三叉神經成像及深度學習應用研究進展

羅 正，楊漢豐（通信作者）

（川北醫學院附屬醫院放射科 四川 南充 637000）

1 解剖

三叉神經是最大的一對腦神經，包含了運動及感覺神經，起源于腦橋外側，向前延伸至Meckel腔，經海綿竇外側發出三條分支：眼神經、上頜神經、下頜神經，分別經過眶上裂、圓孔、卵圓孔出顱。根據神經走形，三叉神經分為不同的節段，包括腦干、腦池、Meckel腔、海綿竇及外周段[1-3]。

眼神經是感覺神經，包含了三條分支：額神經、淚腺神經、鼻睫神經，其中額神經是最大的分支，額神經發出眶上神經和滑車上神經。眼神經接受前額、眼眶周圍組織的感覺刺激[3]。

上頜神經也是感覺神經，經過卵圓孔出顱發出分支與翼腭神經節交匯，隨后主干延伸為眶下神經走行于眶下管內，沿途發出上牙槽神經，在眶下孔發出終末支，上頜神經接受上頜骨、面中部皮膚的感覺刺激[2-3]。

下頜神經是混合神經，分為前、后兩干。前干發出運動神經和頰神經，運動神經控制咀嚼肌的運動；頰神經接受頰黏膜、第二、三磨牙的感覺刺激；后干分為三支：耳顳神經、舌神經、下牙槽神經。耳顳神經接受顳部頭皮的感覺刺激；舌神經走行于下牙槽神經內前方，負責舌、口底、舌前2/3的感覺；下牙槽神經發出運動神經支配下頜舌骨肌和二腹肌前腹，隨后走行于下頜管中延續為頦神經，為下巴和下唇提供感覺[4]。

2 三叉神經成像

三叉神經痛是一種嚴重的神經性疾病，表現為神經分布區域內灼燒、電擊、針刺樣疼痛，可由閾下刺激觸發，目前，三叉神經痛的發病機制主要分為外周理論和中樞理論[5]。評估三叉神經首選MRI，MRI具有更高的組織分辨率，且沒有輻射傷害。磁共振神經成像（magnetic resonance neurography，MRN）是傳統磁共振技術的改進，具有較高的組織、空間分辨率專用于外周神經成像，由于三叉神經的走形及發病機制的不同，分段成像有助于縮短檢查時間。

2.1 腦池段神經成像

Jannetta等[6]發現三叉神經痛患者在三叉神經根部存在神經血管壓迫現象（neurovascular compression，NVC），病理發現受壓神經軸突損傷，導致鄰近結構粘連產生異位沖動。有研究發現三叉神經根髓鞘由少突膠質細胞移行為施萬細胞，這一特征導致受壓迫后更容易產生損傷[2,7-10]。

在MRI 3D FIEST序列中，腦脊液（高信號）與神經、血管（低信號）存在良好的對比度，結合3D TOF及增強3D-FSPGR序列，能確定責任血管的類型。隨著壓迫時間延長，受壓三叉神經常出現神經萎縮改變，包括體積、截面積減?。ㄒ妶D1）[11]。NVC也常見于無癥狀患者中，因此診斷NVC需要滿足以下標準：血管垂直神經長軸；壓迫點位于三叉神經根且具有形態學改變；責任血管為動脈或特殊位置的靜脈。

圖1 三叉神經腦池段成像

彌散張量成像（diffusion tensor imaging，DTI）是唯一能反映神經纖維方向性與完整性的無創的檢查方法[12]。Chai等[13]使用DTI發現壓迫側三叉神經FA值較對側明顯降低，而MD值顯著增高，FA、MD代表髓鞘的完整性，其改變提示了軸突的損傷，同時改變程度與疼痛程度相關[14-15]。但DTI易受磁場均勻性、受試者運動影響，穩定性不容易控制，目前很少應用于臨床診斷。

2.2 外周段神經成像

有學者提出三叉神經外周段的病灶也能造成三叉神經痛，如炎癥、外傷、腫瘤、醫源性損傷，外周段的病灶容易被忽略，雖然多數癥狀能在8周內恢復，如果病灶持續存在，可能導致永久性損傷[16]。

基于T2WI的MRN技術能顯示外周神經系統及神經內液的改變，正常神經表現為對稱的信號強度及直徑，病變的神經由于神經水腫，表現為T2WI信號強度增高、直徑增大等。3D-STIR-TSE是一種黑血序列，可明顯縮短背景組織的T2WI弛豫時間，結合增強技術可以明顯抑制神經周圍的血管信號，重建技術可三維、立體地進行神經對比觀察，但由于復雜的解剖，重建過程將耗費大量時間（見圖2）。Liu等[17]采用3D-STIR-TSE顯示健康人群的外周段神經，其中眼神經、上頜神經、舌神經、下牙槽神經大部分顯示率均超過85%。Van等[18]提出3D-STIR-TSE對外周段神經有優秀的可視化，可應用于臨床診斷，對于部分細小分支，該序列尚不能顯示。

圖2 三叉神經外周段重建

3D-PSIF基于梯度回波序列采集自旋回波信號，有顯著的T2權重，可以明顯抑制血管信號，此外，該序列受磁場不均勻性的影響較小，但信噪比較低。Dessouky等[19]使用3D-PSIF發現損傷的下牙槽神經截面積、T2信號強度較對側增大、升高。Cox等[20]將3D-PSIF應用于懷疑外周病變的患者，發現病變下牙槽、舌神經T2信號升高、神經彌漫性增粗。與3D-STIR-TSE相比，3D-PSIF對肌肉信號的抑制程度欠佳。

Kotaki等[21]發現DTI能部分或完全顯示下牙槽神經纖維束，同時通過FA值定量分析神經的細微結構，發現雙側下牙槽神經FA值無顯著差別，因此雙側神經對比觀察有助于發現病灶。由于骨性管道及空氣的存在，可能導致DTI圖像失真。

因此，對于懷疑三叉神經痛的患者，在排除NVC后，應當使用MRN來評估外周段是否存在病變。MRN應當在3.0T場強設備上進行，能顯著縮短掃描時間以及提高圖像清晰度。

2.3 中樞成像

有研究發現慢性疼痛患者的腦區出現了結構及功能的變化，這些改變可能導致疼痛抑制能力下降以及情緒、認知的改變[22-24]?；隗w素的形態測量學（VBM）是在體素水平上對腦區灰質體積進行研究的方法，Zhang等[25]采用VBM發現在三叉神經痛患者的前扣帶回、額上中、回、中腦導水管周圍灰質體積減小，前扣帶皮層是邊緣系統的重要結構，參與認知、情緒、疼痛的處理；中腦導水管周圍灰質是下行疼痛調節的樞紐，通過5-羥色胺和去甲腎上腺素神經遞質實現疼痛抑制[26]。YH等[27]采用基于白質骨架的空間統計方法（tract-based spatial statistics，TBSS）發現右側三叉神經痛患者的右側輻射冠、胼胝體FA值降低，MD值增高，提示腦白質神經纖維軸突的損傷。

血氧水平依賴腦功能成像（BOLD-fMRI）利用脫氧血紅蛋白的順磁性作為天然對比劑，基于腦區之間脫氧血紅蛋白濃度的差異評估功能狀態，主要包括任務態和靜息態，任務態磁共振功能成像可以捕捉腦區活動，但結果容易受主觀因素影響；靜息態磁共振功能成像觀察無外界刺激下腦區的內在活動及腦區間的信息傳遞，目前常用的方法包括局部一致性、低頻振幅、功能連接[28]，GE等[29]發現三叉神經痛患者中多個腦區低頻振幅值增加，提示腦區的自發性活動增強，發生改變的腦區參與疼痛調節、認知處理、記憶。Zhang等[25]發現右側三叉神經痛患者右側杏仁核-右側前額葉皮質功能連接增強，與情緒狀態相關，經治療疼痛緩解后，功能連接異常緩解，解釋了三叉神經痛對患者情緒的影響,且該影響是可逆的。

然而，結構、功能的改變并不具有特異性，是否是繼發于疼痛的改變需更多研究證明，另外功能成像受設備、客觀因素影響較大，較少應用于常規臨床工作。

3 深度學習三叉神經中的應用

人工智能是通過計算機來模擬、擴展人類智能的技術，而深度學習是實現人工智能的一種方法。醫學影像數字化和計算機技術的快速發展對醫療影像分析帶來了巨大變革，醫學影像分析與深度學習的結合已成為現代臨床影像分析工作中的重要發展趨勢[30-32]。近幾年，深度學習已廣泛且成功地應用于醫學影像中，主要包含圖像分類、分割、標注等方面。深度學習包括無監督方法和有監督方法。早期的無監督方法基于人工預先設計的過濾器進行圖像分割，Zhao等人[33]提出了一種用于2D血管自動增強和分割的加權對稱濾波器，并將其進一步擴展到3D情況下的血管分割。

2012年AlexNet獲得ImageNet圖像分類冠軍后，卷積神經網絡因其優越的提取性能而備受關注，基于深度學習的三維醫學圖像處理得到了迅速發展。Zeng Q[34]使用3D U-net網絡在3D FIESTA序列上分割三叉神經，并在MRA中分割血管，結合兩個分割結果可以自動識別神經與血管的關系。受人類注意機制的啟發，Xia等[35]提出一種基于反向邊緣注意機制的卷積神經網絡（Re-NET），實現了三維大腦血管分割和曲面重建。Lin等[36]運用Res2Block算法，使用CS2Net粗分割三叉神經、血管，CS2Net是專為管狀結構分割而設計的算法，然后再運用3D UNet細化神經、血管的邊界，表現出良好的分割結果。 目前關于三叉神經腦池段的深度學習研究較多[37-38]，但樣本量均較小，因此尚不能應用于臨床。

關于外周段分支的深度學習研究，下牙槽神經得到了較多關注。XI等[39]采用U-net在牙科全景X光片分割下牙槽神經和第三磨牙，并表現出良好的分割能力，有利于磨牙拔除術前評估。Ho-Kyung Lim等[40]使用3D NNU-Net在錐形束CT上自動分割下牙槽神經，DSC系數為（0.58±0.08），雖然分割結果一般，主要是由于樣本量較小，提高樣本量將產生良好的分割結果，目前深度學習在外周段神經的應用較少，主要是由于神經直徑較細，隨著成像技術以及計算機技術的發展，未來深度學習研究可以探索整段三叉神經分割、重建研究。

4 總結

三叉神經能輔助三叉神經痛的診斷，目前腦池段、中樞系統和外周段成像表現出良好的診斷能力，外周段、中樞系統成像在發現三叉神經痛的病因中同樣重要。同時深度學習在三叉神經中表現出極大的潛力，隨著技術的發展，深度學習將為三叉神經痛的診斷帶來巨大臨床意義。