摘要
第一部分高分辨率磁共振血管壁成像强化特征与颅内动脉瘤病理相关性研究 目的:高分辨率磁共振血管壁成像（high-resolutionmagneticresonancevesselwallimaging，HR-VWI）是评估未破裂颅内动脉瘤（unrupturedintracranialaneurysm,UIA）血管壁结构的一种新兴影像学成像手段。然而，动脉瘤高分辨率磁共振血管壁成像特征与其组织病理学特征之间的关系仍然知之甚少。本研究着力于探究高分辨率磁共振血管壁成像不同强化模式与动脉瘤瘤壁组织病理的关联。 方法:本研究前瞻性纳入自2016年2月至2018年2月在当地一家医院接受开颅夹闭治疗的47例未破裂颅内动脉瘤患者，其中男性19例，女性28例，共包含54例未破裂颅内动脉瘤。所有患者术前均行HR-VWI检查。将术中观察到的动脉瘤大体病理与术前高分辨率磁共振血管壁成像上的强化特征进行对比，并收集动脉瘤组织标本行组织病理学检测、免疫组化染色、免疫荧光染色、蛋白质谱分析。 结果:不规则动脉瘤形态以及较大的动脉瘤直径和UIA瘤壁强化显著相关。环形强化和局部强化均代表动脉瘤瘤壁上的炎症状态，可能源于动脉瘤壁巨噬细胞等炎性细胞聚集、胶原蛋白降解，提示动脉瘤壁结构破坏、渗透性增加;局部强化提示动脉粥样硬化斑块的形成。 结论:高分辨率磁共振血管壁成像不同强化特征可能代表未破裂颅内动脉瘤瘤壁不同的炎症状态以及结构渗透性的改变，斑块参与强化信号形成，HR-VWI有望成为颅内动脉瘤破裂风险评估和诊疗方案制定的重要工具。 第二部分高分辨率磁共振血管壁成像模式与未破裂颅内动脉瘤夹闭手术预后相关性研究 目的:高分辨率磁共振血管壁成像（high-resolutionmagneticresonancevesselwallimaging，HR-VWI）可能对未破裂颅内动脉瘤（unrupturedintracranialaneurysm,UIA）患者具有预后预测价值。本研究旨在评估HR-VWI作为UIA患者显微外科夹闭手术预后评估的价值。 方法:本前瞻性队列研究评估2017年2月至2021年6月在当地医院接受开颅夹闭术的UIA患者的手术预后。所有受试者均在术前接受HR-VWI扫描，术后至少随访6个月。主要临床结局为术后6个月改良Rankin量表（modifiedRankinScale,mRS）评分。 结果:本研究纳入的HR-VWI瘤壁未强化、瘤壁环形强化（uniformwallenhancement,UWE）、瘤壁局部强化（focalwallenhancement,FWE）患者例数分别为37、145、154例。FWE组术后并发症发生率为15.5％,UWE组为12.4％,未强化组为5.4％。FWE组患者术后6个月随访时mRS评分＞2分的患者比例显著高于UWE组，分别为14.3％、6.9％（P=0.0389）。多因素分析显示，FWE（OR值，2.573;95％置信区间，1.001～6.612）和近端载瘤动脉正性重构（OR值，10.56;95％置信区间，2.237～49.83）是术后6个月随访时mRS评分＞2分的独立预测因子。 结论:HR-VWI上UIA的三种强化类型与临床结局、补救性血管搭桥术及手术并发症率相关。术前HR-VWI可提高术者对动脉瘤病理结构的认识，协助治疗策略的制定。 第三部分基于高分辨率磁共振血管壁成像的影像组学方法表征未破裂颅内动脉瘤 目的:未破裂颅内动脉瘤（unrupturedintracranialaneurysm，UIA）上的动脉粥样硬化大斑块和炎症可能影响治疗决策和诊治效果，斑块和炎症的识别尤为重要。然而，目前动脉瘤上斑块识别成像技术的准确性有限，且炎症相关研究局限于二维组织切片。本研究旨在比较基于高分辨率磁共振血管壁成像（high-resolutionmagneticresonancevesselwallimaging,HR-VWI）的影像组学机器学习（machinelearning,ML）模型与视觉评估对动脉瘤大斑块识别的差异，同时对人动脉瘤瘤壁炎症分布进行三维呈现。 方法:本研究前瞻性纳入2017年8月至2022年2月在我院接受开颅夹闭术的UIA患者。动脉粥样硬化大斑块通过术中视频资料确定，大斑块定义为该斑块面积超过动脉瘤横截面积的30％。提取HR-VWI的影像组学特征，筛选差异特征并使用ML模型识别大斑块。我们在交叉验证集上训练了6个基于影像组学的ML模型。使用受试者工作特征曲线（receiveroperatingcharacteristiccurve,ROC）分析影像组学ML模型和视觉评估模型的表现。使用SHIELD法对3例完整的人动脉瘤标本行组织透明化，使用三维免疫荧光鉴定瘤壁MPO、CD68。 结果:本研究218例患者共包含231例UIAs。术中大体病理发现152例动脉粥样硬化斑块，其中大斑块70例。优化的影像组学机器学习模型对动脉粥样硬化大斑块识别能力优于视觉评估方法。此外，可对人动脉瘤标本行组织透明化，实现对瘤壁MPO、CD68分布的三维呈现。 结论:基于HR-VWI的ML模型能准确表征颅内动脉瘤上粥样硬化大斑块，其对大斑块的识别能力优于基于HR-VWI的视觉评估方法。可通过组织透明化及三维免疫荧光染色实现动脉瘤瘤壁炎症标记物的三维呈现。
NETL