摘要目的基于磁敏感加权成像(susceptibility-weighted imaging，SWI)图像建立深度学习算法模型分析脑浅静脉(superficial cerebral veins，SCV)形态学参数与皮层下深部白质病变(deep white matter lesions，DWML)之间的关联。材料与方法招募健康志愿者364名，所有受试者行头颅常规序列及SWI扫描。随机选取其中200名受试者的SWI图像重建得到最小密度投影(minimum intensity projection，MinIP)图像，采用深度学习算法分析MinIP图像，建立SCV形态学特征的自动量化模型。采用该模型分析剩余164名受试者双侧大脑半球SCV的血管直径、曲率等形态学参数。根据有无皮层下DWML将164名受试者分为两组，分别为有皮层下DWML组(共53人)和无皮层下DWML (non-deep white matter lesions，N-DWML)组(共111人)。采用Mann-Whitney U检验对DWML组与N-DWML组的SCV形态学参数进行分析。对差异有统计学意义的指标和皮层下深部白质病变建立二元Logistic回归模型。结果用于分析SCV形态学特征的深度学习算法模型在训练集的平均准确率为98.19%，在验证集的平均准确率为98.02%，测试集的平均准确率为98.03%。双侧大脑半球SCV的各项量化指标在年龄及受教育年限的分布中差异均无统计学意义(P＞0.05)，但在性别中分布中差异有统计学意义，表现为男性双侧大脑半球SCV血管数量均显著多于女性(右侧P=0.004，左侧P＜0.001)。DWML组和N-DWML组在双侧大脑半球的SCV直径及数量中差异均无统计学意义(P＞0.05)，DWML组的SCV曲率较N-DWML组显著增大(P＜0.001)。右侧大脑半球SCV曲率与DWML的发生呈显著正相关(回归系数为2.035，P=0.015)。结论SCV形态学改变与DWML之间存在潜在关联，SCV曲率改变可能通过影响局部血流动力学改变从而导致DWML的发生。
