Research Progress in Imaging Radiomics Based on Computed Tomography and Magnetic Resonance in Ischemic Stroke
-
摘要:
缺血性脑卒中也称为脑梗死，是由复杂原因引起的脑组织供血紊乱，造成梗死部位不可逆性损伤的一种疾病。根据我国第六次人口普查显示，2018年我国约有194万人死于卒中，严重影响我国居民健康。随着我国人口老龄化的不断加剧，预计在未来十几年内，中风将持续影响人类健康。影像学检查方法是确诊疾病和评估预后不可或缺的重要手段。近年来，人工智能（AI）和影像组学（radiomics）广泛应用医疗行业，其中，卷积神经网络（CNN）应用较多，尤其在缺血性脑卒中的影像诊断中体现出明显的优越性，效率远远超于人工阅片。本文基于CT和磁共振的影像组学在缺血性脑卒中的研究进展进行综述。
Abstract:Ischemic stroke, also known as cerebral infarction, is a disorder impacting the blood supply to the brain tissue due to complex reasons, resulting in irreversible damage to the infarct site. According to China's sixth census, approximately 1.94 million individuals died of a stroke in 2018. With the increasing age of the Chinese population, stroke is expected to continue affecting human health in the coming decade. Imaging examination is an indispensable means to diagnose the disease and evaluate its prognosis. In recent years, artificial intelligence and radiomics have been widely used in the medical industry, among which convolutional neural network is more prevalent. Mainly, it has shown obvious superiority in the imaging diagnosis of ischemic stroke, and its efficiency is far higher than manual film reading. This article reviews the research progress of imaging omics based on computed tomography (CT) and magnetic resonance in ischemic stroke.
-
Keywords:
- tomography /
- X-ray computer /
- magnetic resonance imaging /
- radiomics /
- ischemic stroke
-
缺血性脑卒中在全球范围内都有较高的发病率，截止到2019年，我国40岁以上人群曾经患病或现在正在发病人数约为1704万[1]，占所有卒中患者的80％ 左右[2]，医学影像在该疾病的诊断中具有举足轻重的地位。
目前磁共振成像（magnetic resonance imaging，MRI）在缺血性脑卒中的应用较为广泛，弥散加权成像(diffusion weighted imaging，DWI)和FLAIR序列可准确评估缺血性脑卒中，灌注成像（perfusion-weighted imaging，PWI）和DWI的联合应用可以诊断缺血半暗带，动脉自选标记（arterial spin labeling，ASL）可以对溶栓前后的血流灌注进行对比。影像组学和人工智能的应用为缺血性脑卒中的诊断开辟了新的研究方向。通过机器阅片，识别肉眼无法识别的病灶，不依赖经验诊断，降低了误诊率；通过建立预测模型实现对发病时间的诊断、颅内大血管闭塞的诊断、梗死病灶的自动划分、缺血半暗带和侧枝循环的评估、出血转化风险的预测、治疗效果以及神经功能长期预后的评估等。既往的研究主要集中在MRI方面的应用中，计算机断层扫描（computed tomography，CT）作为急诊常规检查方式，在缺血性脑卒中的应用研究较少。
本文将重点对基于CT的深度学习和影像组学在缺血性脑卒中的研究进展进行综述。
1. 深度学习与影像组学
人工智能是一项模拟人类思考过程、学习能力和知识提取的计算机技术[3]。近年来被广泛应用于医疗行业中。它的最大价值是可以总结患者大量的临床资料，进行拟合、优化，并将特征与经过优化的拟合模型进行比较，帮助临床医生治疗决策[4]；目前已在日常诊断工作中应用[5-6]。
深度学习作为人工智能的分支之一[7]，采用多层人工神经网络来模拟人脑，适用于解决无规律、难以用数学方法描述或需处理大量参数的问题，是目前应用较多的技术之一[5]。
影像组学概念在2012年被提出和定义[8]，源于“放射”（意为医学图像）和“组学”（意为基因组学和蛋白质组学）的结合，通过计算机技术将医学图像转换为大量的数据，从中进行特征提取、分析、评估，使医学图像中更深层次的信息被充分展现，由此对疾病进行更全面的分析和预测。相较于目前的影像诊断方法，影像组学可识别影像医生肉眼无法识别的内部特征，且不依赖医生主观经验判断，能够更全面、更客观对病灶进行分析判断，为疾病的诊疗提供科学依据，已经成为一个强有力的医学诊断工具。
2. 梗死病灶的识别
我国是卒中大国，且卒中的健康成本继续增长[1]。CT平扫（non-contrast computed tomography，NCCT）是急诊条件下诊断急性缺血性脑卒中首选的快捷成像方式，可以排除多数颅内出血性病变（溶栓的绝对禁忌症）。在缺血性脑卒中的超急性期，依靠影像医生在NCCT图像中准确识别病灶非常困难，因此将人工智能应用在CT平扫中，实现对梗死病灶的自动识别成为学者们研究的内容。
Lo等[9]对96名患者的573张图片和121名正常人的681张图片进行研究，设计深度卷积神经网络模型（deep convolutional neural networks，DCNN），经过不断的研究测试，可以实现在紧急情况下快速分诊和治疗，曲线下面积（area under the curve，AUC）>0.98，证实了该研究的可行性。同样，Qiu等[10]开发了另一种在 NCCT中检测急性缺血性脑卒中病变的模型，该模型自动识别的结果与放射科医生肉眼识别的病灶具有很好的一致性。Wu等[11]对此进行了验证，并证实了深度学习还可以识别NCCT图像中病灶与正常组织之间更深层的、影像医生无法识别的特征，对病灶进行描绘和量化，可为临床做出精准的治疗决策提供指导。Kumar等[12]基于CT平扫和CT灌注（computed tomography perfusion imaging，CTP）分别建立CNN模型，它使用结合Focal Tversky和二元交叉熵损失函数的训练策略来克服类别不平衡问题。该模型仅包含4个分辨率步骤，总共11个卷积层。所提出的模型在DSC精度、召回率和绝对体积差方面实现了较高的性能。该模型可以作为临床医生和放射科医生加快治疗决策的选择和有效检测中风的工具。
Alberta卒中项目早期CT评分（alberta stroke program early CT score，ASPECTS），是一种基于CT平扫影像表现来评估缺血性脑卒中早期梗死范围的定量评估方法，是临床中常用的评估方法。但其有较强的主观性，评价过程中会产生误差。Kuang等[13]开发了一个基于ML的自动化评分系统，并将其与专家在DWI上的评估进行比较，结果证实其准确可靠。另有学者[14]对基于在NCCT建立ASPECTS自动化评分模型进行验证，总共评估了602次扫描，包括6020个区域，结果显示自动化方法的准确率为81.25％，特异度为86.56％，灵敏度为61.13％，特异度为86.56％，在评估性能上接近了中风专家。荆利娜等[15]将基于CT的自动ASPECTS与基于DWI的自动ASPECTS评分进行研究对比，发现两者评分系统一致性较高，提示了基于NCCCT自动ASPECTS评分法可以作为一种自动评估方法应用于临床中，节省时间的同时提高了诊断的准确性。
影像组学在影像诊断缺血性脑卒中方面有较强的实用性，随着研究的逐渐深入，有望将人工智能与CT平扫结合逐步应用于实践中，快速在患者发病超急性期识别病灶，可以帮助和支持医生分析急性缺血性脑卒中患者的脑部影像表现，且对于早期缺血性脑卒中患者的特征判断能力不弱于临床专家，可以帮助患者争取最佳治疗时间，提高患者生存率。
3. 梗死核心的自动检测与分割
梗死核心的评估对患者预后至关重要。吴亚平等[16]基于DWI图像提出级联VB-Net分割模型，实现了对急性缺血性脑卒中梗死核心的自动分割和容积计算，且结果与影像医生的分割结果有很好的一致性。虽然CT检查更为方便快捷，但它不能检测早期梗死的显著变化。Lu等[17]开发一种深度学习模型，以识别NCCT中的早期隐匿性AIS，并评估其诊断性能和辅助放射科医生决策的能力，深度学习模型由两个用于定位和分类的深度卷积神经网络组成。模型和放射科医生的性能通过受试者特征曲线下面积（AUC）、灵敏度、特异性和准确度值（95％ 置信区间）进行评估。该模型的AUC远高于两名经验丰富的放射科医生（内部验证队列为65.52％ 和59.48％；外部验证队列为64.01％和64.39％）。其参考过该模型之后再次进行评估，两名放射科医生在外部验证队列患者中的准确率从62.00％ 和58.67％ 提高到92.00％ 和84.67％。El-Hariri等[18]同样尝试在NCCT中识别早期缺血性病灶，建立CNN模型，证实在NCCT图像上，感兴趣区域和正常区域之间存在一些深层图像特征差异。所提出的卷积神经网络模型可以很好地抓住这些特征，并利用它们来有效地识别和定位病灶。
更多学者基于CT利用深度学习与影像组学对梗死核心的自动分割进行了深入的研究。Sales等[19]、Qiu等[10]利用CNN尝试在NCCT中实现对急性缺血性脑卒中梗死病灶的分割，随后将结果与基于DWI获得的梗死病灶体积进行对比，二者之间一致性很高，组内相关系数（intraclass correlation coefficient,ICC）达到0.88（ICC最佳为1）。Tuladhar等[20]利用CNN模型基于NCCT对病灶进行自动检测的结果与专家评估结果比较，二者之间没有显著差异；Wu等[11]使用了一种 ML的方法对CT平扫中的病灶进行分割，同样证实了该方法的准确性；李晓庆等[21]利用U-net算法也证实了这一点；Kasasbeh等[22]设计了一种新的方式，基于CT灌注图像（CT perfusion，CTP）数据的人工神经网络预测梗死核心，灵敏度和特异度分别为0.87和0.91，提出了AI与CTP相结合自动评估梗死核心的新途径。
还有一些学者研究利用深度学习结合计算机断层血管造影（computed tomography angiogram，CTA）和CTP来对梗死核心进行分割，同样显示了很好的效果[23]。越来越多的研究证实深度学习与影像组学的结合不仅可以实现在CT平扫中识别梗死病灶，同时可以对梗死核心进行检测。
4. 颅内大血管闭塞（large vessel occlusion，LVO）的自动识别
高密度血管征（hyperdense vessel sign，HDVS）是急性缺血性脑卒中CT平扫的特异表现之一，即患侧大脑中动脉密度高于正常的一侧，通常提示大脑中动脉闭塞。数字剪影血管造影（digital subtraction angiography，DSA）仍然是当前评价血管侧支循环的金标准[24]。
DSA应用仍有一定的局限性，CTA是目前诊断斑块的常用手段，昝芹等[25]讨论证实了颅内血管中不稳定斑块的存在和缺血性脑卒中二者之间关系密切，很多学者尝试将软件识别与人工识别相结合。Rodrigues等[26]设计了一种AI算法，对610例缺血性脑卒中患者进行预测分析，显示该算法对于颈内动脉末端和大脑中动脉M1段闭塞的诊断敏感度、特异度和准确度分别为87.6％、88.5％ 和87.9％，证实了人工智能可以快速准确的识别颅内血管的闭塞。You等[27]构建了一种诊断模型（包括逻辑回归、随机森林、SVM等），将NCCT平扫图像和临床基本信息结合，随后对300例患者进行验证，获得了较高的诊断效能（AUC为0.847）。研究还发现，通过深度学习的模型还可以在NCCT上预测血栓长度，以CTA为参考标准，其灵敏度和特异度可与训练有素的神经放射科医生相媲美[28]。Shinohara等[29]选取了39例HDVS阴性和35例HDVS阳性的患者的图像，基于影像组学构建ML模型进行分析研究，结果显示模型的预测准确度要高于影像医师，影像医师参考过ML模型后再进行诊断，准确度由78.8％提升至84.7％，AUC达0.932。由此可见，AI可以辅助影像医生进行诊断，并且可以提高诊断的准确性。Liew等[30]开发的一种CNN模型用在多期CTA中检测LVO，通过使用CTA的3个时相组合进行实验，证实该模型能够检测颅内大血管是否存在闭塞，并通过在多期CTA中使用延迟相位提高了诊断性能。国内同样承认深度学习在医疗诊断中的价值，但在脑血管病智能化研究中的设计过程中需要进一步进行规范化[31]。通过将AI与CTA检查技术的结合，在无需DSA检查的条件下，提高了诊断的准确性，降低了患者的检查风险，实现了目前影像医生尚不能完成的诊断，并能及时通知救援团队，从而能够快速决策是否灌注治疗或需要对患者进一步治疗。
目前针对于颅内血管的研究集中在前循环中，对于后循环的研究也是诸多学者们今后研究的重点。
5. 在缺血性卒中磁共振成像中的应用
相较于CT平扫，深度学习与影像组学在磁共振中的研究与应用更加广泛，尤其在预测患者发病时的研究中，学者们研究建立诸多模型应用于磁共振的不同序列中，并取得一定成果。姜亮等[32]基于DWI、FLAIR、DWI+FLAIR图像的卷积神经网络模型应用于预测脑卒中患者的发病时间，准确度明显高于影像医生判读的结果，其中多序列模型（DWI+FLAIR）预测结果的准确度最高。同时，郭静丽等[33]对181例脑卒中患者进行研究，采用ITK-SNAP对188例患者DWI和FLAIR图像上对应的急性梗死区域进行分割，进行影像组学特征提取，分析显示该模型预测患者发病时间敏感度和特异度均高于人工识别结果。Kim等[34]在此基础上提出利用深度学习的U-net模型在DWI与表观弥散系数（apparent diffusion coefficient，ADC）的基础上对梗死病灶进行评估，实现了对梗死病灶面积的自动评估。Bentley等[35]建立了两个U-net模型：基于DWI和ADC数据训练的U-net（DWI+ADC）模型和仅基于DWI数据训练的U-net（DWI）模型。结果显示（DWI+ADC）模型与手动分割的组内相关系数最高，有望逐步应用于临床诊断中。段祺等[36]通过ComplexNet（复值卷积神经网络）实现了快速SWI数据的准确重建，能够实现快速SWI，并且与SWI在诊断方面具有较好的一致性。
缺血性脑卒中会对认知功能和运动功能产生影响，因此，对脑卒中患者预后的预测也尤为重要，帮助医生选择最优治疗决策，从而减少卒中额外的并发症。Rehme等[37]利用功能 MRI发现了一种神经影像学标志物，与卒中运动障碍相关，在此基础上建立预测模型，对40名急性脑卒中患者和20名对照受试者进行实验，证实该模型可以预测有无手部运动障碍的准确度高达88％，证实了多变量fMRI分析提供了作为功能损害标志物的潜力。Chauhan等[38]提出基于一种CNN的学习方法，用于预测脑卒中患者语言障碍的严重程度，成功预测了患者语言障碍的严重程度。Li等[39]利用深度学习模型实现了对缺血性脑卒中患者获得相关性肺炎的预测，灵敏度达81.0％。
将AI与多种磁共振检查序列结合，实现了影像医生尚不能实现的诊断。但是目前AI用于MRI的研究中尚且有一定的局限性。首先，AI在识别陈旧性病变方面，其准确性还需要进一步提高。其次，AI的应用于临床实践中有一定的挑战性，磁共振检查时间长，需要患者较高的医从性，而AI模型又需要收集大量样本的数据，且经过训练后才能获得稳定的效能，成为实践的又一个难点。另外，AI的准确性还需要进行验证，这需要投入大量的人力和时间，成为临床实践的另一难点。
6. 小结与展望
随着技术手段的成熟和研究的深入，关于缺血性脑卒中的影像评估已经取得了非常多的成果，基于CT的深度学习与影像组学的结合为缺血性脑卒中的诊断带来了新的思路与方向，已经应用于梗死病灶识别、梗死核心的自动分割与检测、颅内大血管闭塞的自动识别、ASPECTS自动化评分等方面。然而在现有条件下有很多不足需要在未来进行更加深入的研究，在缺血性脑卒中方面的研究相较于MR仍略显逊色，比如对于发病时间不明确的患者，判断是否进行溶栓治疗仍存在困难；此外，还面临着日益复杂的数据处理和有限的人力资源配置问题。
随着深度学习与医学影像的结合和广泛应用，会使缺血性脑卒中的评估手段更加全面，结果更加详细、准确，可更好地服务临床，为患者提供更加个体化的治疗方案。
-
[1] 王陇德, 彭斌, 张鸿祺, 等. 《中国脑卒中防治报告2020》概要[J]. 中国脑血管病杂志, 2022,19(2): 136−144. DOI: 10.3969/j.issn.1672-5921.2022.02.011. WANG L D, PENG B, ZHANG H Q, et al. Brief report on stroke prevention and treatment in China, 2020[J]. Chinese Journal of Cerebrovascular Diseases, 2022, 19(2): 136−144. DOI: 10.3969/j.issn.1672-5921.2022.02.011. (in Chinese).
[2] 宗宁宁, 张思源, 谭逸, 等. 近10年中国缺血性卒中治疗和预防进展[J]. 国际脑血管病杂志, 2022,30(12): 881−889. DOI: 10.3760/cma.j.issn.1673-4165.2022.12.001. ZONG N N, ZHANG S Y, TAN Y, et al. Progress in diagnosis, treatment and prevention of ischemic stroke in China in recent 10 years[J]. International Journal of Cerebrovascular Diseases, 2022, 30(12): 881−889. DOI: 10.3760/cma.j.issn.1673-4165.2022.12.001. (in Chinese).
[3] UDDIN M, WANG Y, WOODBURY-SMITH M. Artificial intelligence for precision medicine in neurodevelopmental disorders[J]. NPJ Digital Medicine, 2019, 2(1): 1−10. doi: 10.1038/s41746-018-0076-7
[4] BIVARD A, CHURILOV L, PARSONS M. Artificial intelligence for decision support in acute stroke: Current roles and potential[J]. Nature Reviews Neurology, 2020, 16(10): 575−585. doi: 10.1038/s41582-020-0390-y
[5] JACQUES T, FOURNIER L, ZINS M, et al. Proposals for the use of artificial intelligence in emergency radiology[J]. Diagnostic and Interventional Imaging, 2021, 102(2): 63−68. doi: 10.1016/j.diii.2020.11.003
[6] HOWARD J. Artificial intelligence: Implications for the future of work[J]. American Journal of Industrial Medicine, 2019, 62(11): 917−926. doi: 10.1002/ajim.23037
[7] ZAHARCHUK G, GONG E, WINTERMARK M, et al. Deep learning in neuroradiology[J]. American Journal of Neuroradiology, 2018, 39(10): 1776−1784. doi: 10.3174/ajnr.A5543
[8] LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis[J]. European Journal of Cancer, 2012, 48(4): 441−446. doi: 10.1016/j.ejca.2011.11.036
[9] LO C M, HUNG P H, LIN D T. Rapid assessment of acute ischemic stroke by computed tomography using deep convolutional neural networks[J]. Journal of Digital Imaging, 2021, 34(3): 637−646. DOI: 10.1007/S10278-021-00457-Y.
[10] QIU W, KUANG H, TELEG E, et al. Machine learning for detecting early infarction in acute stroke with non-contrast-enhanced CT[J]. Radiology, 2020, 294(3): 638−644. doi: 10.1148/radiol.2020191193
[11] WU G, CHEN X, LIN J, et al. Identification of invisible ischemic stroke in noncontrast CT based on novel two-stage convolutional neural network model[J]. Medical Physics, 2021, 48(3): 1262−1275. doi: 10.1002/mp.14691
[12] KUMAR A, GHOSAL P, KUNDU S S, et al. A lightweight asymmetric U-Net framework for acute ischemic stroke lesion segmentation in CT and CTP images[J]. Computer Methods and Programs in Biomedicine, 2022, 226: 107157. DOI: 10.1016/j.cmpb.2022.107157.
[13] KUANG H, NAJM M, CHAKRABORTY D, et al. Automated ASPECTS on noncontrast CT scans in patients with acute ischemic stroke using machine learning[J]. American Journal of Neuroradiology, 2019, 40(1): 33−38. doi: 10.3174/ajnr.A5889
[14] KUANG H, QIU W, NAJM M, et al. Validation of an automated ASPECTS method on non-contrast computed tomography scans of acute ischemic stroke patients[J]. International Journal of Stroke, 2020, 15(5): 528−534. doi: 10.1177/1747493019895702
[15] 荆利娜, 高培毅, 杜万良, 等. 自动ASPECTS评分法在急性缺血性卒中早期影像评估中的应用价值[J]. 中国卒中杂志, 2021,16(5): 463−469. DOI: 10.3969/j.issn.1673-5765.2021.05.008. JING L N, GAO P Y, DU W L, et al. The value of automated ASPECTS scoring in imaging assessment of early ischemic changes in acute ischemic stroke[J]. Chinese Journal of Stroke, 2021, 16(5): 463−469. DOI: 10.3969/j.issn.1673-5765.2021.05.008. (in Chinese).
[16] 吴亚平, 方婷, 魏焕焕, 等. 级联VB‑Net分割模型用于急性缺血性脑卒中患者扩散加权成像中缺血核心分割的研究[J]. 中华放射学杂志, 2022,56(1): 25−29. DOI: 10.3760/cma.j.cn112149-20210415-00373. WU Y P, FANG T, WEI H H, et al. Segmentation of core infarct in acute ischemic stroke in diffusion weighted imaging using cascaded VB-Net[J]. Chinese Journal of Radiology, 2022, 56(1): 25−29. DOI: 10.3760/cma.j.cn112149-20210415-00373. (in Chinese).
[17] LU J, ZHOU Y, LV W, et al. Identification of early invisible acute ischemic stroke in non-contrast computed tomography using two-stage deep-learning model[J]. Theranostics, 2022, 12(12): 5564-5573.
[18] El-HARIRI H, SOUTO MAIOR NETO L A, CIMFLOVA P, et al. Evaluating nnU-Net for early ischemic change segmentation on non-contrast computed tomography in patients with acute ischemic stroke[J]. Computers in Biology and Medicine, 2022, 141: 105033. DOI: 10.1016/j.compbiomed.2021.105033.
[19] BARROS R S, TOLHUISEN M L, BOERS A M, et al. Automatic segmentation of cerebral infarcts in follow-up computed tomography images with convolutional neural networks[J]. Journal of Neuro Interventional Surgery, 2020, 12(9): 848−852.
[20] TULADHAR A, SCHIMERT S, RAJASHEKAR D, et al. Automatic segmentation of stroke lesions in non-contrast computed tomography datasets with convolutional neural networks[J]. IEEE Access, 2020, 8(8): 94871−94879.
[21] 李晓庆, 王可欣, 额·图娅, 等. 利用 U-net算法在头CT平扫图像上分割脑梗死的初步探究[J]. 放射学实践, 2022,37(6): 669−675. DOI: 10.13609/j.cnki1000-0313.2022.06.001. LI X Q, WANG K X, E T Y, et al. A preliminary study of cerebral infraction segmentation on CT images based on U-Net algorithm[J]. Radiologic Practice, 2022, 37(6): 669−675. DOI: 10.13609/j.cnki1000-0313.2022.06.001. (in Chinese).
[22] KASASBEH A S, CHRISTENSEN S, PARSONS M W, et al. Artificial neural network computer tomography perfusion prediction of ischemic core[J]. Stroke, 2019, 50(6): 1578−1581. doi: 10.1161/STROKEAHA.118.022649
[23] SHETH S A, LOPEZ-RIVERA V, BARMAN A, et al. Machine learning-enabled automated determination of acute ischemic core from computed tomography angiography[J]. Stroke, 2019, 50(11): 3093−3100. doi: 10.1161/STROKEAHA.119.026189
[24] 周运锋, 董立军, 杨晨, 等. 动态CTA对非时间窗内前循环脑缺血患者侧枝及血流状态的评估[J]. 放射学实践, 2018,33(3): 259−264. DOI: 10.13609/j.cnki.1000-0313.2018.03.007. ZHOU Y F, DONG L J, YANG C, et al. Study of dynamic CT angiography in the assessment of collateral circulation and blood perfusion in patients with anterior circulation cerebral ischemic patients without time window[J]. Radiologic Practice, 2018, 33(3): 259−264. DOI: 10.13609/j.cnki.1000-0313.2018.03.007. (in Chinese).
[25] 昝芹, 陈晓荣, 杨文琼. 颈动脉粥样硬化斑块与急性缺血性脑卒中的相关性研究[J]. CT理论与应用研究, 2023,32(1): 105−112. DOI: 10.15953/j.ctta.2022.039. ZAN Q, CHEN X R, YANG W Q. Correlation between carotid atherosclerotic plaques and acute ischemic stroke[J]. CT Theory and Applications, 2023, 32(1): 105−112. DOI: 10.15953/j.ctta.2022.039. (in Chinese).
[26] RODRIGUES G, BARREIRA C M, BOUSLAMA M, et al. Automated large artery occlusion detection in stroke: A single-center validation study of an artificial intelligence algorithm[J]. Cerebrovascular Diseases, 2022, 51(2): 259−264. doi: 10.1159/000519125
[27] YOU J, TSANG A C O, YU P L H, et al. Automated hierarchy evaluation system of large vessel occlusion in acute ischemia stroke[J]. Frontiers in Neuroinformatics, 2020, 14: 13. doi: 10.3389/fninf.2020.00013
[28] WEYLAND C S, PAPANAGIOTOU P, SCHMITT N, et al. Hyperdense artery sign (HAS) in patients with acute ischemic stroke-Automated detection with artificial intelligence driven software[J]. Frontiers in Neurology, 2022, 13: 563.
[29] SHINOHARA Y, TAKAHASHIN, LEE Y, et al. Development of a deep learning model to identify hyperdense MCA sign in patients with acute ischemic stroke[J]. Japanese Journal of Radiology, 2020, 38(2): 112−117. doi: 10.1007/s11604-019-00894-4
[30] LIEW S L, ANGLIN J M, BANKS N W, et al. A large, open source dataset of stroke anatomical brain images and manual lesion segmentations[J]. Scientific Data, 2018, 5(1): 1−11. doi: 10.1038/s41597-018-0002-5
[31] 中国医师协会放射医师分会. 基于深度学习脑血管病智能影像检测规范化研究设计的中国专家建议[J]. 中华放射学杂志, 2023,57(1): 17−26. DOI: 10.3760/cma.j.cn112149-20211225-01146. Chinese Association of Radiologists. Chinese expert recommendations on the standardization of study design of deep learning-based automatic imaging detection in cerebrovascular disease[J]. Chinese Journal of Radiology, 2023, 57(1): 17−26. DOI: 10.3760/cma.j.cn112149-20211225-01146. (in Chinese).
[32] 姜亮, 周蕾蕾, 艾中萍, 等. 基于DWI和FLAIR的深度学习预测急性脑卒中发病时间[J]. 中华放射学杂志, 2021, 55(8): 811-816. DOI: 10.3760/cma.j.cn112149-20201027-01187. JIANG L, ZHOU L L, AI Z P, et al. Prediction of the onset time of acute stroke by deep learning based on DWI and FLAIR[J]. 2021, 55(8): 811-816. DOI:10.3760/cma.j.cn112149-20201027-01187. (in Chinese).
[33] 郭静丽, 彭明洋, 王同兴, 等. 基于DWI和FLAIR的机器学习预测急性脑卒中发病时间的研究[J]. 磁共振成像, 2022,13(3): 22−25, 42. DOI: 10.12015/issn.1674-8034.2022.03.005. GUO J L, PENG M Y, WANG T X, et al. The study of machine learning based on DWI and FLAIR in the prediction of onset time of acute stroke[J]. Chinese Journal of Magnetic Resonance Imaging, 2022, 13(3): 22−25, 42. DOI: 10.12015/issn.1674-8034.2022.03.005. (in Chinese).
[34] KIM Y C, LEE J E, YU I, et al. Evaluation of diffusion lesion volume measurements in acute ischemic stroke using encoder-decoder convolutional network[J]. Stroke, 2019, 50(6): 1444−1451. doi: 10.1161/STROKEAHA.118.024261
[35] BENTLEY P, GANESALINGAM J, JONES A L C, et al. Prediction of stroke thrombolysis outcome using CT brain machine learning[J]. NeuroImage: Clinical, 2014, 4(C): 635−640.
[36] 段祺, 段曹辉, 周世擎, 等. 基于深度学习的快速磁敏感加权成像评估急性缺血性卒中[J]. 中华放射学杂志, 20233,57(1): 34−40. DOI: 10.3760/cma.j.cn112149-20220615-00515. DUAN Q, DUAN C H, ZHOU S Q, et al. Application of fast susceptibility weighted imaging based on deep learning in assessment of acute ischemic stroke[J]. Chinese Journal of Radiology, 20233, 57(1): 34−40. DOI: 10.3760/cma.j.cn112149-20220615-00515. (in Chinese).
[37] REHME A K, VOLZ L J, FEIS D L, et al. Identifying neuroimaging markers of motor disability in acute stroke by machine learning techniques[J]. Cerebral Cortex, 2015, 25(9): 3046−3056. doi: 10.1093/cercor/bhu100
[38] CHAUHAN S, VIG L, DE FILIPPO DE GRAZIA M, et al. A comparison of shallow and deep learning methods for predicting cognitive performance of stroke patients from MRI lesion images[J]. Frontiers in Neuroinformatics, 2019, 13: 53. doi: 10.3389/fninf.2019.00053
[39] LI X, WU M, SUN C, et al. Using machine learning to predict stroke-associated pneumonia in Chinese acute ischaemic stroke patients[J]. European Journal of Neurology, 2020, 27(8): 1656−1663. doi: 10.1111/ene.14295
-
期刊类型引用(1)
1. 顾正宇，赖菲菲，耿辰，王希明，戴亚康. 基于知识引导的缺血性脑卒中梗死区分割方法. 浙江大学学报(工学版). 2025(04): 814-820 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 344
- HTML全文浏览量: 256
- PDF下载量: 85
- 被引次数: 1
下载:
