基于深度学习的脑卒中CT灌注参数图的自动化生成与核心梗死预测研究综述

基于深度学习的脑卒中CT灌注参数图的自动化生成与核心梗死预测研究综述脑卒中作为全球范围内致死率和致残率最高的神经系统疾病之一，其救治的核心在于“时间窗”内的精准评估与干预。其中，急性缺血性脑卒中占所有脑卒中的70%以上，核心梗死区域的范围、缺血半暗带的存在与否直接决定了静脉溶栓、血管内取栓等治疗方案的获益风险比。CT灌注成像（CTPerfusion,CTP）因扫描速度快、普及率高、可量化血流动力学参数的优势，已成为卒中急诊评估的一线影像学手段。传统CTP后处理依赖基于去卷积模型的商业软件，需要手动校正运动伪影、选择动脉输入函数，不仅耗时长达10~30分钟，且不同软件、不同操作者的参数测量差异可达20%以上，严重制约了急诊场景下的评估效率与一致性。近年来，深度学习技术在医学影像分析领域的突破，为CTP后处理的自动化、智能化提供了新的解决方案，相关研究围绕参数图生成、伪影校正、梗死区域预测三大方向展开，逐步形成了从影像输入到临床决策辅助的全流程技术链条。一、深度学习驱动的CTP参数图自动化生成技术进展传统CTP参数图生成的核心是通过数学模型求解脑组织血流动力学参数，包括脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP）、残余功能达峰时间（Tmax）等。基于深度学习的参数图生成方法通过端到端的映射学习，绕过了传统去卷积模型的复杂计算流程，在保证参数准确性的前提下将后处理时间压缩至秒级，同时降低了对扫描协议的要求。（一）低剂量/稀疏采样下的参数图重建CTP检查需要在造影剂流过脑血管的过程中进行连续动态扫描，常规扫描方案的有效辐射剂量可达5~15mSv，显著高于常规头颅CT平扫（约1~2mSv）。为降低辐射暴露，研究人员尝试通过减少扫描时相、降低管电流的方式实现低剂量CTP采集，而深度学习模型则用于从稀疏、低信噪比的原始数据中重建高质量参数图。典型方案包括：基于生成对抗网络（GAN）的帧插值方法，可将扫描时相从常规的20~30帧减少至8~12帧，重建得到的Tmax、CBF参数图与全采样数据的组内相关系数（ICC）可达0.92以上；基于U-Net的去噪算法，能在管电流降低50%的情况下，将参数图的峰值信噪比提升12~18dB，且核心区域的参数测量误差控制在10%以内。部分研究进一步探索了“平扫+单期增强”的极端简化扫描方案，通过Transformer模型学习平扫图像、单期增强图像与全参数图之间的映射关系，在模拟数据集上实现了与常规CTP相当的参数一致性，有望将CTP的辐射剂量降低至常规方案的1/10。（二）运动伪影自动校正与参数图优化患者在CTP扫描过程中的头部运动是导致参数图质量下降的最常见因素，传统后处理中需要手动配准每一个时相的图像，操作繁琐且依赖经验。深度学习的运动校正方法主要分为两类：一类是基于配准网络的刚性/非刚性配准，将动态扫描的所有时相自动对齐到参考帧，无需手动标注对应点，配准精度较传统互信息配准方法提升30%以上，对于旋转角度小于15°、位移小于10mm的运动伪影校正成功率接近100%；另一类是直接基于含运动伪影的原始数据生成无伪影参数图，通过在训练数据中引入模拟运动伪影，让模型学习“伪影-参数”的鲁棒映射关系，无需显式配准步骤即可输出稳定的参数图，尤其适用于无法配合检查的意识障碍患者。针对造影剂团注速度不足、循环时间延长导致的参数图边缘模糊问题，注意力机制的引入可显著提升模型对血管输入区域的特征提取能力，校正后的Tmax参数图与数字体模的真值偏差小于1.5s，满足临床评估的精度要求。（三）跨设备/跨协议的参数图标准化不同厂商的CT设备、不同扫描中心的参数设置（如造影剂剂量、注射速率、扫描延迟时间）会导致CTP参数的测量值存在系统性差异，是多中心研究、人工智能模型泛化应用的主要障碍。基于深度学习的标准化方法通过域适应技术消除设备间的分布差异：一类是采用无监督域适应算法，以某一主流设备的参数图为目标域，将其他设备的参数图映射至统一的取值空间，校正后的CBV、CBF参数的中心间差异从25%降低至8%以内；另一类是直接从原始投影数据或动态影像中生成与设备无关的标准化参数，通过在训练中引入多中心、多设备的数据集，让模型学习血流动力学的本质特征而非设备相关的噪声模式，部分多中心验证研究显示，这类模型生成的Tmax参数在5个不同品牌CT设备上的ICC均大于0.89，具备跨平台应用的潜力。二、基于深度学习的核心梗死区域预测模型构建核心梗死区域指已经发生不可逆性坏死的脑组织，是判断患者预后、筛选取栓适应症的核心指标。传统方法通常以“CBF<30%对侧正常值且CBV正常”作为梗死核心的判断标准，但在发病6小时以上的患者中，该阈值的诊断准确率仅为70%左右，且容易受到侧支循环、脑组织水肿的干扰。深度学习模型通过融合多模态影像特征、挖掘血流动力学参数的空间分布模式，显著提升了核心梗死预测的准确性与时效性。（一）单CTP模态的梗死预测模型早期研究主要基于CTP生成的参数图进行端到端的梗死区域分割，以弥散加权成像（DWI）作为梗死核心的金标准训练模型。经典的U-Net及其衍生模型在发病6小时内的患者中，Dice系数可达0.78~0.85，优于传统阈值法的0.65~0.72。为进一步提升模型对小梗死灶的检测能力，研究人员引入多尺度特征融合模块、注意力机制，对直径小于15mm的皮层下梗死灶的检出率从62%提升至81%。部分研究突破了“先生成参数图再分割”的两步法思路，直接以动态CTP的四维影像（空间维度+时间维度）作为输入，通过3DCNN或时空Transformer模型同时提取时间维度的浓度变化曲线特征与空间维度的解剖结构特征，端到端输出梗死核心分割结果，不仅省去了参数图生成步骤，且模型对发病12~24小时患者的预测Dice系数仍可达0.76，显著优于基于参数图的传统方法。这类端到端模型的另一个优势是无需依赖人工标注的动脉输入函数，完全避免了人为操作带来的误差，后处理全程可在10秒内完成，尤其适配急诊场景的时效要求。（二）多模态融合的梗死预测模型单独CTP影像缺乏组织学特征信息，容易将血管源性水肿、陈旧性梗死灶误判为急性核心梗死。因此，融合CT平扫（NCCT）、CT血管造影（CTA）等多模态影像的模型成为近年的研究热点。融合方式主要包括三种：一是输入层融合，将NCCT的密度信息、CTA的血管闭塞信息与CTP参数图拼接后输入模型，相比单模态模型，Dice系数平均提升0.05~0.08，对分水岭区域梗死的预测准确率提升12%；二是特征层融合，通过独立的分支分别提取不同模态的特征，在瓶颈层进行特征拼接或注意力加权融合，可有效利用不同模态的互补信息，尤其在NCCT存在早期低密度征象、CTA显示大血管闭塞的患者中，模型的阳性预测值从79%提升至88%；三是决策层融合，将不同模态模型的预测结果进行加权整合，降低单一模态信息不足导致的误判，在包含发病24小时以上、存在脑水肿的heterogeneous队列中，模型的总体准确率仍保持在85%以上。部分研究进一步纳入年龄、发病时间、NIHSS评分等临床特征，构建影像-临床联合预测模型，不仅能提升梗死核心预测精度，还可同时输出患者3个月预后的概率，为临床决策提供更全面的参考。（三）模型的泛化性与临床验证深度学习模型的泛化能力是走向临床应用的核心瓶颈。目前大部分研究仅在单中心、小样本队列中进行验证，当应用于其他中心的数据集时，Dice系数可能下降0.1~0.15。为解决这一问题，研究人员采取了多种策略：一是构建大规模多中心数据集，包含不同种族、不同发病时间、不同扫描设备的病例，部分国际多中心研究纳入超过10000例急性脑卒中患者数据，训练得到的模型在10个外部验证集上的Dice系数均稳定在0.75以上；二是采用域泛化技术，通过数据增强、对抗训练等方式让模型学习到与扫描中心无关的梗死特征，即使在未见过的设备类型、扫描协议数据上，性能下降幅度也控制在0.05以内；三是开展前瞻性临床验证，目前已有3款基于深度学习的CTP后处理软件获得FDA、NMPA的三类医疗器械认证，前瞻性临床试验显示，其预测的核心梗死体积与DWI的吻合度达到0.82，且一致性显著高于传统商业软件，可帮助医生将影像评估时间从平均22分钟缩短至8分钟，血管内治疗的术前准备时间减少13分钟，对提升急诊救治效率具有明确的临床价值。三、当前研究面临的挑战与未来发展方向尽管深度学习在CTP参数图生成与梗死预测领域已取得显著进展，但距离大规模临床落地仍存在诸多待解决的问题。首先是模型的可解释性不足，大部分深度学习模型属于“黑箱”系统，无法明确给出预测结果的依据，当模型预测结果与医生经验判断不符时，难以获得临床信任。近年兴起的可解释性AI技术通过热力图可视化、特征重要性排序等方式，能够显示模型重点关注的影像区域与参数特征，部分研究已实现对梗死预测结果的特征归因，可解释预测结果中80%以上的决策依据，未来需进一步构建符合临床认知的解释框架，让模型的推理过程与医生的诊断逻辑对齐。其次是特殊人群的模型性能不足，目前研究队列主要包含前循环大血管闭塞的成年患者，对于后循环梗死、儿童脑卒中、出血性梗死转化等特殊场景，模型的性能下降明显，未来需要针对性构建覆盖全病种、全人群的数据集，优化模型对罕见场景的特征提取能力。此外，当前研究多以DWI作为金标准，但DWI本身存在2%~5%的假阴性率，且无法区分完全梗死与部分可逆转的严重缺血组织，未来可结合患者的长期预后数据、病理结果构建更精准的标签体系，进一步提升模型的临床价值。从技术发展趋势来看，未来的研究将朝着“全流程智能化”与“临床决策深度融合”的方向发展。一方面，模型将覆盖从影像扫描到结果输出的全流程，实现扫描协议自动优化、运动伪影实时校正、参数图智能生成、梗死