7月18日，医学影像分析领域顶级期刊Medical Image Analysis (影响因子11.15) 发表了本实验室在脑卒中病人CT灌注图像中病灶自动分割方面的工作“Automatic Ischemic Stroke Lesion Segmentation from Computed Tomography Perfusion Images by Image Synthesis and Attention-Based Deep Neural Networks”。该工作利用基于深度学习的图像生成和分割算法，实现CT灌注图像中脑卒中病灶的准确定位和勾画，为急性脑卒中的精确诊断和治疗决策提供定量依据。

    脑卒中俗称中风，是一种常见的急性脑血管疾病，具有发病率高、死亡率高和致残率高的特点，是我国人口主要死亡原因之一，也是中国成年人残疾的首要原因。脑卒中分缺血性和出血性卒中，其中缺血性卒中占脑卒中总数的75%以上，是由于脑部血管阻塞导致部分脑组织的缺血性损伤。

    急性脑卒中的早期诊断对于病人的治疗和康复至关重要。通过医学影像的手段，医生可以更好地了解脑卒中的发生部位和受损的脑部区域。计算机断层成像（CT）灌注图像由于扫描速度快、可根据血流动力学参数评估缺血区域的特点，在脑卒中急诊过程中具有广泛的使用。从CT灌注图像中分割出卒中的病灶区域，对于卒中严重程度的定量评估至关重要，也是精确诊断、治疗决策和预后预测的重要依据。

    然而， 相比于具有较好的软组织对比度、扫描时间较长的弥散张量成像（DWI），CT灌注图像中卒中病灶与周围组织的对比度较低，边缘不明确，并且具有较大的噪声干扰。因此基于CT灌注图像的卒中病灶分割十分困难。

    为了克服这一分割难题，本研究提出了一个基于图像生成的方法进行缺血性脑卒中的自动分割方法。首先使用深度神经网络将CT灌注图像生成其对应的伪DWI图像，从而提高病灶区域的对比度和图像质量，然后利用一个分割网络，从伪DWI图像中进行病灶的准确分割。实验结果表明，通过生成伪DWI图像的方式，可显著提高脑卒中病灶分割的精度。该方法还在2018年MICCAI脑卒中病灶分割大赛中获得国际冠军。

    本研究由电子科技大学和商汤科技合作完成。

    论文网址：https://www.sciencedirect.com/science/article/abs/pii/S1361841520301511