第十一章：颈动脉定量CT成像

书名：Multi-Modality Atherosclerosis Imaging and Diagnosis
作者：Max J. van Gils, K. Hameeteman, M. van Straten, W.J. Niessen, Aad van der Lugt
出版年份：2013年（原著出版于2014年）
所属章节：第11章，共1541行原文

第一节章节概述

本章由荷兰Erasmus MC大学医学中心的Max J. van Gils等人撰写，系统阐述了多层螺旋CT血管造影（MDCTA）在颈动脉粥样硬化斑块定量成像中的应用。内容涵盖管腔狭窄评估、斑块成分分析、半自动化量化方法以及临床应用现状。

研究背景与临床问题

卒中（Stroke）是西方世界仅次于冠心病的第二大死亡原因，每年约87%的卒中为缺血性卒中，其中约50%由颈动脉粥样硬化疾病引起。长期以来，颈动脉管腔狭窄程度一直是决定是否进行手术干预（颈动脉内膜切除术，CEA）的唯一影像学依据。NASCET和ECST两项大型随机对照试验确立了有症状患者手术治疗的影像学标准：有症状患者中，高级别狭窄（>70%）适合手术，中度狭窄（50%-69%）在特定情况下亦可考虑。

然而，临床实践表明，大多数狭窄>70%的患者并无症状，而大多数有症状患者的狭窄程度<70%，说明狭窄程度并非决定缺血事件的唯一因素。斑块破裂及其后的血栓栓塞被认为是缺血性事件的重要病理生理机制。组织学研究发现，以下斑块特征与斑块易损性密切相关：炎症浸润（以广泛巨噬细胞浸润为标志）、薄纤维帽（<100μm）、脂质核心占斑块总体积>40%、裂隙状或破裂的纤维帽。

MDCTA的技术优势

与传统的数字减影血管造影（DSA）相比，MDCTA具有以下优势：非侵入性、操作相对简便、检测速度快、费用较低、且可同时评估血管壁结构。DSA虽然能准确显示血管腔轮廓，但存在侵入性操作相关的一定发病率与死亡率（神经系统并发症发生率为0.4%-12.2%）。多层螺旋CT的发展使MDCTA成为评估颈动脉狭窄和斑块特征的重要手段。

第二节关键问题与研究动机

2.1 核心科学问题

本章围绕以下五个核心问题展开：

问题一：如何准确量化颈动脉管腔狭窄程度？
传统DSA通过有限投照角度（二维投影）测量残余管腔直径，但实际管腔形态几乎从不规则，且残余管腔很少呈圆形，因此二维DSA不一定能揭示真正最狭窄的管腔。MDCTA可生成任意平面的多平面重建（MPR）和曲面重建（CPR），从而获得更接近真实最大狭窄程度的测量值。

问题二：如何区分和量化斑块的化学成分？
不同斑块成分（脂质、纤维组织、钙化）在CT图像上具有不同的线性衰减系数（以Hounsfield单位，HU表示），这一物理特性为斑块成分的CT定量分析奠定了基础。关键问题在于：CT参数（管电压、重建核、窗宽窗位）如何影响HU值的测量准确性？

问题三：为何仅靠管腔狭窄程度不足以预测卒中风险？
斑块易损性比管腔狭窄程度更能预测急性心血管事件。然而，影像学生物标志物的临床应用需要满足以下条件：非侵入性获取方式、广泛的设备可及性、标准化的扫描参数和后处理方法、充分验证与高度可重复性，且影像学生物标志物的变化需与生物学效应和临床终点相关联。

问题四：能否实现斑块量化的自动化？
手动管腔分割和狭窄量化既费时又存在观察者间和观察者内的变异性。开发稳健、准确的自动化量化方法，是将影像学生物标志物可靠地转化为临床决策支持工具的关键。

问题五：CT斑块成像能否为卒中风险分层提供增量信息？
斑块体积、脂质核心比例、纤维帽厚度、钙化程度等斑块特征与心血管危险因素和卒中事件之间存在怎样的关联？这些定量指标能否改善现有以狭窄程度为基础的风险预测模型？

2.2 研究动机

本章的写作动机在于全面综述MDCTA技术在颈动脉粥样硬化评估中的技术细节、诊断准确性、量化方法及临床应用现状，为推动CT影像生物标志物从研究走向临床实践提供系统性参考。

第三节主要公式与推导

3.1 狭窄程度评估公式

颈动脉狭窄程度的评估主要有两种标准：

NASCET标准（北美有症状颈动脉内膜切除术试验）： $$S_{\text{NASCET}} = \left(1 - \frac{D_{\text{狭窄处}}}{D_{\text{远端正常管腔}}}\right) \times 100\%$$

其中 $D_{\text{狭窄处}}$ 为狭窄处残余管腔直径，$D_{\text{远端正常管腔}}$ 为远端正常颈内动脉直径。

ECST标准（欧洲颈动脉外科试验）： $$S_{\text{ECST}} = \left(1 - \frac{D_{\text{狭窄处}}}{D_{\text{原始动脉直径}}}\right) \times 100\%$$

其中 $D_{\text{原始动脉直径}}$ 为估计的狭窄处原始动脉直径。DSA无法直接显示外血管壁，而CTA可以直接显示外血管壁，因此CTA能够考虑血管重塑引起的血管直径变化，而DSA则忽略这一现象。

3.2 面积狭窄率与直径狭窄率的关系

CTA轴位图像可以直接测量管腔横截面积，这比直径测量更准确，因为颈动脉（尤其在斑块处）的管腔横截面通常不是圆形，且动脉走行并不完全垂直于CT轴向平面： $$S_{\text{面积}} = \left(1 - \frac{A_{\text{狭窄处}}}{A_{\text{参考管腔}}}\right) \times 100\%$$

其中 $A_{\text{狭窄处}}$ 为狭窄处管腔面积，$A_{\text{参考管腔}}$ 为参考平面（通常取远端正常管腔）的管腔面积。研究表明，面积狭窄率给出的狭窄程度评估值低于直径狭窄率，尤其在非圆形管腔中差异显著。

3.3 Hounsfield单位与斑块成分鉴别

CT图像中不同组织成分的线性衰减系数以Hounsfield单位（HU）量化，水的HU值为0，空气的HU值为-1000： $$\text{HU} = 1000 \times \frac{\mu - \mu_{\text{水}}}{\mu_{\text{水}}}$$

斑块成分的HU值范围（根据不同研究条件有所差异）：

斑块成分	HU值范围	鉴别阈值
脂质核心（Lipid-rich necrotic core）	25-45 HU（体内）	< 60 HU
纤维组织（Fibrous tissue）	79-88 HU（体内）	60-130 HU
钙化（Calcification）	> 130 HU	> 130 HU

Wintermark等人的研究给出了更精细的阈值：脂质核心与结缔组织之间为39.5 HU，结缔组织与出血之间为72.0 HU，出血与钙化之间为177.1 HU。

3.4 Dice相似系数

评估管腔分割算法准确性时，使用Dice相似系数（Dice Similarity Index，SI）： $$\text{SI} = \frac{2|A \cap B|}{|A| + |B|}$$

其中 $A$ 为自动分割结果，$B$ 为参考标准（手动标注）。SI值范围为0到1，值越高表示分割结果与参考标准的一致性越好。本章报告的三种最佳分割方法的SI值分别为0.92、0.88和0.90。

3.5 Agatston钙化评分（参考）

Agatston等提出的冠状动脉钙化定量方法虽主要用于冠状动脉，但也可应用于颈动脉： $$S_{\text{Agatston}} = \sum_i C_i \times W_i$$

其中 $C_i$ 为第 $i$ 个钙化灶的面积因子，$W_i$ 为该灶的峰值HU相关权重因子。在CTA图像中，由于管腔内含碘对比剂，钙化灶与管腔边界处HU值梯度较大，因此通常需要使用高于130 HU的阈值（如>200 HU）来自动区分钙化灶与管腔对比剂。

3.6 Hausdorff距离

Hausdorff距离用于衡量两个分割表面之间的最大偏差： $$d_H(A, B) = \max\left\{\sup_{a \in A} \inf_{b \in B} d(a, b), \sup_{b \in B} \inf_{a \in A} d(a, b)\right\}$$

其中 $d(a, b)$ 为点 $a$ 和 $b$ 之间的欧氏距离。本章报告的三种最佳方法的Hausdorff距离分别为1.5 mm、4.4 mm和1.7 mm。

第四节关键算法与建模方法

4.1 管腔分割算法

本章详细介绍了三种主要的管腔分割方法，均在Carotid Bifurcation Algorithm Evaluation Framework（2009年建立，http://cls2009.bigr.nl/）中进行过标准化评估：

4.1.1 图割法（Graph Cut）

图割法将所有图像体素视为三维图中的节点，通过计算最优分割面将前景（管腔）与背景分开。图像梯度信息被用于指导分割过程。其数学框架可表示为能量最小化问题： $$E = \sum_{i} D_i(x_i) + \lambda \sum_{(i,j)} V_{ij}(x_i, x_j)$$

其中 $D_i(x_i)$ 为数据项（将体素 $i$ 分配给标签 $x_i$ 的代价），$V_{ij}$ 为相邻体素 $i$ 和 $j$ 之间的平滑项，$\lambda$ 为权重参数。该方法的优点是全局最优性，缺点是可能需要较长的计算时间。

4.1.2 水平集法（Level Set）

水平集法使用嵌入函数（embedding function）的零水平线（zero level set）隐式表示血管表面。设 $\phi(x, y, z, t)$ 为嵌入函数，则零水平集定义为 $\phi = 0$ 的点集。通过演化方程驱动嵌入函数变化： $$\frac{\partial \phi}{\partial t} + F|\nabla \phi| = 0$$

其中 $F$ 为速度函数，由图像数据驱动。水平集方法的关键优势在于能够自动处理拓扑变化（如管腔分叉处的分割），这是图割法和主动表面法所不具备的。

4.1.3 主动表面法（Active Surface）

主动表面法是主动轮廓法（snakes）的三维推广。分割表面被视为受力的弹性曲面，通过力的平衡驱动曲面演化： $$F_{\text{内力}} + F_{\text{外力}} = 0$$

内力由表面本身的几何特性（如曲率）决定，外力由图像梯度驱动。与水平集法不同，主动表面法难以自动处理拓扑变化，但计算效率通常更高。

4.2 狭窄程度分级方法

评估框架评估了两种狭窄度量方法：

直径法：取将横截面面积二等分的最小直线长度作为该截面的等效直径。

面积法：直接使用横截面面积计算狭窄率。面积法的主要优势在于：(1) 非圆形管腔的等效直径没有唯一定义；(2) 面积测量更容易实现自动化；(3) 面积直接反映血流阻塞程度。三种最佳狭窄分级方法的平均误差约为16.9%（面积法）和17.0%（直径法）。

4.3 斑块分割与成分分类

Vukadinovic等人开发的半自动斑块分割方法流程如下：

管腔分割：使用水平集框架进行管腔分割，仅需点击初始化点
钙化灶分类：利用与明亮物体的外观、形状和大小相关的图像特征集识别钙化对象
内外血管壁分类：利用同一组图像特征将体素分类为血管壁内或外
外壁拟合：通过椭圆体拟合确定外血管壁轮廓
成分分类：利用HU阈值自动区分斑块成分（脂质<60 HU，纤维60-130 HU，钙化>130 HU）

该方法的Dice相似系数平均为91%，与两名观察者之间的相似性相当。

4.4 后处理重建技术

本章讨论了多种三维重建技术及其适用场景：

重建技术	全称	优势	局限性
MPR	多平面重建	可沿任意预定义平面生成图像，精确测量狭窄	需操作者选择重建平面
CPR	曲面重建	校正血管曲率，显示长轴视图	依赖中心线提取准确性
MIP	最大密度投影	快速提供血管概览	钙化易覆盖管腔，高估狭窄
SSD	阴影表面显示	三维立体感强	不适合精确狭窄测量
VR	体积渲染	利用全部图像强度信息	对钙化敏感

轴位源图像和MPR重建的狭窄测量具有高度可重复性和准确性，而MIP、VR和SSD因钙化重叠问题，不建议用于钙化斑块处的狭窄测量。

4.5 双能CT（DECT）与骨消除技术

针对钙化斑块遮挡管腔的问题，文中介绍了两种解决方案：

匹配掩膜骨消除（MMBE）：在CTA扫描前先获取平扫数据集，识别骨像素，然后将CTA上对应像素赋予任意低值，从而获得无骨重叠的MIP图像。

双能CT（DECT）：同时以两种不同管电压（如80 kVp和140 kVp）获取数据，利用不同组织在不同管电压下衰减差异的不同进行物质分离。碘（高原子序数）的衰减差异最大，而钙化和骨的差异较小，因此可从碘填充的管腔中分离出钙化。

两种技术的共同局限性在于：由于开花效应，钙化像素周围会额外移除一圈像素，可能导致狭窄程度的高估。

第五节主要结论

5.1 管腔成像的主要结论

MDCTA可有效替代DSA用于颈动脉狭窄评估：单层CTA检测70%-99%狭窄的汇总敏感度为85%，特异度为93%；MDCTA具有更高的特异度和阴性预测值。
后处理技术影响测量准确性：轴位源图像和MPR的狭窄测量具有高度可重复性，而MIP因钙化重叠会高估狭窄程度，不建议用于钙化斑块处的狭窄测量。
半自动/自动量化具有临床应用前景：最佳自动化管腔分割算法的Dice相似系数达0.92，平均表面距离为0.18 mm，Hausdorff距离为1.5 mm。三种最佳狭窄分级方法的面积法和直径法平均误差均约为17%。
面积法较直径法更准确：面积法直接反映血流阻塞程度，对非圆形和不规则走向的管腔更为可靠。

5.2 斑块成像的主要结论

HU值可有效区分斑块成分：体内验证研究表明，60 HU是区分脂质组织（25±19 HU）和纤维组织（88±18 HU）的最佳阈值，敏感度和特异度均为100%。
MDCTA在检测斑块溃疡方面具有高敏感度和高特异度：分别为94%和99%，且具有很高的可重复性（κ>0.86）。
斑块成分量化与组织学具有良好的相关性：纤维面积与组织学的相关性良好（R²=0.76），钙化面积相关性也良好（R²=0.74），但脂质面积相关性较差（R²=0.24），在轻度钙化或无钙化斑块中相关性可提高至R²=0.81。
斑块体积测量的观察者可重复性良好：斑块面积测量的变异系数为8%，斑块成分面积测量的变异系数分别为：钙化8%、纤维11%、脂质15%。
CTA可准确测量纤维帽厚度：与组织学测量的相关性为R²=0.77（p<0.001）。

5.3 临床应用的主要结论

斑块体积与狭窄程度仅中度相关：斑块体积可能是缺血性卒中的独立预测因子。
斑块成分与卒中存在关联：狭窄程度、斑块体积和脂质核心比例与颈动脉斑块溃疡的存在显著相关。急性颈动脉卒中患者的斑块特征包括：血管壁增厚、纤维帽更薄、脂质核心数量更多且更靠近管腔。钙化簇的数量则是保护性因素。
钙化与斑块稳定性的关系尚不明确：近期系统综述表明，有症状斑块的钙化程度低于无症状斑块；斑块内钙化的相对比例（而非绝对体积）似乎与斑块稳定性相关。
纵向CT成像可监测斑块演变：同一数据集可同时用于管腔评估、斑块形态和成分分析，为系列影像学研究提供了基础。

第六节挑战与开放问题

6.1 技术层面的挑战

开花效应（Blooming Artifact）：CT空间分辨率有限导致部分体积平均效应，钙化灶在CT图像上看起来比实际更大，这既影响狭窄测量的准确性，也干扰了与钙化相邻的斑块区域的评估。降低管电压会加重这一问题。

HU值的参数依赖性：HU值对扫描参数（管电压kVp、切片厚度、重建核）高度依赖。平滑核会降低空间分辨率并抑制HU值差异，尖锐核虽然增加了小结构的对比度差异，但也导致钙化尺寸的人为增大和钙化周围的低密度环（边缘增强伪影）。中间型重建核被认为是斑块解释的最佳选择。

管腔内对比剂对斑块HU值的影响：冠状动脉的离体研究表明，管腔内对比剂密度会显著影响斑块内测量的衰减系数。这可能由部分体积效应和对比剂通过滋养管进入斑块所致。虽然这是否也见于较大的颈动脉尚不明确，但强调了标准化扫描方案的必要性。

扫描方案标准化缺失：不同研究使用的扫描参数、后处理方法差异很大，阻碍了研究结果的可比性和综合分析。

6.2 验证方面的挑战

组织学对照的固有局限：组织学标本制备过程中的收缩变形使得直接比较影像学测量与组织学测量存在系统性误差。

参考标准的选择：随着DSA在临床实践中逐步被非侵入性成像取代，以DSA为金标准评估新的非侵入性技术的方法在伦理上已难以立足。需要开发替代验证方法，如标准化的非侵入性测试比较或体模研究。

小样本和选择偏倚：大多数验证研究样本量较小，且通常在高度选择的患者群中进行。

6.3 自动化方法的挑战

外血管壁分割困难：外血管壁与周围软组织之间的低对比度和对比度变异使得自动化外血管壁分割成为一项极具挑战性的任务，也是斑块量化研究远少于管腔分割研究的主要原因。

仅有一条完全自动化的分割算法：在Carotid Bifurcation Algorithm Evaluation Framework评估的九条算法中，仅有一条是全自动化的，其余均需要三个初始化点。

狭窄分级算法远少于管腔分割算法：这限制了自动化临床决策支持工具的发展。

6.4 临床转化方面的挑战

缺乏大型前瞻性研究：目前尚缺乏大型、前瞻性研究来证明CTA-based风险因素与（复发）事件之间的显著关联。

斑块增强的临床意义：颈动脉斑块在CTA上的增强与症状之间的关联（可能反映炎症活动）尚需进一步研究。

多中心标准化：需要开展大型多中心研究，以统一不同中心之间的数据采集和后处理标准。

第七节个人思考与批判性分析

7.1 关于研究方法的思考

本章的系统性综述揭示了影像学生物标志物从技术可行到临床应用之间存在的巨大鸿沟。尽管MDCTA在检测狭窄方面积累了较多数据，但斑块成分量化方面的验证研究规模普遍较小，且方法学异质性高。

笔者认为，CT成像中HU值作为组织特性代理指标的物理基础是坚实的，但HU值对硬件和软件参数的敏感性使得跨研究比较变得困难。这一问题与MRI技术中b值、TE参数等对扩散成像的影响类似——都需要严格的标准化才能将影像学测量转化为可靠的生物标志物。

7.2 关于斑块成分量化的思考

一个值得深思的现象是：尽管CT在解剖成像方面具有很高的空间分辨率，但脂质面积量化的相关性（R²=0.24）远低于纤维组织（R²=0.76）和钙化（R²=0.74）。这可能与以下因素有关：(1) 脂质核心的HU值与纤维组织存在较大重叠；(2) 脂质核心内常伴出血，而出血的HU值与脂质不同；(3) 钙化对周围软组织的"开花效应"干扰了脂质-纤维边界的精确识别。

这一观察提示，在临床实践中，CT可能更适合作为"分选筛"——快速识别高风险斑块特征（如大面积钙化、大体积低密度脂质核心），而非用于精确的纵向成分变化监测。后者可能更适合MRI等软组织对比度更优的成像方式。

7.3 关于自动化量化的思考

目前唯一全自动化分割算法这一事实令人警醒——说明在颈动脉CTA图像的外血管壁自动分割这一基础问题上，现有的计算机视觉方法仍未达到临床部署所需的鲁棒性。Vukadinovic等人报道的半自动方法中，尽管算法本身的Dice系数与两名观察者之间的一致性相当，但"需要手动检查骨化像素的误包含/误排除"这一操作要求，实际上并未显著降低人工负担。

笔者认为，未来突破可能来自以下方向：(1) 深度学习方法（如U-Net架构）在医学图像分割中的成功应用；(2) 多模态成像融合（将MRI的结构信息与CT的钙化检测优势相结合）；(3) 基于物理的图像重建算法以减少开花效应。

7.4 关于临床转化的思考

最令笔者印象深刻的结论是：大多数狭窄>70%的患者并无症状，而大多数有症状患者的狭窄<70%。这一临床观察强调了理解"斑块易损性"而非仅关注"管腔狭窄"的科学和临床重要性。MDCTA提供了同时评估管腔和管壁的可能性，这使其在多模态动脉粥样硬化成像中占据了独特地位。

然而，从"评估斑块特征"到"预测临床事件"之间仍需要大规模的前瞻性纵向研究来建立联系。目前CT斑块成像主要仍限于研究环境，尚未成为临床常规。这一转化过程可能需要5-10年或更长时间，与他汀类药物从降脂机制发现到大规模临床终点试验完成的时间跨度相当。

7.5 一个值得进一步探讨的问题

如果允许笔者向作者提问，最想问的问题是：在您的纵向研究队列中，那些斑块体积和成分发生显著变化的患者，其临床事件发生率是否也相应改变？ 即CT量化的斑块变化是否能够作为可靠的替代终点，用于评估新型降脂或抗炎疗法的临床效果？这是影像学生物标志物能否真正加速新药研发进程的核心问题。

公式汇总

#	名称	形式	物理意义	类型
(11.1)	NASCET狭窄率	$S_{\text{NASCET}} = (1 - D_{\text{狭窄}}/D_{\text{远端正常}}) \times 100\%$	残余管腔直径占远端正常管腔直径的百分比	(E)
(11.2)	ECST狭窄率	$S_{\text{ECST}} = (1 - D_{\text{狭窄}}/D_{\text{原始直径}}) \times 100\%$	残余管腔直径占原始动脉直径的百分比	(E)
(11.3)	面积狭窄率	$S_{\text{面积}} = (1 - A_{\text{狭窄}}/A_{\text{参考}}) \times 100\%$	残余管腔面积占参考面积的比例	(E)
(11.4)	Hounsfield单位	$\text{HU} = 1000 \times (\mu - \mu_{\text{水}})/\mu_{\text{水}}$	归一化线性衰减系数	(T)
(11.5)	Dice相似系数	$\text{SI} = 2	A \cap B	/(
(11.6)	图割能量函数	$E = \sum_i D_i(x_i) + \lambda \sum_{(i,j)} V_{ij}(x_i, x_j)$	分割的能量最小化目标函数	(T)
(11.7)	水平集演化方程	$\partial\phi/\partial t + F	\nabla\phi	= 0$
(11.8)	Agatston评分	$S_{\text{Agatston}} = \sum_i C_i \times W_i$	钙化灶的加权面积总和	(E)

注：表中(T)表示理论推导公式，(E)表示经验性定义或测量公式。

参考文献说明

本章共引用参考文献68篇，涵盖以下主题领域：卒中流行病学（[1]）、NASCET/ECST临床试验（[3-5]）、斑块易损性定义（[9]）、CT技术参数（[17-21]）、诊断准确性meta分析（[26-30]）、分割算法综述（[35-36]）、斑块成分验证研究（[21, 56, 59]）、以及斑块特征与临床事件关联研究（[65-68]）。参考文献时间跨度从1990年（Agatston钙化评分）至2011年，涵盖了近二十年颈动脉CT成像领域的主要进展。

#	名称	形式	物理意义	类型
(11.1)	NASCET狭窄率	\(S_{\text{NASCET}} = (1 - D_{\text{狭窄}}/D_{\text{远端正常}}) \times 100\%\)	残余管腔直径占远端正常管腔直径的百分比	(E)
(11.2)	ECST狭窄率	\(S_{\text{ECST}} = (1 - D_{\text{狭窄}}/D_{\text{原始直径}}) \times 100\%\)	残余管腔直径占原始动脉直径的百分比	(E)
(11.3)	面积狭窄率	\(S_{\text{面积}} = (1 - A_{\text{狭窄}}/A_{\text{参考}}) \times 100\%\)	残余管腔面积占参考面积的比例	(E)
(11.4)	Hounsfield单位	\(\text{HU} = 1000 \times (\mu - \mu_{\text{水}})/\mu_{\text{水}}\)	归一化线性衰减系数	(T)
(11.5)	Dice相似系数	$\text{SI} = 2	A \cap B	/(
(11.6)	图割能量函数	\(E = \sum_i D_i(x_i) + \lambda \sum_{(i,j)} V_{ij}(x_i, x_j)\)	分割的能量最小化目标函数	(T)
(11.7)	水平集演化方程	$\partial\phi/\partial t + F	\nabla\phi	= 0$
(11.8)	Agatston评分	\(S_{\text{Agatston}} = \sum_i C_i \times W_i\)	钙化灶的加权面积总和	(E)