血管周围间隙定量评估及其临床相关性研究进展2026

血管周围间隙定量评估及其临床相关性研究进展2026血管周围间隙（PVS）是颅内小血管周围的细小空隙，其内充满液体。PVS是脑小血管病的重要影像标志物，其严重程度与多种神经系统疾病负担相关。视觉评分量表被广泛用于磁共振成像上可视性PVS数量的定量化评估。随着影像及计算机技术的发展，基于阈值分割、形态学滤波及机器学习的多种计算机算法不断被开发用于PVS检测，并可实现PVS数量、体积及空间分布等信息的全自动或半自动测量。文中主要就PVS的定量评估方法及其相关临床应用研究进行综述。血管周围间隙（perivascularspaces，PVS）也被称为Virchow-Robin间隙，是颅内动脉、小动脉、静脉及小静脉周围充满液体的细小间隙［1］。PVS被认为是脑内类淋巴系统的重要组成部分，参与颅内代谢废物的清除及脑脊液的循环过程，其结构和功能改变与多种神经系统疾病具有相关性［2］。PVS在脑内的位置分布对病因具有提示作用，且其严重程度与脑小血管病（cerebralsmallvesseldisease，CSVD）及认知障碍等多种疾病相关［3,4,5］。对PVS进行充分评估可能有助于理解疾病机制、评估临床风险及精准管理。随着影像及计算机技术的发展，对PVS的量化评估成为可能。我们将对磁共振成像（magneticresonanceimaging，MRI）上可视性PVS的定量评估方法及相关临床应用研究进行综述。我们使用英文关键词“perivascularspaces”“Virchow-Robinspaces”“quantif*”“segmentation”“cerebralamyloidangiopathy”“cognitive”在PubMed、WebofScience、GoogleScholar等数据库中检索英文文献，使用中文关键词“血管周围间隙”“Virchow-Robin间隙”“评估”“脑淀粉样血管病”“认知”在中国知网、万方数据库检索中文文献，文献检索起止时间为建库至2025年1月。一、PVS的解剖生理及影像表现（一）PVS的解剖及生理功能PVS是围绕脑内穿入或穿出脑实质的血管周围的充满液体的细小空间，其外侧边界为由星形胶质细胞的终足形成的胶质限制膜［1］。2012年，Iliff等［6］提出脑内类淋巴系统假说，认为该系统可通过脑脊液与组织间液的交换、液体引流及分子运输来实现大脑有毒物质和代谢废物，包括β-淀粉样蛋白（amyloidβ-protein，Aβ）等的清除。基于小荧光示踪剂的体内双光子成像，Iliff等［6］发现脑脊液沿着穿动脉周围的PVS进入实质，含有溶质和废物的脑间质液到达静脉周围的PVS，沿着静脉旁引流途径被清除。（二）PVS的影像表现2013年STRIVE-1研究提出了PVS的影像学诊断标准，认为PVS在MRI上与脑脊液信号相同，即呈长T1、长T2、FLAIR序列等或低信号，呈圆形、卵圆形或线性，直径通常小于3mm，少数可大于3mm并伴有占位效应，但边缘无环状高信号；常见于基底节区、白质、中脑及海马等部位，小脑罕见［3］。2023年更新的STRIVE-2研究进一步提出，PVS主要位于小动脉周围，且推荐使用高分辨率的T2加权MRI图像（对PVS最敏感）进行检测［7］。虽然既往部分研究将MRI上可视性PVS描述为“扩大的PVS”，但由于PVS的大小与临床结局之间的关系尚不清楚，且PVS的可视性取决于MRI序列及参数，仅MRI可视性不能作为病理性PVS扩大的统一标准［3］。因此，STRIVE研究提出使用“PVS”作为统一术语（不含“扩大的”前缀），表示MRI上可视性PVS，目前已被广泛采用［3，7］。虽然MRI上可视性PVS的临床意义尚未明确，但可视性PVS的增多可能提示脑内类淋巴系统功能障碍，并与多种神经系统疾病相关，如脑血管病、神经退行性疾病、神经炎性疾病等［3，5］。二、PVS的定量评估方法（一）视觉评分视觉评分是目前临床应用最为广泛的PVS量化评估方法。由于不同位置的PVS可能反映不同的病理机制，既往研究根据PVS的分布部位及数量提出了多种评分量表（表1）。基底节区及半卵圆中心是PVS相关研究中最常关注的部位。对基底节区及半卵圆中心的PVS，目前较为常用的是2004年MacLullich等［8］提出的0~4级评分量表，即：0级：无PVS；1级：≤10个PVS；2级：11~20个PVS；3级：21~40个PVS；4级：>40个PVS。后续研究在此基础上进行了延伸及改进。2010年，Doubal等［9］在MacLullich等评估量表的基础上，增加了PVS总级别的评估，将PVS的总级别定义为基底节区及半卵圆中心PVS级别相加之和（0~8级）。2015年，Potter等［10］在MacLullich等评估方法基础上，对PVS的具体计数方法及注意事项进行了更为详细的说明（图1），并提供了PVS评估的操作指南手册（也称Potter量表或Wardlaw量表），使评估的可靠性及评估者之间的一致性得到了提高，该量表也在后续研究中得到广泛的应用。Banerjee等［11］及Jiménez-Balado等［12］的研究根据5级评分量表，进一步进行了严重程度分组，便于数据统计学分析。而Zhu等［13］的研究还提出了全脑区白质（包含半卵圆中心）PVS的量化评估方法：1度：全部层面白质总PVS数量<10个；2度：全部层面白质总PVS>10个但最多的一层<10个；3度：PVS最多的一层数量为10~20个；4度：PVS最多的一层数量>20个。对直径>3mm的PVS进行单独记录。该方法在后续的研究中也有较多应用。此外，Patankar等［14］及Chen等［15］分别对基底节区及白质区进行了更为细致的结构划分及评估。对位于中脑的PVS，一般采用二级分类评估［10，14］，即：0级：无可见PVS；1级：有可见PVS。此外，还可以对总数进行直接记录［16］，或采用4分级评估［15］。对海马区PVS，不同研究使用评估方法不同，尚无统一标准［8，12，15,16,17］。此外，根据不同的研究对象及研究需求，既往研究还提出了颞叶、岛叶、近皮质等部位的PVS评估方法［14，18,19,20］。除根据PVS分布部位及数量进行评分外，早期研究还曾根据PVS的直径进行分级［21,22］：1级（轻度）：直径<2mm；2级（中度）：直径2~3mm；3级（重度）：直径>3mm。但PVS的可视程度受到MRI分辨率的影响，直径测量较为困难，且PVS大小与临床事件之间的关系尚不清楚［3］，因此该分类法未被广泛使用。视觉评估简单易行，可推广性较强，临床应用广泛。但分级较为粗略，且受MRI分辨率、层面选取等因素影响较大，存在一定的观测偏倚，不同研究之间结果存在一定差异。（二）基于计算机算法的PVS评估随着影像及计算机技术的发展，更为精确的PVS量化评估方法逐渐被提出。自2002年Kruggel等［23］首次提出使用计算机算法全自动评估PVS以来，至今已有至少48项研究进行了PVS全自动或半自动测量相关的算法开发，并不断有研究对方法学进行改进及应用研究［24］。基于计算机算法的PVS定量评估主要包括影像获取、预处理（去噪、标准化及对比度增强等）、PVS特征提取/分割（手动分割及基于阈值法、机器学习或深度学习等的自动/半自动分割）及后处理等步骤，不同研究针对不同步骤进行方法学优化，除可评估PVS的数量外，还可获取PVS的体积、分布位置及密度等信息［24］。1.基于计算机算法的PVS半自动测量：半自动测量主要基于强度阈值进行图像分割，通常需要手动输入图像分割的强度阈值或需手动检查或校正图像分割的结果，从而避免假阳性或假阴性，提高分割准确度。Ramirez等［25,26］基于T1、T2及质子密度加权的多模态MRI图像开发了病灶探索者（lesionexplorer）程序。该程序使用T1加权图像进行灰质、白质和脑脊液等组织分割，在此基础上，结合T2及质子密度图像的强度信息，通过自适应阈值分割PVS，并通过脑组织分割和区域划分（semi-automatedbrainextraction，SABRE）程序将PVS分割结果划分到基底节区及白质区，实现区域化的PVS体积测量。但由于该程序需基于多个影像序列进行测量，影像资料的获取难度增加，临床应用受到限制。PVS在T2加权图像上具有较好的分辨度。Wuerfel等［27］、Wang等［28］及Martinez-Ramirez等［29］开发了基于T2加权图像的半自动化PVS测量方法。Wuerfel等［27］基于MedX3.4.3软件的阈值半自动化后处理程序对PVS的数量和体积进行定量分析，并以人工分割测量的结果为参照，验证了程序分析结果的准确性［组内相关系数（intra-classcorrelationcoefficient，ICC）=1］。由于PVS在T2加权图像上的强度水平存在差异，Wang等［28］在图像分割阶段进行了线性强度调整，从而可通过单一阈值实现PVS分割。而Martinez-Ramirez等［29］则基于阈值强度创建包含PVS的掩膜，再通过手动调整使其仅包含PVS，该方法可对特定层面的PVS进行体积测量。基于计算机算法的半自动PVS检测相较于视觉评分评估精确度得到提高，并可获取数量、体积及分布位置等多维评估数据，但一定程度受研究者主观因素影响。随着全自动测量算法的开发，半自动PVS算法已较少使用。2.基于计算机算法的PVS全自动测量：全自动的PVS测量主要基于强度阈值相关方法、形态学处理算法（如随机几何、形态学滤波等）、机器学习相关算法等。Kruggel等［23］及Descombes等［30］基于随机几何，使用可逆跳马尔可夫链蒙特卡罗算法，实现了在T1加权MRI图像上管状结构PVS的全自动识别及分割，可获取PVS总数、体积和位置信息。两者的研究为较早提出PVS全自动测量计算机算法的研究。基于强度阈值及图像形态学特征，Schwartz等［31］及Boespflug等［32］开发了PVS的多模态自动识别程序（multimodalautoidentificationofperivascularspaces，MAPS）。MAPS基于多模态MRI图像（T1、T2、FLAIR序列及质子密度加权成像），通过PVS与周围体素的相对强度、簇大小和线性程度等特征信息实现PVS的全自动识别。该方法在后续研究中也多次被应用［24］。虽然多模态数据结合可以提高PVS识别的准确性，但较单一序列图像的临床获取难度增加，且由于患者在扫描仪上耗费的时间更长，也会在图像中引入更多的伪影［33］。Cai等［34］及Niazi等［35］

同样基于阈值强度及图像形态学特征，采用空间梯度、边缘检测、K均值聚类等处理技术，开发了基于T2加权单一序列MRI图像的白质以及基底节区PVS全自动分割程序，可获取PVS的体积密度。Frangi滤波器是一种广泛应用于医学图像分析中的形态学滤波器，主要用于检测和增强图像中的管状结构（如血管、神经纤维等），被广泛用于PVS的检测及图像分割。Ballerini等［36］使用有序logit模型来优化Frangi滤波器的输入参数，提高了PVS的分割精度，实现在T2加权图像上的PVS自动化分割。该方法取得的自动分割结果与视觉评分之间具有较高的相关性（Spearman′s

ρ=0.74，P<0.001）。Sepehrband等［37］结合T1和T2加权图像开发出“增强PVS对比度（enhancedPVScontrast，EPC）”处理程序，在预处理阶段增加PVS的对比度及可视性，并与Frangi滤波器相结合，使PVS分割的准确性得到提高，并具有良好的重测信度。Ballerini等［36］

及Sepehrband等［37］所提出的PVS检测方法在后续相关研究中得到了广泛的应用［24］。此外，Barisano等［38］使用Frangi滤波器增强T1加权图像上的管状、血管样结构，生成“血管性图”。通过计算每个图像的血管性值分布的85百分位数来自动确定分割阈值，从而实现对PVS的稳健分割。该方法在不同MRI扫描仪和场强下表现出良好的可重复性（白质区PVS：ICC≥0.9，基底节区PVS：ICC≥0.8）。除传统图像处理方法外，多种机器学习算法也被用于PVS的定量测量，如随机森林模型（randomforest，RF）、卷积神经网络（convolutionalneuralnetworks，CNN）、深度学习等。Park等［39］

提出了一种基于三维Haar特征和RF的PVS自动分割方法。该方法在7TMRI图像上取得了较高的分割精度［Dice相似系数（dicesimilaritycoefficient，DSC）=0.64］，并且能够有效区分PVS与其他类似结构，较常规Haar特征算法及强度阈值法相比，分割结果更接近真值。CNN是PVS的定量检测较常用的算法。Dubost等［40］基于CNN的深度学习算法，从3D-1.5TMRI中量化基底节区的PVS。该网络通过学习MRI图像中的特征，能够自动输出PVS的量化评分。结果表明，该方法与专家视觉评分具有较高的一致性（ICC=0.74），并且在扫描-重扫描实验中表现出良好的可重复性（ICC=0.93）。随后，Dubost等［41］还将该方法进行延伸用于分割中脑、海马及半卵圆中心等部位的PVS，也呈现出较好的分割性能。由于PVS结构较小，在传统的1.5T、3.0T，甚至7.0TMRI中显像常不清晰。多项研究基于神经网络算法开发了一系列在预处理阶段增强PVS结构的方法，使PVS更易于识别，并与相似结构（如腔隙等）进行区分［42,43,44,45］。此外，由于不同研究所使用的MRI图像序列不完全一致，尚需明确哪些成像序列对PVS精准检测至关重要。为此，Rashid等［46］使用深度学习中的轻量级的U-Net算法，实现了在多个模态的MRI图像（T1、T2、FLAIR序列、磁敏感加权成像）上全脑范围PVS的全自动分割，并且证明T2

MRI是检测PVS最有效的序列，单独使用T2图像就能达到较好的检测性能。然而，上述算法仅应用于单中心研究，多中心研究应用受限。为实现多中心图像的自动化处理，Huang等［47］开发了名为“多中心PVS分割网络（multi-centerPVSsegmentationnetwork）”的神经网络模型，可用于从多中心3DT1加权MRI图像中分割出PVS。该程序首先在预处理阶段进行图像的偏场校正、脑提取和强度归一化，以减少不同受试者之间的图像对比度差异，然后基于人工标注的PVS数据，使用nnU-Net（no-new-Net）框架进行模型训练及优化。结果显示，模型在分割PVS方面表现出良好的准确性（平均DSC=0.80），在测试数据集及新数据集中均显示出良好的特异度及敏感度（精确率=0.81，召回率=0.79）。基于计算机处理技术的PVS全自动及半自动测量方法在提高检测精度、减少人工误差和提高研究效率方面具有显著优势，可获取数量、体积及分布等信息。但相对视觉评分，临床应用难度提高。值得注意的是，上述计算机算法虽然可实现PVS的自动化检测，但大部分研究仍需以视觉评估或手动分割的结果作为参照标准来评价检测性能。组建包含更多PVS分割真值的标准化参照影像数据库或有助于未来更为稳健、有效的测量算法的开发。三、PVS定量评估在临床中的应用（一）PVS评估与CSVD病因诊断PVS是CSVD的重要影像标志物之一，虽不具特异性，但PVS的分布位置对疾病的病因具有提示作用［7］。CSVD相对常见的类型包括脑淀粉样血管病（cerebralamyloidangiopathy，CAA）及高血压相关CSVD。既往相关研究基于视觉评估及计算机算法评估的结果均显示，以基底节为主的PVS分布模式在高血压相关CSVD患者中常见，而半卵圆中心PVS则是CAA的重要影像特征［4，48］。Charidimou等［4］采用视觉评定量表对315例CAA相关脑出血及137例高血压相关脑出血患者的半卵圆中心及基底节PVS进行评分，研究发现，重度半卵圆中心PVS（定义为PVS>2分，即单侧半球半卵圆中心PVS>20个）在CAA相关脑出血患者中的患病率显著高于高血压相关脑出血患者（43.8%比17.5%，P<0.001），且与CAA的其他影像标志物，如脑叶微出血（OR=1.33，95%CI

1.10~1.61，P=0.003）及皮质浅表含铁血黄素沉积（OR=2.08，95%CI

1.30~3.32，P=0.002）显著相关。最新版的CAA诊断标准（Boston2.0）将重度半卵圆中心PVS（单侧半球半卵圆中心PVS>20个）作为CAA的非出血性影像标志物纳入到了诊断标准中［49］。相较于Boston1.5诊断标准，加入PVS等非出血性影像标志物的更新版诊断标准在存在临床症状的验证队列（包含自发性脑出血、认知障碍或一过性局灶性神经发作）中呈现更高的诊断准确性［49］，而在无临床症状或仅有认知损害的CAA患者中，诊断的敏感度及特异度较低［50］。修订版诊断标准提高了合并自发性颅内出血的患者中很可能的CAA（probableCAA）诊断的敏感度（0.75比0.57），而特异度无明显下降（0.96比0.99）［51］。但对于合并颅内出血且根据Boston2.0标准诊断为很可能的CAA的患者，其复发性脑出血风险远低于根据先前Boston1.5标准诊断为很可能CAA的患者，提示更新后的标准可能对于CAA复发出血风险预测能力有所下降［52］。使用个体化的CAA影像标志物（如皮质浅表铁沉积）进行颅内出血复发风险评估或有助于弥补该缺陷［51］。除PVS数量外，CAA患者半卵圆中心PVS相对体积也显著高于非CAA患者［4，29，48］。近年来的研究还发现，CAA患者存在较多近皮质PVS［19，53］，且其负荷与病理提示的CAA的严重程度呈显著相关性［19］。半卵圆中心PVS体积及近皮质PVS在CAA中的诊断意义仍有待未来更多研究进一步阐释。此外，PVS的负荷对CAA的严重程度也有提示意义。Charidimou等［54］结合分子影像，发现淀粉样蛋白负荷（使用11C-匹兹堡化合物B-PET测量）与半卵圆中心PVS严重程度之间存在显著关联。组织病理研究证实，影像可见的PVS严重程度可准确反映组织病理学上的PVS严重程度，且与同一血管上方皮质中CAA的严重程度相关［55］。（二）PVS负荷与认知损害PVS与认知障碍之间的关联性尚存在争议。在横断面研究中，Cai等［34］及Niazi等［35］基于计算机算法的全脑PVS定量评估发现，轻度认知障碍及阿尔茨海默病（Alzheimer′sdisease，AD）患者的PVS负荷（分布密度及数量）显著高于健康对照。然而，Gertje等［17］通过视觉评估发现，AD患者半卵圆中心、基底节及海马的PVS严重程度与AD的相关生物标志物，包括脑脊液中Aβ42、总tau蛋白、磷酸化tau蛋白、神经炎性标志物和淀粉样蛋白沉积（使用18F-flutemetamolPET测量），均无显著相关性，提示PVS在AD中的临床价值有限［17］。此外，Hilal等［56］纳入5项社区人群横断面研究进行Meta分析，也未发现任何部位的PVS与认知相关。纵向研究结果也不一致。Zhu等［57］基于大样本社区人群的前瞻性队列研究发现，基线时严重白质区及基底节区PVS（视觉评分4级）均与患者痴呆发生风险显著相关，且基底节PVS可能加速特定认知域衰退。这一发现随后被两项独立前瞻性研究［58,59］所验证。Jeong等［60］进一步报道，基线时半卵圆中心PVS数量越多，AD患者认知下降速度越快，且两者的关联独立于淀粉样蛋白负荷。然而，Barisano等［38］基于10004例的队列数据分析发现，基线时PVS数量较少及直径较大与更高的痴呆发生风险相关，提示PVS形态学特征可能具有独立预测价值。此外，PVS分