目的研发一种可使用较少减影影像生成高精确度、高稳定性的动脉自旋标记(ASL)灌注影像的深度学习算法。材料与方法使用卷积神经网络(CNN)作为深度学习算法,以使ASL影像生成来自于成对减法(pair-wise subtraction)。真实的灌注影像来自于6或7个成对相减的影像的平均值。该成对影像来自于(1)7名正常受试者常规的、假性连续的ASL图,(2)114例不同疾病病人的Hadamard编码假性连续ASL图。CNN经过训练可以从较小的(2或3个)减法影像中生成灌注影像,并通过交叉验证来评估。来自于病人数据库的CNN也在26例独立的卒中病人数据集中进行了验证。通过配对t检验和/或Wilcoxon秩检验,将CNN与传统的平均方法学进行比较,包括:均方误差、放射评分。结果对于交叉试验健康受试者、病人和单独测试曾经历了一次卒中的病人(P<0.001),均方误差约低于传统均值法的40%。脑卒中区域的兴趣区(ROI)分析显示,与传统的平均法相比,CNN脑血流图的均方误差较小[(19.7±9.7)m L/(100 g·min)∶(43.2±29.8)m L/(100 g·min),P<0.001]。通过放射评分证实CNN噪声和运动抑制和/或分割伪影优于传统的平均法。结论与传统的平均法生成ASL影像相比,CNN法获得的灌注影像质量更好,灌注测量更准确。