背景
在发病时能够识别急性梗死灶及其程度对急性缺血性脑卒中（AIS）患者的治疗是非常重要的。大面积梗死的患者从溶栓或机械取栓术中获益的可能性较小。
目的
本研究 旨在利用非强化CT检查建立能够评价AIS患者急性梗死灶及其体积的自动计算方法。
材料与方法
本研究收集了AIS患者（发病到CT检查＜6小时）的非增强CT图像，所有患者均在AIS发病后1小时内行扩散加权（DW）MRI检查。以人工勾画缺血性脑梗死灶体积作为参考标准。建立包含机器学习（ML）的自动分割方法来识别脑梗死灶。随机选择157例经人工勾画DW MRI图像梗死病灶的非增强图像进行训练和验证ML模型，剩余100例患者作为独立组进行测试。利用Bland-Altman plots和pearson相关性分析定量比较ML算法与参考标准（DW MRI）的差异。
结果
在100例测试组，基线时非增强CT检查时间为发病后中位数48分钟；基线MRI检查时间为CT检查后38分钟。算法检查病变体积与参考标准人工勾画病变体积具有相关性。在算法分割体积与DW MRI显示病变体积的平均差异为11ml。
结论
利用机器学习算法自动分割非增强CT图像脑梗死体积与扩散加权MRI检查中脑梗死体积具有良好的一致性。
原始出处：
Qiu W, Kuang H, Teleg E. et al. Machine Learning for Detecting Early Infarction in Acute Stroke with Non-Contrast-enhanced CT. DOI:10.1148/radiol.2020191193
作者：shaosai
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#缺血性脑梗死#
45
#缺血性脑#
41
#缺血性#
31
#脑梗#
29
#机器#
43