基于深度学习的缺血病变标记在非对比头部CT上,与CTP和DWI相比

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
• 脑卒中成像 脑卒中成像

背景情况:

• 在急性缺血性中风中,在非对比CT (NCCT) 上量化缺血性脑组织是具有挑战性的.
• 准确的评估对于及时做出治疗决定至关重要.

研究的目的:

• 为了比较深度学习NCCT (DLNCCT) 分段与手动NCCT,CT输液 (CTP) 和扩散权重成像 (DWI) 对于急性缺血区域.
• 评估DLNCCT和其他模式之间的空间重叠和成像标记器的一致性.

主要方法:

• 训练了一个深度学习模型,在NCCT扫描上对缺血区域进行细分.
• 将DLNCCT细分与手动NCCT,CTP (rCBF<30%/38%) 和DWI进行了比较,使用子相似系数 (DSC) 和布兰德-阿尔特曼分析.
• 分析了包括体积和密度在内的关键成像标记.

主要成果:

• DLNCCT显示了0.30±0.30的空间重叠与手动细分和0.22±0.25的0.22±0.25与DWI.
• DLNCCT和DWI之间对低密度病变体积的协议很高 (一致性相关系数:0.75).
• 来自DLNCCT的成像标记显示出与CTP和DWI相比较的一致性.

结论:

• 深度学习模型可以在NCCT上有效地细分缺血性脑组织.
• 在中风患者中,DLNCCT提供了与CTP和DWI可比的准确量化.
• 这种人工智能驱动的方法有助于识别和量化NCCT上的缺血损伤.