ISLES'24：使用多模态影像和临床数据改善缺血性中风的最终梗死预测
内容提要
本文介绍了多种基于深度学习的医学影像分析方法，旨在提高缺血性脑卒中的诊断和治疗效果。研究提出了自动化的脑血管中心线提取框架、脑卒中损伤分割方法及预测长期护理需求的模型，显示出在准确性和临床应用潜力方面的优势，有助于改善卒中患者的早期诊断和治疗决策。
延伸解读
多模态融合提升预测精度
文章显示，结合扩散加权磁共振成像与结构化健康档案的深度融合学习网络，在预测卒中患者长期护理需求时，AUC达到0.87，准确率80.45%，超过了现有整合图像和结构化数据的模型。这表明多模态数据融合能有效提升预测性能，且扩散加权磁共振成像可与其他临床变量结合，达到可比的预测准确性，有利于临床推广。
nnUNet的启示：预处理与后处理比架构更重要
在四种深度模型的中风分割对比中，nnUNet设计最简单，却超越了纯Transformer、带注意机制的CNN及混合模型。研究强调，通过重视预处理和后处理技术，可以显著提高分割结果，其重要性甚至超过架构设计。这提示临床研究者在选择模型时，不应盲目追求复杂架构，而应优化数据预处理和后处理流程。
无灌注成像时的替代方案
文章提出从CT和CTA图像中提取预测灌注图的框架，其与4D-CTP得到的T-max灌注图具有显著空间相似性。在2110名患者中进行的体素相关性分析表明，该预测图能可靠地将症状与预期梗塞位置对应。因此，在没有4D灌注成像的情况下，预测灌注图可作为替代方法，用于研究入院后前几个小时的血液灌注，辅助治疗决策。
Q&A
如何利用深度学习提高缺血性中风的诊断效果？
通过使用深度学习算法，结合医学影像分析方法，可以实现对大血管闭塞性卒中的自动化诊断和损伤分割，从而提高缺血性中风的诊断效果。
APIS数据集的作用是什么？
APIS数据集包含急性缺血性中风患者的NCCT和ADC研究数据，旨在帮助诊断、定位和分析中风病变。
nnUNet模型在中风分割中的表现如何？
nnUNet在四种深度模型中表现最佳，强调了预处理和后处理技术的重要性，能够有效提高中风分割的准确性。
如何从CT和CTA图像中提取预测灌注图？
提出了一种框架，通过对CT和CTA图像进行处理，提取预测灌注图，该图能够可靠地将症状与预期的梗塞位置相对应。
基于扩散加权磁共振成像的模型预测长期护理需求的准确率是多少？
该模型在预测卒中患者的长期护理需求时，准确率达到80.45%。
深度学习如何实现脑卒中损伤的客观测量？
通过深度学习技术，能够高效、自动地进行脑卒中损伤的分割，并提供损伤体积和对大脑结构的加权损伤量的量化。
