通过连续场和矢量流量模拟缺血性中风病理动力学
Liuxi Chu1,2, Ying Wang3, Zhijin Li4
1National Key Laboratory of Macromolecular Drugs and Large-scale Preparation, School of Pharmaceutical Sciences, Wenzhou Medical University, Wenzhou, Zhejiang, China. clx0605@wmu.edu.cn.
NPJ digital medicine
|January 16, 2026
概括
StrokeFlow是一种新的深度学习方法,可以准确地将缺血性中风区域绘制为连续场,改善小病变的检测,并提供比传统的二进制面具更详细的信息.
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:
- 在扩散权重MRI (DWI) 中精确地定位 perfusion 缺陷对于管理急性缺血性中风至关重要.
- 当前的深度学习模型产生离散的二进制面具,失去关键的损伤内部信息,并且无法代表缺血损伤的连续性.
研究的目的:
- 引入StrokeFlow,这是一个用于将缺血区域表示为连续场的新框架.
- 开发一个基于坐标的网络,生成一个平滑的缺血密度场,用于 voxel-level 心脏病发作概率.
- 结合一个向量流量头,以使用显微扩散系数 (ADC) 地图梯度来建模 perfusion deficit 的方向性.
主要方法:
- 开发了一个新的基于坐标的深度学习网络 (StrokeFlow).
- 训练网络以输出连续的缺血密度场.
- 实现了由ADC地图的负梯度监督的矢量流头.
主要成果:
- 在ISLES 2022数据集上,StrokeFlow实现了优异的损伤边界精度,在95%的豪斯多夫距离中显著超过了基线.
- 该模型在检测小型和多焦点缺血病变时表现出更高的灵敏度.
- 与离散细分相比,连续现场表示提供了更具生物学可信性和可解释性的结果.
结论:
- 对于缺血性中风的评估,StrokeFlow将范式从离散细分转变为连续的,功能意识的领域.
- 该框架为评估急性缺血性中风中 perfusion 缺陷提供了一个更加细致和临床价值的工具.
- 这种方法提高了基于MRI的中风分析的精度和可解释性.


