在中风中CT perfusion 参数估计,使用带有变压器和物理模型 priors 的神经网络进行估计

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• CT输液成像 (CTP) 对于急性缺血性中风管理至关重要,它可以识别可挽救的大脑组织和心脏病核心.
• 传统的CTP参数估计方法,如单数值分解 (SVD),容易受到噪声和动脉输入功能的不准确.
• 深度学习方法以前没有用于CT输液参数估计.

研究的目的:

• 引入CTPerformer-Net,这是一个基于变压器架构的新型深度学习模型,用于增强CT perfusion参数估计.
• 将物理先验集成到深度学习模型中,以提高 perfusion 参数估计的准确性和稳定性.
• 评估CTPerformer-Net与传统方法和商业软件的性能.

主要方法:

• 开发了基于变压器的深度学习模型CTPerformer-Net,用于CT perfusion参数估计.
• 将物理一致性,平滑性和物理模型先验纳入损失函数设计中.
• 在训练和验证之前使用物理模型生成模拟数据集.

主要成果:

• 与区块循环SVD相比,CTPerformer-Net在模拟数据集上表现出卓越的性能,相关系数增加了23.4%,系统错误减少了95.2%,随机错误减少了90.7%.
• 该模型成功地在来自ISLES 2018挑战数据集的103张真实CTP图像中识别了低透和心脏病发作的病变.
• 在心脏梗塞核心细分方面获得了0.36的平均子得分,略高于商业上可用的软件 (子系数:0.34).

结论:

• 在CT perfusion参数估计中,CTPerformer-Net显著优于区块循环SVD,这是模拟数据所证明的.
• 该模型的有效性通过对真实世界患者数据集的成功应用而得到证实.
• CTPerformer-Net代表了人工智能驱动的CTP分析急性缺血性中风的一个有希望的进步.