生成型人工智能用于自动化脑输液映射急性缺血性中风的非对比头部计算机断层扫描图像:试点研究 试点研究
Nicholas J Primiano1, Abhinav R Changa2, Shaun Kohli3
1Department of Radiology, Mount Sinai West, One Gustave Levy Place, Box 1137, New York, NY, USA. nicholasjprimiano@gmail.com.
Journal of imaging informatics in medicine
|August 11, 2025
概括
生成型人工智能现在可以从非对比头部CT扫描中预测关键的中风 perfusion 参数,改善急性缺血性中风 (AIS) 诊断. 这种方法简化了工作流程,并扩大了对重要血液动力学数据的访问,有助于及时做出治疗决策.
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:
- 急性缺血性中风 (AIS) 需要快速再输血,但CT输血 (CTP) 有处理时间和辐射等局限性.
- 无对比头部CT (NCHCT) 在急性中风设置中广泛使用.
研究的目的:
- 探索一种生成人工智能 (AI) 方法,直接从NCHCT预测关键的输液参数 (相对脑血流[rCBF]和时间到最大[Tmax]).
- 为了简化中风成像工作流程,并扩大对关键 perfusion 数据的访问.
主要方法:
- 一个修改的pix2pix-turbo生成对抗网络 (GAN) 被开发出来,用于将NCHCT图像转化为 perfusion map.
- 在99名AIS患者的配对NCHCT-CTP数据上训练了GAN.
- 使用SSIM,PSNR和FID指标进行了绩效评估.
主要成果:
- 由GAN生成的Tmax地图实现了0.827的SSIM,rCBF地图实现了0.79的SSIM.
- 该模型表现出适度接近地面真实 perfusion 地图,并捕获了关键的血液动力学特征.
- 人工智能方法成功地从NCHCT图像中生成了功能性 perfusion 地图.
结论:
- 使用修改的GAN从NCHCT生成输液图是可行的.
- 这种跨模式的方法可以成为AIS评估的宝贵辅助,特别是在资源有限的环境中.
- 需要进一步研究更大的数据集和模型改进,以提高临床效用.
