基于深度学习的脑部MRA影像动脉几何形态量化与血流动力学参数预测研究综述.docVIP

基于深度学习的脑部MRA影像动脉几何形态量化与血流动力学参数预测研究综述

脑血管疾病是全球范围内导致成人残疾和死亡的首要病因，其中颅内动脉瘤、动脉狭窄等血管结构性病变的早期筛查与风险评估一直是神经医学领域的核心难题。脑部磁共振血管造影（MagneticResonanceAngiography,MRA）作为无创性血管成像技术，无需注入对比剂即可清晰显示颅内动脉的三维解剖结构，是脑血管病临床筛查和随访的首选影像学手段。传统影像分析依赖医师手动测量血管直径、弯曲度等几何参数，不仅耗时长、观察者间差异大，更无法实现从形态特征到血流动力学功能的跨模态映射，难以满足精准诊疗对定量、高效、可重复分析的需求。近年来深度学习技术在医学影像分析领域的突破性进展，为实现MRA影像的全自动定量化分析提供了全新路径，相关研究围绕动脉血管分割、几何形态参数自动提取、血流动力学参数无创预测三大核心方向不断深入，正在推动脑血管病评估从主观定性向客观定量、从单一形态分析向形态功能一体化评估的范式转变。

一、脑部MRA影像动脉血管分割的深度学习技术演进

血管分割是后续几何形态量化和功能参数预测的基础前提，其核心挑战在于颅内动脉血管管径细、走行迂曲，MRA影像中血管与背景对比度受成像序列参数影响波动大，小血管分支边界往往存在部分容积效应导致边界模糊。早期深度学习分割方法多基于2D卷积神经网络，通过将3DMRA影