AIFNet：基于深度学习的灌注分析自动血管功能估计
图像与视频处理
2022-04-27 v1 计算机视觉与模式识别
摘要
灌注成像在急性缺血性卒中中对于量化可挽救的半暗带与不可逆受损的核心病灶至关重要。因此，它有助于临床医生决定最优的再灌注治疗方案。在灌注CT成像中，反卷积方法用于获得具有临床可解释性的灌注参数，以识别脑组织异常。反卷积方法需要选择两个参考血管功能作为模型输入：动脉输入功能(AIF)与静脉输出功能，其中AIF是最关键的模型输入。人工选择血管功能耗时费力、可重复性较差且依赖专业人员经验。这导致半暗带与核心病灶的量化可能不可靠，从而可能损害治疗决策过程。本工作中，我们利用AIFNet实现灌注分析的自动化，这是一种全自动且端到端可训练的深度学习方法来估计血管功能。不同于以往使用聚类或分割技术选择血管体素的方法，AIFNet直接在血管功能估计上进行优化，从而能更好地识别时间曲线轮廓。在公开ISLES18卒中数据库上的验证表明，AIFNet在血管功能估计及随后通过反卷积获得的参数图和核心病灶量化上达到了评分者间性能。我们得出结论：AIFNet具有临床转化潜力，可集成于灌注反卷积软件中。
引用
@article{arxiv.2010.01617,
title = {AIFNet: Automatic Vascular Function Estimation for Perfusion Analysis Using Deep Learning},
author = {Ezequiel de la Rosa and Diana M. Sima and Bjoern Menze and Jan S. Kirschke and David Robben},
journal= {arXiv preprint arXiv:2010.01617},
year = {2022}
}
备注
Preprint submitted to Elsevier