使用脑部 MRI 手动分割人脉络丛

脉络丛功能
脉络丛是大脑中高度血管化的结构，由开窗的毛细血管和单层脉络丛上皮细胞^{组成 1}。脉络丛投射到外侧、第三和第四脑室并产生脑脊液 （CSF），脑脊液在神经模式² 和脑生理学 ^3,4 中起重要作用。脉络丛分泌神经血管物质，包含干细胞样储存库，并作为阻止有毒代谢物进入的物理屏障，去除绕过物理屏障的部分的酶屏障，以及防止外来入侵者的免疫屏障⁵。脉络丛调节神经发生⁶、突触可塑性⁷、炎症⁸、昼夜节律^9、10、肠脑轴¹¹ 和认知¹²。此外，外周细胞因子、应激和感染（包括 SARS-CoV-2）会破坏血液脑脊液屏障^{13、14、15、16}。因此，脉络丛-脑脊液系统是神经发育、神经回路成熟、脑稳态和修复不可或缺的^{一部分 17}。由于免疫、炎症、代谢和酶促改变会影响大脑，研究人员正在使用神经影像学工具来评估脉络丛在整个生命周期和脑部疾病中的作用 18,19,20。然而，用于脉络丛分割的常用自动化工具（如 FreeSurfer）存在局限性，导致脉络丛分割不良。因此，迫切需要脉络丛的地面实况手动分割，可用于开发用于脉络丛分割的精确自动化工具。

脉络丛在神经发育和脑部疾病中的应用
脉络丛在脑部疾病中的作用长期以来一直被忽视，主要是因为它被认为是一个辅助角色，其作用是缓冲大脑并维持适当的盐平衡^2,21。然而，脉络丛作为一种与脑部疾病相关的结构而受到关注，例如疼痛综合征²²、SARS-CoV-2^16、23、24、神经发育² 和脑部疾病¹⁹，这表明在行为障碍的发展中具有跨诊断作用。在神经发育障碍中，脉络丛囊肿与发育迟缓、注意力缺陷/多动障碍 （ADHD） 或自闭症谱系障碍 （ASD） 的风险增加有关^25,26。此外，发现 ASD²⁷ 患者的侧脑室脉络丛体积增加。在脑部疾病中，脉络丛异常自 1921 年以来一直在精神障碍^{中被描述 28,29}。先前的研究已经使用 FreeSurfer 分割在精神障碍患者的大样本中确定了脉络丛增大，与他们的一级亲属和对照^{组相比 19}.在精神病临床高危人群的大样本中使用手动分割的脉络丛体积重复了这些发现，发现与健康对照组相比，这些患者的脉络丛体积更大³⁰。越来越多的研究表明脉络丛肿大在复杂区域疼痛综合征²²、中风³¹、多发性硬化症 ^20,32、阿尔茨海默氏症^33,34 和抑郁症³⁵ 中，其中一些证明了外周和大脑免疫/炎症活动之间的联系。这些神经影像学研究很有希望;然而，FreeSurfer²¹ 对侧脑室脉络丛分割不良限制了自动脉络丛体积估计的可信度。因此，多发性硬化症^20,32、抑郁症³⁵、阿尔茨海默氏症³⁴ 和早期精神病³⁶ 的研究已经开始手动分割侧脑室脉络丛，但目前没有关于如何做到这一点的指南，也没有关于分割第三和第四脑室脉络丛的指南。

常见的分割工具排除脉络丛
大脑分割管道，如 FreeSurfer^37,38,39、FMRIB 软件库 （FSL）⁴⁰、SLANT⁴¹ 和 FastSurfer（由合著者 Martin Reuter 开发）^42,43，使用基于图谱 （FSL）、基于图谱和表面的 （FreeSurfer） 以及深度学习分割范式（SLANT 和 FastSurfer）准确可靠地分割皮层和皮层下结构。其中一些方法的缺点包括处理速度、对不同扫描仪的有限泛化、场强和体素^{大小 37,44}，以及在标准图集空间中强制对齐标签图。然而，脉络丛分割的能力以及与高分辨率 MRI 的兼容性仅由 FreeSurfer 和 FastSurfer 解决。FastSurfer 背后的神经网络是在 FreeSurfer 脉络丛标签上训练的，因此它们继承了 FreeSurfer 之前讨论的可靠性和覆盖范围限制，第三和第四脑室被忽略²¹。目前高分辨率 MRI 也存在局限性，但 FreeSurfer 的高分辨率流⁴⁵ 和 FastSurferVINN⁴³ 可用于处理此问题。

当前的脉络丛分割工具
脉络丛只有一种免费可用的分割工具，但分割精度有限。准确的脉络丛分割可能受到多种因素的影响，包括 （1） 脉络丛位置的变异性（空间上非平稳的），这是由于其在心室内的位置，（2） 体素强度、对比度、分辨率（结构内异质性）的差异，由于细胞异质性、动态脉络丛功能、病理变化或部分体积效应，（3） 影响脉络丛大小的年龄或病理学相关的心室大小差异， （4）靠近相邻的皮质下结构（海马体、杏仁核、尾状核和小脑），这些结构也很难分割。鉴于这些挑战，FreeSurfer 分割经常低估或高估、错误标记或忽略脉络丛。

最近的三篇出版物解决了使用高斯混合模型 （GMM）⁴⁶、轴向 MLP⁴⁷ 和基于 U-Net 的深度学习方法⁴⁸ 进行可靠脉络丛分割的差距。每个模型都使用最多 150 名受试者的私有、手动标记数据集进行训练和评估，这些受试者的扫描仪、部位、人口统计学和疾病的多样性有限。虽然这些出版物 46,48,49 比 FreeSurfer 的脉络丛分割取得了显着改进——有时将预测和地面实况的交叉点增加了一倍，但这两种方法都没有 （1） 在高分辨率 MRI 中得到验证，（2） 具有专门的泛化和可靠性分析，（3） 具有大型代表性的训练和测试数据集，（4） 专门解决或分析脉络丛分割挑战，例如部分体积效应，或 （5） 作为即用型工具公开提供。因此，目前脉络丛分割的“金标准”是手动追踪，例如，使用 3D Slicer⁵⁰ 或 ITK-SNAP⁵¹，这在以前没有描述过，对于希望检查脉络丛在其研究中的作用的研究人员来说，这是一个重大挑战。之所以选择3D Slicer进行手动分割，是因为作者熟悉该软件，并且因为它为用户提供了基于不同方法的各种工具，这些工具可以组合在一起以获得所需的结果。可以使用其他工具，例如主要面向图像分割的ITK-SNAP，一旦掌握了该工具，用户就可以获得良好的效果。此外，作者还进行了一项病例对照研究，证明了他们使用 3D Slicer³⁰ 的手动分割技术的高准确性和可靠性，本文描述了具体方法。