基于生成对抗网络的卒中三阶段CT灌注参数图生成技术：低辐射剂量下的精准脑血流动力学评估

为解决传统CT灌注成像(CTP)高辐射剂量和复杂协议限制临床应用的难题，研究人员创新性开发了基于生成对抗网络(GAN)的多期CT灌注(mCTP)参数图生成技术。该研究通过仅采集动脉峰值、静脉峰值及延迟期三个关键时相的图像，成功预测出脑血流量(CBF)和达峰时间(Tmax)参数图，其结构相似性指数(SSIM)达0.921-0.971，与标准CTP计算的梗死体积组内相关系数(ICC)为0.731-0.883。这项发表于《Research》的研究为急性缺血性卒中(AIS)诊断提供了辐射剂量降低84.2%的替代方案，具有重要临床转化价值。

　　

在急性缺血性卒中(AIS)救治的"时间就是大脑"理念下，CT灌注成像(CTP)作为评估脑组织血流动力学的金标准，却面临着一个尴尬的悖论：虽然它能通过脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)和达峰时间(T_max)等参数图精准界定梗死核心与缺血半暗带，但高达5,260 mGy-cm的辐射剂量和复杂的多时相采集协议(通常需要19个时相)使其临床应用受限。更棘手的是，传统降低辐射剂量的方法——均匀减少采样时相——往往会错过关键的动脉增强峰值，导致血流参数被严重低估。与此同时，临床上广泛使用的多期CT血管造影(mCTA)虽然辐射较低，但其对比剂用量高达80ml，对肾功能不全患者存在风险，且无法直接提供定量灌注参数。这些矛盾促使研究者思考：能否像mCTA一样仅采集三个关键时相的CTP图像，通过人工智能技术"还原"出完整的灌注参数图？

来自暨南大学附属第一医院的研究团队在《Research》发表了一项突破性研究，他们开发的生成对抗网络脑灌注图生成(GAN-BPM)模型，仅需动脉输入函数(AIF)峰值期、静脉输出函数(VOF)峰值期和延迟静脉期三个时相的CTP图像(称为mCTP)，就能准确预测CBF和T_max参数图。这项研究整合了563例患者的8,445张图像作为训练集，并在三个外部数据集(西安交通大学第一附属医院、南方医科大学顺德医院和ISLES2018国际公开数据集)上验证。技术路线上，研究采用3D-2D混合卷积神经网络作为生成器，结合PatchGAN判别器，创新性地引入极端损失函数使模型聚焦梗死和高血流区域。预处理阶段通过ANTSPYX软件进行时相间配准，并采用高斯滤波进行时空降噪。

研究结果部分，"预测性能"小节显示，模型生成的CBF图与标准CTP结果视觉高度吻合，其归一化均方根误差(NRMSE)低至0.019-0.108，在测试集102例患者中，模型预测的梗死核心体积(rCBF<30%)与参考值的中位数差异仅-0.2ml。"不同时相组合的性能"部分揭示，当时相选择在理想时相±2秒范围内波动时，模型仍保持良好预测能力，但超过4秒时精度明显下降。与传统的块循环奇异值分解(bSVD)算法相比，"GAN-BPM与bSVD模型对比"数据显示，前者在T_max图预测上的NRMSE(0.046±0.002)显著优于后者(0.182±0.030)，且梗死体积的Spearman相关系数(SCC)从0.586提升至0.818。

"外部测试集表现"部分验证了模型的泛化能力：在西安交大数据集上，梗死核心体积的ICC达0.883，但在扫描协议不同的顺德医院数据集上降至0.731，提示设备差异对模型性能的影响。"定性图像分析"中，两位神经放射科医师采用3分制评分证实，模型生成图像的诊断质量平均分>2.7分，与标准CTP参数图相当。

讨论部分指出，该研究的创新性在于首次将mCTA的时相选择理念应用于CTP，通过深度学习绕过了传统去卷积算法的计算复杂性。临床意义上，mCTP将辐射剂量降至标准CTP的15.8%，且对比剂用量减半，这对需要重复检查的患者和肾功能不全者尤为重要。局限性在于模型对大面积缺血病灶的预测精度下降，且未整合ASPECTS评分等临床参数。未来可通过纳入多中心数据和临床指标进一步提升模型鲁棒性。这项研究为卒中影像诊断提供了"少即是多"的范式——更少的辐射、更简单的协议，却能获得与传统方法相当的诊断信息，标志着人工智能在医学影像领域从"替代人力"向"优化流程"的跨越。