作者：张思磊，朱作磊，丁轶芬，杜妲，靖雄飞，仙桃市第一人民医院神经外科
传统血肿周围水肿体积计算主要通过几何模型（如ABC/2 公式）及CT、MRI 影像的目测分析，但受限于水肿形态不规则性、血肿-水肿边界模糊性及影像层厚误差，其测量一致性与准确性受限。
近年来，随着影像学技术和计算模型进步，精确的脑水肿体积计算方式配合有效的研究方法，为病理机制研究、治疗策略优化与预后评估提供重要支持。本文就血肿周围水肿的体积计算技术进展，从检测方法学革新与算法优化路径方面展开讨论，以期为精准医学时代脑出血继发性损伤管理提供理论支持。
1. 血肿周围水肿检测方法
目前应用最广泛的血肿周围水肿检测方式是影像学检查，如MRI、CT，还有经颅多普勒、近红外成像技术、分子标志物检测脑水肿与利用
研究表明：脑水肿在CT 图像的显示清晰度和边界辨识度均逊于MRI，导致不同医师对同一患者的脑水肿体积评估结果存在显著差异，这导致检查结果可信度下降。因此，开发基于CT 影像、具备快捷性和可重复性的半自动或人工智能全自动水肿体积计算方法，逐渐成为研究热点。
2. 血肿周围水肿常见计算参数
脑出血后血肿周围水肿的体积量化指标主要分为静态参数与动态参数。静态参数中，绝对水肿体积（absolute edema volume，AEV）通过三维影像分割技术直接量化水肿组织的空间占位（单位：ml），而相对水肿体积（relative edema volume，REV）定义为AEV 与初始血肿体积（hematoma volume，HV）的比值（REV=AEV/HV），用于评估水肿对血肿的继发性扩展程度。
在此基础上衍生的动态评估指标，包括水肿体积增长速率（edema growth rate，EGR）与水肿扩展距离（edema extension distance，EED），二者可共同揭示血肿周围水肿的时空演变特征。EGR 计算：通过连续影像学检查（间隔时间Δt，通常为24~72 h）获取AEV变化量（ΔAEV），计算方式EGR=ΔAEV/（AEV₀ × Δt）（AEV₀为基线水肿体积）或EGR = ΔAEV/（HV₀ × Δt）（HV₀为基线血肿体积）。EED测量：基于影像学层面，EED定义为水肿边界至血肿边缘的最大径向距离（单位：mm），或采用平均Hausdorff 距离（mean hausdorff distance，MHD）量化整体扩散范围。
通过精准测量上述指标，可为血肿周围水肿的病理机制解析及个体化治疗提供可靠的量化参数。
3. 血肿周围水肿体积计算方式
3.1 通过间接征象估算水肿体积
脑水肿最密切相关的临床症状是颅内压升高，临床表现为
同时，由于脑组织具有顺应性，脑组织体积也可依据顺应性进行调节。因此，在脑水肿早期，当机体能够进行自我调节时，颅内压并没有显著升高，只有当脑水肿到临界点时才会打破颅内压自我调节，此时颅内压会急剧上升，进而出现典型临床症状。正是由于颅内压具有自我调节的特点，将脑水肿程度直接等同于颅内压升高情况是不准确的，早期轻度水肿可能并未引起颅内压升高；对于老年患者而言，由于存在不同程度脑萎缩，颅腔内压力代偿更充分；对于婴幼儿来说，由于颅腔尚未闭合，此时代偿能力仍较强，仅依靠颅内压监测难以发现水肿的存在。
也有报道脑水肿严重程度直接采用血肿周围水肿带厚度进行评估，这一方法虽然比较直观，但缺点非常明显，水肿层厚度不均匀，并非厚度均一的圆环，简单运用平均厚度代表水肿体积非常不合理，仅能进行简单比较，无法得出准确体积。SUN等使用中线移位情况来研究水肿体积，这种做法偏差可能更大，因为中线偏移不仅取决于水肿，也取决于血肿体积。
3.2 运用公式测量水肿体积
对于颅内
但这样计算存在较大误差，一方面公式本身存在一定误差，在一项肿瘤体积评估实验中，PRIONAS 等发现运用ABC/2 公式计算肿瘤体积与实际肿瘤体积存在较大误差，CT 扫描层面越薄或肿瘤体积越大，计算结果越准确；另一方面，由于ABC/2 公式是在假定病灶为椭球形的基础上演算而来，但实际情况下，病灶大多为非规则形状，使用ABC/2 公式计算会造成误差。
由于脑组织各个区域灰质与白质分布情况不同，水肿并不是均匀向病灶四周扩散，而是呈指状向四周扩散，简单用两个体积进行减法运算，会再次造成较大误差。除此之外，还有改良球缺体积计算公式V=π/6×k×[b1 （3ac/4+b1）+b2 （3ac/4+b2）]，其中，k 为层厚，b1和b2为两个球缺的高度。这种方法比多田公式更准确，但计算相对复杂。体视学法基于卡瓦列里原理，通过随机抽样的方式计算体积，适用于不规则形状的血肿；公式为：V=a（P）×ΣP×h 其中，a（P）为测点相当的面积，ΣP为落于血肿上的测点总数，h 为层厚。
3.3 基于软件血肿周围水肿体积的计算方法
随着计算机应用技术进步，图像处理软件逐渐被应用于医学影像领域。
借助软件计算血肿周围水肿体积，相比于公式法更准确，是目前各项研究中应用最广泛的血肿周围水肿体积计算方式。URDAY等借助医学影像分割的经典图像处理软件（ImageJ），通过逐层手动勾画CT 影像中的水肿区域，以单层面积与层厚相乘获得各层水肿体积，最终通过累加总和得到水肿总体积。这一做法相比于公式法更准确，但需消耗大量时间和精力，限制其大规模应用于临床。
受水肿与血肿或正常脑组织具有不同灰度这一原理启发，研究者将同一脑出血患者近乎同一时间的CT 和MRI 扫描图像进行拟合，利用MRI 图像勾勒出水肿区域并对CT 图像进行对比标记，由此准确得出脑水肿的CT 单位阈值范围。而后运用专业软件（如3D Slicer、Analyze 等）将符合血肿周围水肿阈值的图像区域逐层自动勾描，再将各层水肿区域相加得出完整的水肿轮廓和体积。
半自动化的水肿区域模型构建与体积计算，相对于单纯公式计算及纯手工描绘，在提高准确度的同时也节约大量时间成本，尽管可能使用软件不同，但研究共同点在于合理使用CT 阈值进行水肿区域勾画，进而重建水肿模型及计算血肿体积。但临床中血肿与水肿阈值并不固定，血肿阈值会随着时间推移而降低，水肿阈值随着时间变化也会变化，损伤的脑组织在一定时间内会液化进而在CT 上难以与血肿周围水肿区分，还会由于术中使用的人工材料使血肿腔与血肿周围水肿难以辨别，甚至是术区渗液进入血肿腔亦会增加分辨难度。因此仅依靠阈值计算水肿体积亦不可靠。
随后也出现一些补充处理，如URDAY 等选取比健侧大脑更低密度区域以及规定血肿周围区域内为有效值。此外，由于每一幅CT 图像有一定层厚，将这些CT 图像逐层累加后会发现边缘并非光滑连续，与实际情况明显不符，该缺陷毫无疑问会影响水肿体积计算。除此之外，还有利用区域增长算法进行水肿与血肿体积分割，简言之，该算法从某个像素出发，按照特定准则逐步合并灰度值、颜色或纹理特征相似的邻近像素，当满足停止条件时终止，最终计算体积。
BARDERA等使用这一算法进行水肿区域分割，发现其可较好重复手动分割结果，但相较于手动分割，耗时却显著增加。因此基于区域增长算法的半自动分割应用并不广泛。
3.4 人工智能与血肿周围水肿量化计算
卷积神经网络（convolutional neural networks，CNN）及其衍生架构全卷积网络（fully convolutional networks，FCN）的引入，推动医学影像分析从经验驱动向数据驱动的模式转变，深度学习在医学图像分类及自动分割上面的应用，为血肿周围水肿体积的自动计算提供新的方式。
CNN因受限于固定尺寸输入及全连接层结构，难以实现任意尺寸医学图像的端到端像素级分割任务。FCN通过以卷积层替代全连接层并引入反卷积上采样模块，突破这一限制，显著提升医学图像分割的精度与灵活性。DHAR 等首次将FCN架构应用于血肿周围水肿的体积计算，该模型在包含320 例幕上型脑出血患者的CT 影像数据集上进行训练，结果显示其自动分割结果与金标准人工勾画间具有高度一致性（Dice 相似系数DSC=0.89±0.05），且在外部队列验证中保持稳定性能（DSC=0.86±0.07）。
值得注意的是，FCN特有的像素级预测能力使其能够精确捕捉水肿边界的细微梯度变化（MHD=2.3 mm），较传统多田公式法（MHD=5.7 mm）提升超过57%。这一突破性进展为血肿周围水肿自动化定量分析提供可靠的新范式。IRONSIDE等基于深度学习技术开发一种全自动血肿周围水肿量化算法，该研究采用FCN对360 例幕上型脑出血患者的连续CT 影像进行训练与验证；通过交叉验证队列分析发现，该算法在出血区域分割中表现出优异性能（DSC=0.90），其血肿周围水肿体积测量结果与人工勾画法呈现显著一致性（组内相关系数ICC=0.92）。值得注意的是，相较于传统半自动阈值分析法（如Analyze Pro 软件介导的阈值分割），全自动算法显著缩短处理时间至单次扫描4min，且在排除脑室内出血干扰后，血肿周围水肿分割精度（DSC=0.57）达到与人工评估相当的可靠性水平（评分者间DSC=0.57）。
该研究通过多中心验证证实，全自动算法在消除人工测量主观偏差与提升大样本研究可行性方面具有重要应用价值，为动态监测血肿周围水肿演变提供高效工具。为进一步提高效率，在FCN基础上开发出一种全新的网络架构称之为U-Net，其具有更好特征融合能力，是近期用于医学图像分割的算法之一，其结构包括编码器、解码器以及跳跃连接。编码器部分通过卷积和下采样提取特征，解码器部分上采样并结合跳跃连接恢复空间信息，这样能保留更多细节。
通过对图像进行压缩路径与拓展路径处理，可实现对图形不同区域分割从而计算体积。在U-Net基础上衍生一系列算法，其中nnU-Net 是优秀拓展之一，已广泛用于各类医学影像分割处理。其核心创新表现在自动化预处理与数据适配，能够自动调整图像灰度以适应不同模态（CT 或MR），同时还可动态化配置网络架构，根据数据维度以及分辨率选用最优架构。除此之外，nnU-Net 可调用多种模型，大幅度提升鲁棒性，自动去除小连通区域（假阳性）或填充孔洞，提升分割结果的一致性。
基于这些优点，nnU-Net 无需手动调整参数，且在不同任务间能够保证最佳实践使用。ZHAO 等开发出基于nnU-Net 的脑出血患者深度模型，利用300 例病例进行训练，经额外的80 例患者验证该模型可准确、快速提供血肿体积及水肿体积容量分析。但在应对较小体积血肿时，由于水肿体积较小，可能导致计算结果低于实际值；在大量出血时，有可能存在水肿范围扩大的情况。还有诸多机器学习完成血肿周围水肿测量的模型，其共同特点是基于语义分割，首先提取图片特征，然后将输出的全连接层换成全卷积层，最后使用上采样+多层叠加方式得到分类结果。
前期通过引入大规模数据集训练模型，其原理是基于血肿、血肿周围水肿及正常脑组织影像特征差异，进行自动识别与分割。近期机器学习与人工智能进入高速发展阶段，越来越多人工智能实现与医学的交叉应用，影像数据具有储存格式的一致性，能够很好被计算机分析，实现医学影像分割。将大数据模型植入影像处理平台，人工智能通过高效分割、多模态数据融合和动态预测，显著提升脑出血后水肿体积计算的精度与临床实用性。未来需进一步推动跨中心协作、标准化数据采集及实时诊疗系统的开发，以实现从影像分析到治疗决策的全链条优化。
4. 小结与展望
血肿周围水肿的病理机制及其定量评估研究，近年已成为脑出血领域的关注重点。作为继发性脑损伤的关键标志物，血肿周围水肿的精准量化不仅为临床预后评估提供客观依据，更可揭示潜在的治疗靶点。当前，基于CT 影像的血肿周围水肿体积计算主要依赖阈值分割技术，通过半自动或自动软件实现水肿体积量化。然而，现有方法仍面临技术瓶颈：其一，水肿区域与周围正常脑组织或血肿液化分界不清，导致计算机自动分割的准确性受限；其二，CT 成像分辨率和对比度不足可能引入误差，影响定量结果的可靠性。
针对上述挑战，未来研究需从以下方向突破：①人工智能算法的深度整合：结合医师临床经验与深度学习模型，优化水肿边界的识别算法，提升血肿周围水肿与近似低密度区域的区分能力。②多模态影像技术的协同应用：开发融合CT、MRI（如T2WI/FLAIR 序列）及功能成像（如CT 灌注）的多参数评估体系，弥补单一影像的局限性。③结合病理机制精准干预：结合血肿周围水肿形成的阶段性特征（如细胞毒性水肿与血管源性水肿的动态演变），探索针对炎症通路级联反应及血脑屏障修复的靶向治疗策略。
从单一影像评估到多学科交叉的精准医学工具，血肿周围水肿体积计算正逐步迈向高效化与实用化。未来需进一步融合病理机制解析、人工智能算法优化及新型成像技术开发，构建“机制-影像-临床-科研”四位一体的研究框架，为血肿周围水肿个体化诊疗提供全面解决方案。
来源：张思磊,朱作磊,丁轶芬,等.脑出血后脑水肿体积定量计算研究进展[J].中国微侵袭神经外科杂志,2025,29(04):244-248.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
