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

摘要：

目的:探讨基于深度学习的快速磁敏感加权成像（SWI）评估急性缺血性卒中（AIS）的价值。方法:回顾性分析2019年1月至2021年1月在解放军总医院第一医学中心接受MR检查并行SWI序列扫描且发病24 h内的AIS患者118例，其中男75例、女43例，年龄23~100（66±14）岁。采用MATLAB的randperm函数将118例患者以8∶2的比例分为训练集96例，测试集22例。另外收集MR-STARS研究招募的同一中心的47例AIS患者作为外部验证集，其中男38例、女9例，年龄16~75（58±12）岁。将SWI图像和滤波相位图像合并为复值图像作为全采样参考图像。对全采样参考图像进行回顾性欠采样以模拟实际欠采样过程，获得欠采样SWI图像，欠采样倍数为5倍，可节省80%的扫描时间；然后基于复值卷积神经网络（ComplexNet）的深度学习模型重建快速SWI数据。采用组内相关系数（ICC）或Kappa检验比较全采样SWI和基于ComplexNet的快速SWI的图像质量评分一致性及检出AIS患者磁敏感血栓征（SVS）、微出血、深部髓质静脉（DMVs）不对称的一致性。结果:测试集中全采样SWI图像质量的评分为（4.5±0.6）分，基于ComplexNet的快速SWI图像质量评分为（4.6±0.7），两者一致性较好（ICC=0.86，
P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.79，
P<0.05）、微出血（Kappa=0.86，
P<0.05）、DMVs不对称（Kappa=0.82，
P<0.05）一致性较好。外部验证集中，全采样SWI图像质量的评分为（4.1±1.0）分，基于ComplexNet的快速SWI图像质量的评分为（4.0±0.9）分，两者一致性较好（ICC=0.97，
P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.74，
P<0.05）、微出血（Kappa=0.83，
P<0.05）和DMVs不对称（Kappa=0.74，
P<0.05）的一致性较好。
结论:深度学习技术可显著加快SWI速度，且基于ComplexNet的快速SWI与全采样SWI的图像质量及检出AIS征象的一致性好，可应用于AIS患者的影像学评估。

关键词：卒中、磁共振成像、磁敏感加权成像、深度学习

所属期刊栏目：57

资助基金：国家自然科学基金81825012，81730048，82151309，81901708;National Natural Science Foundation of China81825012, 81730048, 82151309, 81901708

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：34-40