简介:摘要目的探讨基于深度学习的快速磁敏感加权成像(SWI)评估急性缺血性卒中(AIS)的价值。方法回顾性分析2019年1月至2021年1月在解放军总医院第一医学中心接受MR检查并行SWI序列扫描且发病24 h内的AIS患者118例,其中男75例、女43例,年龄23~100(66±14)岁。采用MATLAB的randperm函数将118例患者以8∶2的比例分为训练集96例,测试集22例。另外收集MR-STARS研究招募的同一中心的47例AIS患者作为外部验证集,其中男38例、女9例,年龄16~75(58±12)岁。将SWI图像和滤波相位图像合并为复值图像作为全采样参考图像。对全采样参考图像进行回顾性欠采样以模拟实际欠采样过程,获得欠采样SWI图像,欠采样倍数为5倍,可节省80%的扫描时间;然后基于复值卷积神经网络(ComplexNet)的深度学习模型重建快速SWI数据。采用组内相关系数(ICC)或Kappa检验比较全采样SWI和基于ComplexNet的快速SWI的图像质量评分一致性及检出AIS患者磁敏感血栓征(SVS)、微出血、深部髓质静脉(DMVs)不对称的一致性。结果测试集中全采样SWI图像质量的评分为(4.5±0.6)分,基于ComplexNet的快速SWI图像质量评分为(4.6±0.7),两者一致性较好(ICC=0.86,P<0.05);全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS(Kappa=0.79,P<0.05)、微出血(Kappa=0.86,P<0.05)、DMVs不对称(Kappa=0.82,P<0.05)一致性较好。外部验证集中,全采样SWI图像质量的评分为(4.1±1.0)分,基于ComplexNet的快速SWI图像质量的评分为(4.0±0.9)分,两者一致性较好(ICC=0.97,P<0.05);全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS(Kappa=0.74,P<0.05)、微出血(Kappa=0.83,P<0.05)和DMVs不对称(Kappa=0.74,P<0.05)的一致性较好。结论深度学习技术可显著加快SWI速度,且基于ComplexNet的快速SWI与全采样SWI的图像质量及检出AIS征象的一致性好,可应用于AIS患者的影像学评估。