脉呈渐进性变细：起始处最宽，向远端显著变窄。平均来看，腔隙直径从起始附近略高于 3.1 毫米缩小到远端约 2.7 毫米。将计算机的直径测量与经验丰富的神经放射科医师的测量比较时，二者的一致性从中等到良好不等，这表明模型能可靠地捕捉总体血管尺寸。计算机测量与用于定义内壁的数学方法也高度一致，进一步证明了其稳定性。

观察极薄血管壁的局限

测量血管壁厚度要困难得多。基底动脉的真实血管壁比该扫描协议中单个 MRI 像素的尺寸还要薄。因此，人类和人工智能都倾向于高估血管壁的厚度，且二者的测量并不匹配。在动脉紧邻脑干或极细小分支分出的位置，模型有时会误判外边界。即便如此，基于中心线的重采样与 AI 分割的结合使得可视化血管壁中可能对应动脉粥样斑块的亮点和膨出更为容易，也能揭示一些不寻常的模式，例如在多数动脉通常变窄的远端段出现扩张。

这对卒中护理可能意味着什么

这项工作表明，一种实用的 1 毫米 MRI 协议配合定制的深度学习模型，能够可靠地捕捉在生患者基底动脉的整体形状和直径。了解温和的渐进变细是正常现象，有助于医生将自然变异与真正异常的扩张或狭窄区分开来。尽管该方法尚不足以在绝对意义上精确测量血管壁本身，但它可以突出腔隙大小和形状的可疑变化，以便进行更密切的随访或采用更高分辨率的扫描。经进一步改进与自动化后，这类工具可支持脑部手术的更安全规划，并为监测这一大脑中最关键且最难看清的动脉之一的疾病提供一种无创手段。

引用: Tsou, CH., Liu, HM. & Huang, A. Deep learning–based basilar artery wall and lumen segmentation from 1-mm MR vessel wall imaging. Sci Rep 16, 11903 (2026). https://doi.org/10.1038/s41598-026-42847-8

关键词: 基底动脉, 卒中影像, 深度学习, 血管壁 MRI, 动脉粥样硬化