论文部分内容阅读
第一章饱和脉冲参数调制磁共振成像在急性脑卒中患者中的初步研究目的:初步探究饱和脉冲参数调制(length and offset varied saturation,LOVARS)磁共振成像(magneticresonanceimaging,MRI)在检出和鉴别急性缺血性脑卒中与急性脑出血方面的应用价值。方法:前瞻性连续收集了发病24小时内的11位急性缺血性脑卒中受试者和9位急性脑出血受试者的计算机体层摄影(computed tomography,CT)、常规MRI、LOVARS MRI和临床数据。所有急性缺血性脑卒中受试者经CT或磁共振(magnetic resonance,MR)弥散加权成像(diffusion weighted imaging,DWI)确诊,所有急性脑出血受试者经CT或MR磁敏感加权成像(susceptibility weighted imaging,SWI)确诊。2位神经影像医生各自独立测量缺血性脑卒中病变、脑出血病变与镜像区正常脑白质的LOVARS MRI实部分量值。采用配对样本t检验比较缺血性脑卒中病变与镜像区正常脑白质、脑出血病变与镜像区正常脑白质的LOVARS MRI实部分量值,采用独立样本t检验比较缺血性脑卒中病变与脑出血病变的LOVARS MRI实部分量值,均以P<0.05为差异有统计学意义。结果:11位急性缺血性脑卒中受试者病变的LOVARS MRI实部分量值显著低于镜像区正常脑白质的LOVARS MRI实部分量值,9位急性脑出血受试者病变的LOVARS MRI实部分量值显著高于镜像区正常脑白质的LOVARS MRI实部分量值,急性脑出血病变的LOVARS MRI实部分量值显著高于急性缺血性脑卒中病变的LOVARS MRI实部分量值(所有P<0.01)。结论:LOVARS MRI能够同时检出并鉴别急性缺血性脑卒中与急性脑出血,为实现急性脑卒中的一站式检查提供了可能。第二章 绝对定量磁共振灌注成像在缺血性脑卒中患者中的初步研究目的:初步探究绝对定量动态磁敏感对比增强自校准平面回波灌注加权成像(self-calibrated echo planar imaging perfusion weighted imaging,SCALE-PWI)在定量缺血性脑卒中患者脑血流动力学变化方面的应用价值。方法:前瞻性收集了 14位缺血性脑卒中受试者的常规MRI、SCALE-PWI和临床数据。SCALE-PWI检查采用高压注射器以4 mL/s的流速依次注射单剂量(0.1 mmol/kg)钆对比剂(Magnevist,Berlex,Montville,NJ,USA)和20mL生理盐水。随后,在线自动后处理生成定量脑血流(quantitative cerebral blood flow,qCBF)图和定量脑容量(quantitative cerebral blood volume,qCBV)图。2位神经影像医生各自独立测量低灌注区、缺血核心区与镜像区的qCBF和qCBV,并计算缺血半暗带区与镜像区的qCBF和qCBV。采用配对t检验、威尔科克森符号秩检验、受试者工作特征曲线等方法进行统计学分析,均以P<0.05为差异有统计学意义。结果:14位缺血性脑卒中受试者低灌注区、缺血核心区、缺血半暗带区的qCBF和qCBV均低于镜像区正常脑白质的相应值(所有P<0.05),缺血核心的qCBF和qCBV均低于缺血半暗带的相应值(qCBF平均值分别为:16.42 mL/100g/min和21.54mL/100g/min,P=0.013;qCBV平均值分别为:1.23 mL/100g和 1.47mL/100g,P=0.049)。缺血核心qCBF的最佳临界值为18.18 mL/100g/min,缺血半暗带qCBF的最佳临界值为28.09 mL/100g/min。结论:不同于以往的半定量灌注成像,SCALE-PWI能够在短时间内检测缺血性脑卒中患者的绝对定量血流动力学信息,有助于识别缺血核心和缺血半暗带,具有指导制定个体化治疗方案的潜力。第三章 缺血性脑卒中深度学习工具:急性缺血性脑卒中缺血核心分割与预后预测目的:开发一套新的三维全自动评估缺血性脑卒中的人工智能工具,用于分割缺血核心及预测预后,有助于提高分割的精确度。方法:2019年回顾性收集了麻省总医院收治的1205例经MR DWI确诊的急性缺血性脑卒中患者作为研究对象。本试验利用手动标注数据开发并训练深度卷积神经网络,采用改良的U-Net神经网络模型进行深度卷积神经网络训练,同时整合多种网络结构训练集成模型。采用曼-惠特尼U检验测试集的S(?)rensen-Dice相似系数评估U-Net模型和集成模型的性能,采用组内相关系数评估手动分割体积与自动分割体积的一致性,均以P<0.05为差异有统计学意义。结果:最佳算法是三维4 Inception U-Nets集合模型,其S(?)rensen-Dice相似系数的中位数是0.737。手动标注和自动标注体积计算具有高度一致性,相关系数为0.977。模型对腔隙性脑卒中(平均梗死核心体积为0.155 mL)及位于皮质、深层白质的缺血性脑卒中识别能力较弱。自动体积计算具有预测缺血性脑卒中90天预后的潜力。结论:基于深度学习的全自动脑卒中分割工具能够准确分割缺血核心,具有广阔的临床应用和科学研究前景。