神经网络衍生的灌注图：一种用于急性缺血性卒中患者计算机断层扫描灌注的无模型方法
图像与视频处理
2021-01-18 v1 计算机视觉与模式识别
摘要
目的：在本研究中，我们探讨卷积神经网络（CNN）能否在急性缺血性卒中患者的临床环境中从 CT 灌注数据生成临床相关的参数图。方法：CNN 的训练在 100 个灌注数据的子集上进行，而 15 个样本用作验证。所有用于网络训练/验证以及使用最先进的去卷积算法生成真值（GT）图的数据，均先前使用标准流程进行了预处理。通过在 CNN 衍生图和 GT 图上对梗死核心与半暗带进行手动分割来进行验证。使用 Dice 系数和 Pearson 相关系数跨病灶体积评估分割病灶间的一致性。结果：两名不同评分者与 GT 图的平均 Dice 分数 > 0.70（良好匹配）。评分者间一致性也很高，并且 CNN 图与 GT 图的病灶体积间发现了强相关性（0.99，0.98）。结论：我们基于 CNN 的方法生成的临床相关灌注图可与基于数据去卷积的最先进灌注分析方法相媲美。此外，所提出的技术需要更少的信息来估计缺血核心，因此可能允许开发具有更低辐射剂量的新型灌注方案。
引用
@article{arxiv.2101.05992,
title = {Neural Network-derived perfusion maps: a Model-free approach to computed tomography perfusion in patients with acute ischemic stroke},
author = {Umberto A. Gava and Federico D'Agata and Enzo Tartaglione and Marco Grangetto and Francesca Bertolino and Ambra Santonocito and Edwin Bennink and Mauro Bergui},
journal= {arXiv preprint arXiv:2101.05992},
year = {2021}
}