基于深度学习的急性缺血性脑卒中机械取栓术中血栓可视化技术研究

《Frontiers in Stroke》：Training a high accuracy model to visualize blood clots during mechanical thrombectomy for the treatment of Acute Ischemic Stroke

本文提出了一种基于U-Net架构的深度学习模型Clot[U]-Net，通过分析Medtronic Solitaire?支架上不透射线标记的空间排列，首次实现了机械取栓术(MT)中血栓边界的实时可视化。该模型在体外测试中达到87.9%的平均交并比(IOU)和89.9%的AUROC，为提升急性缺血性脑卒中(AIS)治疗的首过成功率提供了创新解决方案。

　　

背景

急性缺血性脑卒中（AIS）是因血管内血栓形成导致脑部血流中断的常见脑血管疾病，约占所有卒中病例的87%。对于大血管闭塞引起的AIS，机械取栓术（MT）已成为标准治疗方案。在支架取栓技术中，镍钛合金支架通过径向支撑力与血栓嵌合后将其取出。然而现行技术存在关键局限：血栓本身不具放射性，在透视成像中不可见，导致术者无法直接观察血栓边界，这可能降低取栓效率并需要多次操作。提高首过成功率对时间敏感的卒中治疗至关重要。

材料与方法

本研究创新性地利用Medtronic Solitaire?支架上铂金不透射线标记的空间排列特征，开发了名为Clot[U]-Net的深度学习模型。该模型基于U-Net架构，通过800张正位（AP）和侧位（Lateral）体外透视图像进行训练，并采用独特的训练策略：交替使用二元交叉熵和平均交并比（IOU）作为损失函数。数据集包含408组双平面透视图像，血栓采用硫酸钡标记以获取真实标签，所有图像均经过灰度转换和阈值处理生成支架标记掩膜。

结果

Clot[U]-Net在测试集上表现出优异的血栓边界预测能力，平均IOU达87.9%，AUROC为89.9%，标准差分别为2.2和3.16。统计分析显示数据符合正态分布（IOU的Shapiro-Wilk检验p=0.183，AUROC的p=0.727），95%置信区间显示结果具有统计学显著性。模型能准确识别微导管远端标记等干扰特征，在独立测试集上也保持稳定性能。

讨论

该技术首次实现基于常规透视影像的血栓可视化，无需改变现有临床流程。血栓与支架的相互作用模式可能为判断血栓成分提供新线索。相比高分辨率磁共振（HR-MRI）、多模式CT等术前影像技术，本方法具有术中实时应用的独特优势。当前模型尚需在临床环境中验证其对不同解剖结构、血栓类型和操作差异的适应性。未来通过增加标记点密度和优化布局，可进一步提升预测精度。

结论

Clot[U]-Net模型通过深度学习算法成功实现了血栓边界的精准分割，为机械取栓术提供了重要的视觉辅助工具。该技术有望通过实时三维重建提升首过成功率，未来结合术前临床验证和支架设计优化，将推动卒中介入治疗向精准化方向发展。