用于改进卒中灌注分析的可微分反卷积

灌注成像是当前急性缺血性卒中分析的金标准。它可量化可挽救与不可挽救的组织区域（分别为半暗带和核心区）。在临床环境中，奇异值分解（SVD）反卷积是生成可解释且具物理意义图谱最受认可和广泛使用的方法之一。尽管该方法已在实验和临床环境中广泛验证，但其可能产生次优结果，因为模型的选定输入无法保证最优性能。对于最关键的输入，即动脉输入函数（AIF），即便该方法对此输入非常敏感，应如何及在何处选择仍存争议。本工作提出一种针对最大核心病灶分割性能优化的 AIF 选择方法。AIF 由通过可微分 SVD 反卷积优化的神经网络回归得到，旨在最大化核心病灶分割与真实数据的一致性。据我们所知，这是首个利用可微分反卷积模型与神经网络的工作。我们表明，该方法无需任何手动标注即可生成 AIF，从而避免人工评分者的影响。该方法在 ISLES18 数据集上达到人工专家水平。我们得出结论，该方法为利用深度神经网络改进灌注成像量化开辟了新可能。