使用基于深度学习的AIF与计算机断层扫描输液 (CTP) 中的临床措施相结合的核心和半阴影估计

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 脑中风诊断 脑中风诊断 脑中风诊断

背景情况:

• 精确估计缺血核心和半阴影体积对于有效的中风管理至关重要.
• 目前用于确定这些体积的方法可能受到动脉输入功能的精度的限制.
• 卷积神经网络 (CNN) 为改善复杂的医学图像分析任务提供了潜力.

研究的目的:

• 评估基于CNN的AIF在提高中风核心和半阴影的体积精度方面的有效性.
• 评估CNN-AIF衍生体积与已建立的临床中风严重程度得分之间的相关性.
• 确定CNN-AIF是否提高了急性缺血性中风患者输液成像的可靠性.

主要方法:

• 一组160名急性缺血性中风患者接受了CTP成像.
• 开发了一个CNN模型,以将原始AIF曲线与玛变量函数相匹配.
• 使用CNN-AIF计算核心和半阴影体积,随后根据NIHSS和ASPECTS得分进行验证.

主要成果:

• 据CNN AIF估计的Penumbra体积显示,与NIHSS得分有显著的正相关性 (r=0.69,p<0.001) 和与ASPECTS的负相关性 (r=-0.43,p<0.001).
• CNN AIF衍生卷准确地反映了患者的症状,特别是那些NIHSS高 (>20) 和ASPECTS低 (<5) 的患者.
• 组分析显示,CNN AIF (p<0.05) 的各种 perfusion 参数 (例如,CBF,rCBF,Tmax) 在统计学上显著增加.

结论:

• 将基于CNN的AIF纳入 perfusion 成像工作流程可以提高核心和半阴影体积估计的可靠性.
• 这些改进的估计表明与中风患者神经系统缺陷的临床指标有很强的相关性.
• CNN-AIF代表了更准确和临床相关的中风成像分析的有希望的进步.