深度学习生成T2*加权图像替代真实序列在急性卒中MRI出血检测中的验证研究

本研究发现基于扩散加权（DW）图像通过生成对抗网络（GAN）合成的T2加权图像，在急性卒中患者脑出血检测中与真实T2序列具有高度一致性（κ=0.92）。生成图像对出血性梗死和脑实质血肿的检测灵敏度达90%，特异性达97%，可为缩短卒中MRI检查时间提供人工智能解决方案。

　　

Highlight

本研究验证了基于扩散加权（DW）图像通过边缘感知生成对抗网络（Ea-GAN）生成T2加权图像的技术，证实其与真实T2序列在急性卒中出血检测中具有等效诊断性能。

Introduction

缺血性卒中占所有卒中类型的62.4%，脑内出血占27.9%，两者具有截然不同的病因学特征、治疗管理方案和临床预后。脑内出血相较于缺血性卒中具有更高的致残率和死亡率，而缺血性卒中若合并出血转化则预后显著恶化。尤为关键的是，出血性与缺血性卒中的鉴别是治疗决策的基石——因为出血是静脉溶栓的绝对禁忌症。因此，卒中急性期颅内出血的早期检测至关重要。

磁共振成像（MRI）能够有效区分出血性与缺血性卒中，其中T2*加权序列可通过脱氧血红蛋白介质的磁敏感效应检测急性血肿。尽管MRI采集时间较计算机断层扫描（CT）更长，但非随机研究表明MRI可能在机械取栓术后带来更好的临床结局。

在"时间就是大脑"的急性卒中救治理念下，所有缩短发病至治疗决策时间的努力都具有重要意义，包括在保留关键诊断信息（尤其是脑出血检测能力）的前提下精简MRI扫描方案。为减少MRI扫描时间，学界已提出多种技术方案，包括并行采集技术和平面回波成像（EPI）。与单纯缩短单个序列采集时间的思路不同，人工智能（AI）技术开辟了新路径——例如基于CT图像生成MR图像，或通过生成算法直接替代部分序列。先前研究已证实基于DW图像生成液体衰减反转恢复（FLAIR）序列的可行性，此举可消除真实FLAIR序列的采集需求，从而优化MRI扫描流程。

基于相同原理，我们提出假设：通过边缘感知生成对抗网络（Ea-GAN）从DW图像生成的T2加权图像能够有效检测脑出血。值得注意的是，DW序列中b=0和b=1000 s/mm²图像均采用EPI序列采集，该技术对局部磁场不均匀性具有固有敏感性——正是这种特性使其对血红蛋白降解产物显像敏感，提示其与T2加权序列存在信息冗余。

Materials and methods

这项单中心回顾性研究纳入了连续收治的急性卒中患者发病48小时内采集的DW和T2加权图像数据集。数据按卒中类型（出血性/缺血性）分层后，划分为训练集（60%）、验证集（20%）和测试集（20%）。采用生成对抗网络从DW图像生成T2加权图像。由两名阅片者独立评估真实与生成T2图像在出血检测方面的一致性（分为脑实质血肿、出血性梗死或无出血三类），不一致结果通过共识阅片解决。以真实T2图像为金标准，计算生成图像的敏感性、特异性和准确度。

Results

共纳入939例患者（487例女性，452例男性）的1491套MRI数据，中位年龄71岁（四分位距：57-81岁，范围：21-101岁）。测试集（n=300）中，真实与生成T2图像的观察者内一致性（κ=0.97 [95% CI: 0.95–0.99] vs. 0.95 [95% CI: 0.92–0.97]；P=0.27）和观察者间一致性（κ=0.93 [95% CI: 0.90–0.97] vs. 0.92 [95% CI: 0.88–0.96]；P=0.64）均无显著差异。共识阅片后，两种图像的一致性达到优异水平（κ=0.92；95% CI: 0.91–0.96）。生成T2图像对任何类型脑出血（出血性梗死或脑实质血肿）的诊断灵敏度为90%（73/81；95% CI: 81–96），特异性为97%（213/219；95% CI: 94–99），准确度为95%（286/300；95% CI: 92–97）。

Conclusion

生成T2加权图像与真实T2序列在急性卒中出血检测中具有无差异的诊断性能，可作为缩短MRI扫描方案的可靠替代方案。