一种深度学习方法,用于量化中风中CT perfusion 参数
Wanning Zeng1, Yang Li2, Jeff L Zhang1
1School of Biomedical Engineering, ShanghaiTech University, Shanghai, People's Republic of China.
Biomedical physics & engineering express
|April 7, 2025
概括
这项研究引入了一种基于变压器的新型网络,用于计算机断层扫描输液 (CTP) 成像,提高了急性缺血性中风评估中大脑血流 (CBF) 和玻尿酸到达延迟 (BAD) 估计的准确性.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 计算机断层扫描输液 (CTP) 图像对急性缺血性中风的评估至关重要.
- 像单数值分解 (SVD) 这样的传统方法在参数估计准确性方面面临挑战,包括振荡和低估.
- 全球动脉输入函数 (AIF) 的使用可能导致错误的生理参数计算.
研究的目的:
- 开发一种先进的方法,从CTP图像中准确估计生理参数.
- 在CTP分析中解决传统SVD方法的局限性.
- 提高中风患者中CTP的诊断和治疗效率.
主要方法:
- 开发了一个基于变压器的神经网络来分析CTP图像中的voxel-wise时间特征.
- 该网络使用全球AIF和脑组织度时间曲线 (CTC) 作为输入.
- 它估计了局部AIF和流量尺度的残留函数,从而能够计算大脑血流 (CBF) 和球体到达延迟 (BAD).
主要成果:
- 拟议的方法在对模拟数据进行本地AIF (R=0.97 ± 0.04),CBF (误差4.95毫升/100克/分钟) 和BAD (误差0.51秒) 的估计中显示出高准确度.
- 与SVD方法相比,变压器网络显著减少了估计错误,并避免了SVD观察到的CBF低估10-15%.
- 患者数据分析证实,在正常和缺血组织中,新方法的CBF估计值显著更高.
结论:
- 开发的基于变压器的方法从CTP数据准确地估计了当地AIF和 perfusion参数.
- 这种方法比传统的SVD方法在急性缺血性中风中进行CTP分析时有显著的改进.
- 提高准确性有可能提高CTP在诊断和管理缺血性中风方面的作用.
更多相关视频
10:31Non-invasive Imaging and Analysis of Cerebral Ischemia in Living Rats Using Positron Emission Tomography with 18F-FDG
Published on: December 28, 2014
13.8K
09:59A Magnetic Resonance Imaging Protocol for Stroke Onset Time Estimation in Permanent Cerebral Ischemia
Published on: September 16, 2017
14.0K
