脑组织净水摄取率在急性缺血性卒中诊断和治疗中应用的研究进展

我国卒中发病呈现年轻化趋势,恶性脑水肿是大血管闭塞(LVO)性急性缺血性卒中(AIS)的严重并发症,与不良预后高度相关。现有的主观和定性的脑水肿预测指征包括大脑中动脉高密度征、基线梗死体积较大和治疗不及时等。近年来,脑组织净水摄取率(NWU)及其衍生的与时间呈(非)线性关系参数的提出为临床提供了缺血脑组织吸水量的定量信息,作为病理生理学和影像标志物可反映脑组织水肿程度并用于区分AIS发病时间窗,反映病变区侧支循环状态,并可进一步预测血管内治疗后水肿进展、恶性脑水肿(MCE)的发生、量化治疗效果和预后。目前,国内外学者对于NWU的研究相对较少,且多聚焦于NWU在MCE中的应用,现就脑水肿的形成机制、现有脑水肿的预测方法、NWU在AIS诊断及治疗中的优势和研究进展进行综述,旨在为NWU在AIS中的应用提供参考。

基于深度学习分割模型的脑出血CT图像自动分割研究

目的实现基于人工智能深度学习方法的脑出血患者CT图像血肿区域自动分割,并评估后处理算法对分割结果的优化效果。方法回顾性分析吉林大学第一医院2018年4月至2020年8月脑出血患者的影像资料,按照纳排标准纳入416例患者的CT图像进行研究,按照比例7∶3随机分为训练集291例和测试集125例。将患者CT图像进行图像预处理、摆正、去骨后,采用本研究提出的深度学习分割网络ADUNET进行训练,实现血肿区域的自动分割。最后使用后处理算法对分割结果进行进一步优化,并通过Dice系数、Hausdorff-Distance(HD)系数等评价指标进行对比分析。结果对比其他两种主流分割网络,本研究提出的ADUNET网络在该数据集上得到了最好的分割结果(平均Dice系数为0.895,平均HD系数为11.62),并且验证了后处理算法可以进一步优化分割结果,提高分割精度(平均Dice系数为0.899、平均HD系数为11.33)。结论本研究提出的ADUNET分割网络与后处理算法可以实现基于CT图像的脑出血区域自动分割及优化,该方法可提高诊断效率、优化诊断流程,具有较高的临床应用价值。