摘要
第一部分:基于深度学习面神经磁共振图像自动分割 目的:基于深度学习构建面神经磁共振图像自动分割模型对面神经进行自动分割，探究基于深度学习的自动分割模型分割面神经的可行性及与放射科医师手动分割的一致性。 材料与方法:（1）根据纳入排除标准回顾性收集川北医学院附属医院面神经神经平扫+增强的检查者，图像均由以下两台3.0T磁共振扫描仪（联影uMR790、GEDiscoveryMR750）进行扫描，收集联影uMR790增强STIR-MX3D序列、GEDiscoveryMR750增强T2WI3DCUBEfs序列图像。最终纳入本研究的检查者图像共100例。将原始图像导入3Dslicer（版本4.11.20210226）软件进行图像分割，并记录分割每例检查者双侧面神经所需时间。采用上海联影医疗科技股份有限公司自主研发的一种基于SE-VBNet深度学习算法，建立面神经磁共振图像自动分割模型，并将测试集自动分割图像重新导入3Dslicer软件中进行图像修正，记录测试集每例检查者双侧面神经图像修正所需时间。（2）以人工分割作为金标准，评价构建模型的分割性能，并使用Dice相似系数来评价自动分割与人工分割之间的相似性。采用独立样本t检验比较自动分割后人工修正与人工分割所需时间的差异。 结果:（1）共纳入符合纳入排除标准检查者100例，男性39例，女性61例，平均年龄53.12±10.80岁，年龄范围为28～75岁。其中联影uMR790磁共振扫描仪检查者62例，GEDiscoveryMR750磁共振扫描仪检查者38例。（2）本研究在评价深度学习模型时，以放射科医师人工分割作为金标准，基于SE-VBNet的面神经磁共振图像自动分割模型训练集、测试集及验证集Dice相似系数分别为0.761、0.684、0.718。（3）本研究随机选择10例检查者图像作为测试集，人工分割的平均时间为34.4±3.66分钟，明显大于深度学习模型自动分割后人工修正平均时间9.90±2.28分钟（P＜0.05）。 结论:本研究基于SE-VBNet构建的面神经磁共振图像自动分割模型能够实现自动分割面神经脑池段至颌骨外段主干，其分割结果与经验丰富的放射科医师手动分割一致性较好，有助于简化复杂、繁琐的分割重建过程，减轻医生劳动强度、提高工作效率，为面神经形态学的进一步高效、大量研究奠定基础。 第二部分:原发性面肌痉挛扩散张量成像研究 目的:采用扩散张量成像观察原发性面肌痉挛患者组内及与健康志愿者组间DTI参数及CSA差异，探究扩散张量成像能否反应面神经的显微结构变化，并作为临床诊断原发性面肌痉挛的影像学参考依据。探索患者患侧DTI各参数与病程、Cohen分级之间的相关性，了解面神经微观结构的变化与病程、Cohen分级相互作用。 材料与方法:招募符合纳入排除标准原发性面肌痉挛患者及与之年龄相匹配的健康志愿者，并采集患者的一般资料及病史，健康志愿者的一般资料，对所有患者进行Cohen分级。所有患者及健康志愿者使用3.0T磁共振（SiemensSkyra，German）及20通道头颈联合线圈进行DTI序列及神经成像序列图像采集，DTI扫描范围为视交叉平面至枕骨大孔。在Siemenssyngo.via后处理工作站内神经3D模块进行图像后处理，使用3D-CISS序列多平面重建使重建图像垂直于面神经脑池段，测量点选择根出口点与内耳道口连线中点处，以固定的窗宽窗位测量面神经脑池段中点CSA,测量三次并取平均值。将圆形ROI分别置于面神经根出口区及脑池段进行纤维追踪及DTI参数测量。采用配对样本t检验评估患者组患侧与健侧、健康对照组双侧DTI各参数及CSA差异;采用独立样本t检验比较患者组患侧与健康对照组之间DTI各参数及CSA是否存在统计学差异;采用Pearson相关系数评价病程、Cohen分类与DTI各参数之间是否相关;采用ROC分析评价DTI各参数对pHFS的诊断能力。 结果:（1）本研究共收集符合纳入排除标准pHFS患者41例，与pHFS组年龄相匹配的健康志愿者41例。pHFS组与HC组间年龄差异无统计学意义（P＞0.05）。pHFS组、HC组双侧面神经脑池段FA值、MD值、AD值、RD值及CSA均符合正态分布（S-W检验，P＞0.05）。（2）HC组左侧与右侧面神经DTI各参数及CSA平均值差异无统计学意义（P＞0.05）。pHFS组患侧FA值平均值低于健侧，差异有统计学意义（P＜0.05），患侧MD值、AD值、RD值平均值高于健侧，差异有统计学意义（P＜0.05），患侧CSA与健侧没有明显差异（P＞0.05）。pHFS组患侧FA值平均值低于HC组，差异有统计学意义（P＜0.05），患侧MD值、AD值、RD值平均值高于HC组，差异有统计学意义（P＜0.05），患侧CSA与HC组没有明显差异（P＞0.05）。（3）采用Pearson相关系数分析显示pHFS患者病程、Cohen分级与患侧DTI各参数均无明显相关性（P＞0.05）。（4）ROC曲线显示FA值、MD值、AD值、RD值均对该疾病的诊断具有意义,AUC分别为0.743、0.702、0.6752、0.7137（P＜0.05）,其中FA值对pHFS的诊断效能最好。 结论:DTI-RESOLVE序列可以对pHFS患者面神经进行纤维追踪及DTI参数测量。DTI能够反映pHFS患者患侧面神经脱髓鞘等显微结构损伤。pHFS患者DTI各参数与病程、Cohen分级之间无确切相关性。DTI各参数对pHFS均有较好诊断效能，其中FA与RD优于其他参数。
NETL