背景和目的
急性缺血性脑卒中介入治疗患者的选择主要依赖于动态磁敏感对比磁共振成像(DSC-MRI)或计算机体层灌注成像(CTP)。动态磁敏感对比磁共振成像需要注射对比剂才能完成检查,而计算机体层成像灌注又会产生高电离辐射。本研究旨在建立和评估基于深度学习(DL)算法来评估3D伪连续动脉自旋标记(pCASL)检出急性缺血性脑卒中且适合性介入治疗的患者。
方法
本研究共收集了137例的167组3D pCASL图像进行神经网络训练。利用DSC-MRI评估低灌注脑区并进行标记。对DL和6种机器学习(ML)进行10倍的交叉验证。基于DEFUSE 3试验中灌注和扩散错配区域来评估介入治疗的适用性。将训练后的DL算法进一步应用于12例3DpCASL图像中。
结果
DL算法在pCSAL中能够预测DSC-MRI的低灌注区域,ROC曲线下面积为0.958,而6种ML算法的曲线下面积为0.897-0.933。对于评估患者行介入治疗的适用性,DL算法的准确性、敏感性和特异性分别高达92%、0.89和0.95。当采用GE pCASL数据集时,DL算法基于体素的ROC曲线下面积为0.94,基于个体水平的介入治疗适用性准确率达92%。
结论
本研究表明pCASL灌注磁共振成像联合DL算法对辅助制定急性缺血性脑卒中患者介入治疗决策时有帮助的。
原始出处:
Wang K, Shou Q, Ma SJ.et al. Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke. DOI: 10.1161/STROKEAHA.119.027457