今天分享的是年3月发表在HUMANBRAINMAPPING上的文章基于深度学习所驱动的自动化ASPECTS评分在急性缺血性卒中患者颅脑CT平扫中的应用。DeeplearningderivedautomatedASPECTSonnon-contrastCTscansofacuteischemicstrokepatients。年影响因子/JCR分区：5./Q1
01
INTRODUCTION
全世界有1/6的人会有中风的概率。每年有超过万人中风，其中约80%为缺血性中风，并且导致万人死亡。中风的临床表现一般包括身体任何部位的虚弱或麻痹或感觉丧失，甚至偏瘫、失去平衡和协调能力、言语和视力障碍、严重头痛、记忆力下降、吞咽困难和不自主的眼球运动。这些不自主的动作会在CT采集中存在一定的运动伪影。
早期，对于急性脑缺血卒中患者的评估采用1/3原则，即在CT平扫图像上提示：当缺血性病变小于大脑中动脉(MCA)供应面积的1/3被认为适合溶栓治疗。现在随着ASPECTS评分提出，为在平扫上评估患者的治疗手段提高了良好的准确性。但是ASPECTS是一种主观评分系统，受到评估者的经验所影响，不同评估者之间的一致性较差。近年来，已经提出了基于机器学习的自动化ASPECTS方法，以提供基于NCCT数据的客观和快速的分数推荐。目前广泛应用的为以下几款软件：FrontierASPECTScorePrototypeV2,BrainomixeASPECTS和RAPIDASPECTS。但是这些软件受CT扫描参数的影响很大，比如重建方式以及层厚。人脑在很大程度上是对称的，比较大脑区域的左右两侧被广泛用于医学成像的临床评估。比如AD和一些退行性病变。在缺血性卒中中，受影响区域的CT外观也可能显示出不对称性，机器学习模型可以利用这些不对称性，从而有助于自动ASPECTS评分。
另外DWI在缺血性卒中评估上有着独特性，但是在我国一些卒中单元与中心尚未匹配对应的一站式DWI检查，因此CT平扫任然为一些卒中单元的评估手段。
ASPECTS评分具体方法
主要基于非强化CT平扫（NCCT），在CT影像上选取大脑中动脉（middlecerebralartery，MCA）供血区2个层面的10个区域：①核团层面(即丘脑和纹状体平面)，分为M1、M2、M3、岛叶I、豆状核L、尾状核C和内囊后肢IC7个区域；②核团以上层面(在核团水平上2cm)，包括M4、M5和M6。两者的界限为尾状核头部，在横断面CT影像中，任何位于尾状核及其以下层面的缺血性改变均定义为核团层面，而在尾状核头部层面以上的缺血性改变则定义为核团上层面。这10个区域的权重相同，都为1分。扣分的标准是“核团所属区域只要有低密度灶，则扣除该区域得分；而M1-M6区域低密度灶面积≥1/3所属区域面积时，则扣1分”。
每累及一个区域减去1分，即正常脑CT为10分，MCA供血区广泛梗死则为0分。0分提示弥漫性缺血累及整个大脑中动脉。评分＞7提示病人3个月后很有希望独立生活，而≤7提示病人不能独立生活或死亡的可能性大。
ASPECTS评分≥6分是必需条件；满足此条件及其它一些条件的急性缺血性卒中患者，推荐尽早行血管内治疗；对于ASPECTS评分＜6分的急性缺血性卒中患者，建议完善更多的影像学检查，评估侧支循环及缺血半暗带情况，指导血管内治疗方案选择。如果溶栓治疗后ASPECTS分≤7，其脑出血的危险性是评分＞7的患者14倍。ASPECTS评分对功能结果评价的敏感度为0.78，特异度为0.96。
02
CONCLUISION
在这项研究中作者提出了利用deepasymmetrynetwork(DA-Net)网络去自动评估CT平扫，并且开发了软件。这项研究的设置的对照组为CT灌注的缺血性梗死灶。脑血流量(CBF)表示动脉血输送到脑组织毛细血管床的速率，以每分钟每克组织的毫升血液为单位测量。CBF值越小，组织缺血越严重。当一个区域的CBF值下降到对侧脑组织正常脑组织的30%时，该区域的脑梗死被认为是梗死核心区。
03
METHODANDRESULT
图像处理
图像预处理阶段进行各向同性配准，随用利用分割神经网络（VB-Net）进行颅骨的去除，随后设计了一个深度不对称网络（DA-Net）来自动对每对大脑区域的ASPECTS进行评分。图像要求：在CT平扫中要左右两侧显示相同的结构区域。标准化为强度范围-1到1，面内分辨率为0.5×0.5mm^3。
模型构建：
对于模型的构建涉及到深度学习的方法加入了两个3Dpatches（矩阵为[80,,]，窗位30，窗宽50）。在建模中利用Dense-Net作为特征提取。其中Dense-Net中的denseblocks进行连接，利用二元交叉熵(BCE)损失来平衡正常区域和缺血区域。
模型验证
文章还独特性进行了组学验证分析来评估一致性。使用pyradiomics为每个区域提取组学特征，然后使用这些特征用随机森林为每个区域训练模型，以确定该区域是否为受影响的缺血区域。文章利用箱线图、Bland-Altman图和直方图，以反映自动ASPECTS和CTP之间的可变性。带有散点的箱线图表示生成的分数在基本实况上的分布，其中分布越接近y=x线，两个分数匹配得越好。Bland-Altman图显示了总自动得分与基本事实之间的一致性。它的横轴表示两种方法之间的差异，蓝线表示1.96标准差(SD)的区间。落入95%置信区间(CI)（等于[-1.96SD,1.96SD]）且平均值越接近0的数据越多，自动得分和基本事实之间的一致性就越好。直方图说明了自动分数和基本事实之间的方差频率，其中0附近的频率越高，两种方法之间的差异越小。
(a)-(d)行中两个数据集的结果。(a和c)来自主数据集和独立数据集的四个主题的可视化。对应的原始CT、预处理CT、放射组学结果、DA-Net和来自CBF的(a)和来自放射科医师标记的实际情况(c)。对于放射组学和DA-Net结果，这些实心部分代表自动检测到的缺血区域。没有辅助信息的放射组学结果参考了用于生成可视化结果的真实缺血方向。(b和d)使用主数据集和独立数据集中的测试集的统计图表。(b)和(d)的左侧是真实情况和自动估计的CTASPECTS之间的箱线图。(b)和(d)中间是Bland-Altman图。
04
HIGHLIGHT
全篇研究利用了CV处理的方式结合卷积神经网络，设计研发了基于CT平扫的结构评分并且利用组学来验证一致性。在以后研究中是否可以通过评估取栓术后DSA机器上的Dyna-CT来评估CT平扫的准确性。
预览时标签不可点收录于合集#个上一篇下一篇