基于域对齐的深度学习方法在急性缺血性卒中的CT/MRI影像分割上的应用

摘要

目的 基于平扫CT提出一种域对齐方法来显著提高急性缺血性卒中(AIS)的早期快速诊断能力。方法 回顾性分析南方医科大学第三附属医院神经内科和神经外科2020年1月～2022年12月收治的入院后3 d内同时接受平扫头颅CT和MRI/DWI、ADC以及T2-Flair序列扫描的AIS患者，构建了一个由318例AIS病例组成的成对CT/MRI影像数据集，分别对每一组配对的教师-学生影像特征进行归一化；再以8∶2的比例随机分为训练集和验证集。设计一种新的生成性对抗性网络来对齐特征层上的跨模式输入，将细节丰富的MRI图像中的语义知识传递到CT图像中进行AIS分割，开发了一种新的域适应算法（Our DA）。结果 与目前性能表现较优异的医学影像分割模型nnUNet相比，Our DA明显优于nnU-Net，每一层验证集之间的分割精度提升约15%。结论 本研究构建的Our DA模型基于MRI/DWI序列的影像特征并迁移到平扫头颅CT上，对平扫头颅CT上的AIS病灶具有较高的自动分割性能，有助于早期自动识别AIS病灶。

关键词

急性缺血性卒中 / 平扫头颅CT / 区域对齐 / 深度学习 / 自动分割 / nnU型网络结构