慢性肝病（CLD）的进展伴随着肝脏血管系统的显著改变，这些变化在传统影像学评估中往往难以量化。随着深度学习技术的发展，肝脏血管的自动化分割与定量分析成为可能，为疾病的无创监测提供了新思路。本研究利用3D U-Net模型对钆塞酸增强3T磁共振成像（MRI）中的肝脏血管进行分割，旨在探索不同阶段慢性肝病患者与健康对照组之间肝血管体积的差异，并评估其与肝功能、纤维化及门静脉高压标志物的相关性。研究团队通过回顾性分析，揭示了血管体积比在疾病分期中的潜在价值，为临床提供了新的影像学生物标志物。

研究纳入了197名受试者，包括35名健康对照组、44名非晚期慢性肝病（non-ACLD）患者和118名晚期慢性肝病（ACLD）患者。

图1 研究纳入患者的流程图

图2 肝脏血管手动分割示例

所有受试者均接受了标准化的钆塞酸增强MRI检查，图像通过3D U-Net模型进行自动化分割，计算总血管体积比（TVVR）、肝静脉体积比（HVVR）和门静脉体积比（PVVR）。

图3 用于肝脏血管分割的U-Net架构

研究结果显示，健康对照组的TVVR和HVVR显著高于疾病组，其中TVVR在对照组、non-ACLD组和ACLD组的中位值分别为3.9、2.8和2.3，HVVR分别为2.1、1.7和1.0。PVVR在对照组与疾病组之间也存在显著差异（1.7 vs. 1.2），但在non-ACLD与ACLD组间无统计学差异。这些结果表明，肝静脉系统的体积减少在疾病进展中更为显著，而门静脉系统的变化可能更早出现并在晚期阶段趋于稳定。

图4 对照组、非晚期和晚期慢性肝病患者的血管体积比比较

进一步分析发现，HVVR与肝功能指标和纤维化标志物具有更强的相关性。例如，HVVR与肝脏硬度测量（LSM）的相关系数为-0.40，与血小板计数的相关系数为0.36，提示肝静脉体积的减少可能与门静脉高压和纤维化程度密切相关。

图5 不同疾病阶段患者的肝脏血管体积三维重建对比

相比之下，PVVR与这些标志物的相关性较弱，这可能与其在疾病早期即发生改变有关。研究还开发了基于血管体积比的列线图模型，其受试者工作特征曲线下面积（AUC）为0.786，显示出良好的疾病分期预测能力。

图6 血管体积比与肝功能及纤维化标志物的相关性图谱

本研究的创新点在于首次通过深度学习技术实现了肝脏血管体积的自动化定量分析，并系统评估了其与临床参数的关系。然而，研究也存在一定局限性，例如回顾性设计和小样本训练数据可能影响模型的泛化能力。此外，心脏功能对肝静脉体积的潜在干扰未完全排除，未来研究需纳入更多中心的数据以验证结果的普适性。尽管如此，这项研究为慢性肝病的无创评估提供了新工具，其临床转化潜力值得进一步探索。

原始出处：

Herold, A., Sobotka, D., Beer, L. et al. (2025). MRI-derived quantification of hepatic vessel-to-volume ratios in chronic liver disease using a deep learning approach. European Radiology Experimental, 9, 75.

Tags： European Radiology Experimental：深度学习赋能慢性肝病无创评估，自动化肝血管体积分析的临床转化潜力