从CTP动态图像中合成CT输液图,使用学习的LSTM生成对抗网络进行急性缺血性中风评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 计算机断层扫描输液 (CTP) 是一种4D成像技术,用于为急性缺血性中风诊断量化大脑血流量.
• 目前的CTP分析需要手动选择动脉输入函数 (AIF),这是一个容易出错的过程,需要专家知识.
• CTP涉及对电离辐射的暴露,引发了人们对患者累积风险的担忧.

研究的目的:

• 开发一种新的深度神经网络,用于自动生成CTP地图,提高准确性和减少AIF选择错误.
• 为了减少CTP扫描时间和相关的辐射暴露.
• 为了提高从CTP数据中提取血动力学参数的精度和通用性.

主要方法:

• 实现一个端到端的深度神经网络,使用一个学习的LSTM生成对抗网络 (LSTM-GAN).
• 合成CTP图像直接生成CTP地图,绕过了AIF选择的需要.
• 将CTP时间序列从大约40个时间点减少到9个时间点.

主要成果:

• 在没有AIF选择的情况下,LSTM-GAN模型成功生成了CTP地图,在ISLES 2018数据集上实现了高精度.
• 拟议的方法在CTP地图提取中显示了提高的精度和通用性.
• 缩短扫描时间 (9张快照) 显著降低了患者的辐射暴露.

结论:

• 新的LSTM-GAN方法为急性缺血性中风中CTP分析提供了更准确,更有效和更安全的方法.
• 自动化CTP地图生成消除了错误的关键来源,并减少了对专家解释的依赖.
• 这种技术具有显著的临床转化潜力,可以改善中风诊断和患者的治疗结果,同时最大限度地降低辐射风险.