分享:
分享到微信朋友圈
X
专家论坛
脑血管影像学机遇与挑战——中国十年来发展成果及展望
胡斌 施昭 张龙江

Cite this article as: Hu B, Shi Z, Zhang LJ. Opportunities and challenges of cerebrovascular imaging: Achievements and prospects over the past decade in China[J]. Chin J Magn Reson Imaging, 2022, 13(10): 53-60.本文引用格式:胡斌, 施昭, 张龙江. 脑血管影像学机遇与挑战——中国十年来发展成果及展望[J]. 磁共振成像, 2022, 13(10): 53-60. DOI:10.12015/issn.1674-8034.2022.10.007.


[摘要] 脑血管病发病率高、病程长且致残致死率高,是我国重大的公共卫生问题。随着医疗技术设备和成像方案的快速迭代,影像学检查在脑血管病的精准诊疗、风险分层、预后评估中发挥着越来越重要的作用,已成为脑血管病临床工作中不可或缺的辅诊手段。近些年来,脑血管病的早检出、早治疗已逐渐成为全社会的健康共识,而脑血管影像检查技术也同样朝着更规范、更优化、更便捷的方向进行策略配置。同时,先进的脑血管影像数据处理技术的快速应用,为临床提供了更多关于脑血管病的结构、功能信息,提升了临床对疾病的综合评估能力。在过去十年中,面对新技术不断革新的浪潮,中国脑血管病影像领域的专家们不断推动着脑血管病诊疗防治和科学研究朝着更精准的方向前行。未来继续深入开展基于临床科学问题的脑血管病影像学研究必将进一步提升中国在脑血管病领域的影响力。
[Abstract] Cerebrovascular disease is a critical health problem in China due to its high incidence, long duration, and high morbidity and mortality. With the rapid iteration of medical equipment and imaging techniques, radiology has played an important role in the precise diagnosis, treatment, risk stratification, and prognosis assessment of cerebrovascular disease. It has already played an indispensable role in clinical work of cerebrovascular disease. In recent years, early detection and treatment of cerebrovascular diseases have gradually become the health consensus of the whole society, and cerebrovascular imaging technology is moving towards a more standardized, optimized, and convenient direction for strategy configuration. Meanwhile, the introduction of advanced data processing technology of cerebrovascular disease provides more information about the structure and function of cerebrovascular disease and improves the comprehensive evaluation of cerebrovascular disease. In the past decade, in the face of the wave of continuous innovation of new technologies, China's neuroradiologists have been promoting the diagnosis, treatment, prevention, and scientific research of cerebrovascular diseases towards a more precise and scientific direction. Further research on cerebrovascular imaging based on clinical scientific issues will further enhance China radiology's influence in the world.
[关键词] 脑血管病;脑卒中;CT 血管成像;MR血管成像;精准诊疗;风险分层;定量诊断;血流动力学;影像组学;人工智能
[Keywords] cerebrovascular disease;stroke;computed tomography angiography;magnetic resonance angiography;precise diagnosis and treatment;risk stratification;quantified diagnosis;hemodynamic;radiomics;artificial intelligence

胡斌    施昭    张龙江 *  

南京大学医学院附属金陵医院/东部战区总医院放射诊断科,南京 210002

张龙江,E-mail: kevinzhlj@163.com

作者利益冲突声明:全部作者均声明无利益冲突。


        
        张龙江,东部战区总医院放射诊断科主任医师,南京大学医学院博士研究生导师,国家级人才称号获得者(教育部),2019年度国家百千万人才工程国家级人选并被评为有突出贡献的中青年专家。长期致力于医学影像新技术的研发和临床转化工作,近5年来以第一/通讯作者(含共同)在《Radiology》《Nature》《Communications》《Science Advances》《JACC Cardiovasc Imaging》等国际著名期刊发表或接收发表55篇论文。研究成果被纳入25部国外医学指南、共识或科学声明。作为执笔人撰写中国专家共识10部。主持国家重点研发计划数字诊疗装备专项、国家自然科学基金优秀青年基金、国家自然科学基金重点项目等多项国家级课题。获国家科技进步二等奖(排名第四)、教育部科技进步一等奖(排名第一)、教育部首届青年科学奖、江苏省科学技术奖一等奖(排名第一)等科技奖励。

基金项目: 国家自然科学基金 81830057,82230068,82102155
收稿日期:2022-08-16
接受日期:2022-10-14
中图分类号:R445.2  R743 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.10.007
本文引用格式:胡斌, 施昭, 张龙江. 脑血管影像学机遇与挑战——中国十年来发展成果及展望[J]. 磁共振成像, 2022, 13(10): 53-60. DOI:10.12015/issn.1674-8034.2022.10.007

       脑血管病是全世界人类死亡和残疾的主要原因[1]。目前,中国脑血管病患病数逐年增加,发病率及病死率均位居世界前列[2, 3, 4]。同时,脑血管病的发病年龄更趋于年轻化,给患者、家庭和社会带来巨大负担,已引起全社会的高度关注[2,5, 6]。《“健康中国2030”规划纲要》指出,应将以脑卒中为代表的重大脑血管病早诊早治的适宜技术纳入临床常规诊疗,提高健康预期寿命,加强疾病预防[7]。以CT血管成像(CT angiography, CTA)、MR血管成像(MR angiography, MRA)和数字减影血管造影(digital subtraction angiography, DSA)为代表的神经影像学技术是脑血管病常用、方便、可靠的诊断手段,在疾病诊断、风险分层、预后评估等方面发挥着重要作用。同时,近些年来新的影像学技术和图像处理技术的快速迭代发展为脑血管病的诊疗提供新的解决方案,推动了脑血管病的早期精准诊断和治疗,改善了脑血管病患者的预后,为人类健康作出了贡献。本文回顾了过去十年间中国大陆脑血管诊疗影像领域的技术革新,整理了中国学者在该领域取得的成绩,对未来脑血管影像的发展趋势进行了展望,以期促进我国脑血管影像学水平的提高。

1 中国脑血管影像发展概述

       在过去的十年间,脑血管影像学技术快速发展,并在我国迅速普及和应用。现在,CTA和MRA已经在我国基层医院普及应用,整体上提升了我国脑血管病的快速、无创、精准诊断水平。多模态影像通过联合多种影像技术(如CTA和CT灌注成像)、融合不同模态的影像信息,进一步指导临床精准诊疗。CT与MR的高分辨力成像技术的发展,显示出更多的脑血管病的结构信息,提升病灶检出能力,也为流体力学模型构建提供良好的血管边界条件。流体力学分析可将血管腔内血液流向可视化,提供血管腔内的力学参数,对斑块负荷进行定性、定量分析。脑血管成像还可以提供功能或生理信息,如四维相位对比MRA(four dimensional flow MRA, 4D-flow MRA)和血管壁高分辨力成像等,这些技术对脑缺血事件早期预测、个体化血流动力学状态评估和颅内动脉粥样硬化斑块易损性评估等方面提供重要诊断信息。最近兴起的影像组学进一步提高了临床对脑血管病诊疗能力,可对疾病进展、风险分层、预后评估提供可靠的模型。与此同时,随着人工智能(artificial intelligence, AI)和计算机视觉技术的快速发展,机器学习和深度学习等技术越来越多应用于医学影像学领域[8],在脑血管疾病管理流程中的脑血管分割、智能辅助诊断、定量影像特征提取、治疗预后评估等多个环节皆有广泛的应用,服务重大临床问题的解决。中国学者在基于上述创新影像学技术解决脑血管病领域内的核心科学问题方面取得了突出成绩。

2 常规脑血管病影像技术应用

2.1 缺血性脑卒中

       颅内动脉粥样硬化性狭窄(intracranial atherosclerotic stenosis, ICAS)是引起缺血性脑卒中的主要原因[9, 10]。脑血管影像可以明确ICAS的病变部位、狭窄程度和斑块性质。CTA对ICAS的诊断可靠性高,对≥70%的狭窄病变,CTA与DSA有高的诊断一致性[11]。针对钙化斑块对血管管腔评估可能产生的影响,能谱CT基于能量减影技术可进行更准确的狭窄程度评估,部分解决了钙化病变评估的难题。时间飞跃法MRA(time of flight MRA, TOF-MRA)是脑血管疾病筛查和诊断的主要技术之一,但通常会高估血管腔的狭窄程度[12]。对比增强MRA(contrast enhanced MRA, CE-MRA)对ICAS的评估优于TOF-MRA,但准确性仍有待提高。3D黑血MR扫描和零回波时间MR造影(zero echo time MR angiography, ZTE-MRA)在ICAS评估中有着更好的性能,与DSA相比在测量管腔狭窄方面表现出很好的一致性[13, 14]。对于脑卒中高危人群的一级预防,专家共识建议首选彩色多普勒超声对血管的狭窄程度、斑块的大小及回声进行评估,并据此初步确定患者ICAS的严重程度[15]。目前,高分辨力磁共振管壁成像(high resolution MRI vascular wall imaging, HR-VWI)也越来越多地应用于颅内动脉粥样硬化斑块评估。HR-VWI不仅可直观评估管腔狭窄及血管重构状况,还可定性或定量评估斑块成分及负荷等[16]。典型的高危斑块表现为偏心、异质、正性重塑的病变,并可见斑块内出血、斑块强化等特征,常与缺血性脑卒中发生及复发密切相关[17, 18, 19]。但目前关于HR-VWI在动脉粥样硬化不稳定斑块特征与缺血性脑卒中复发的研究缺乏一致性,需要更客观的评价指标。

       早期诊断脑卒中并明确缺血范围进而为临床早期治疗提供直接的客观的影像依据,对降低脑卒中的致残、致死率尤为重要。对于急性期脑卒中,SPECT/CT脑血流灌注可实现功能影像与解剖影像的同机融合,提高了对缺血性脑血管疾病的诊断效能[20],但在临床应用并不普及。而近年来CTA联合CT灌注成像已经发展成为脑卒中绿色通道的首选检查方法,用于指导急性脑卒中的溶栓治疗。Wei等[21]研究发现,基于CTA的薄层最大密度投影技术可识别具有较高纤维蛋白、血小板成分和较低红细胞比例的血栓,且血栓强化程度常与心源性卒中相关,可用于指导患者的后续临床诊疗。Zhou等[22]发现在CT图像上表现为“高密度动脉征”的动脉血栓会从静脉内阿替普酶联合血管内治疗中获益更多。相比于CT,MRI对血栓的观察更为优越,可以根据所得的定性及定量的形态特征预测血管内再通的疗效[23, 24]。针对脑静脉和主要硬脑膜窦血栓形成,黑血MR血栓成像可对血栓栓子进行直接检测和体积量化,优化患者的早期诊疗过程[25, 26]

       总之,以CT和MR为代表的神经影像学技术作为脑卒中绿色通道必要的一站,在脑卒中的诊疗中起着重要的作用。未来在智能化、实时化的影像指导下的诊疗必将进一步缩短从就诊到取栓的时间窗,提升脑卒中诊疗的质量。

2.2 颅内动脉瘤

       颅内动脉瘤破裂是引起非创伤性蛛网膜下腔出血最主要的原因。DSA是诊断破裂及未破裂颅内动脉瘤的金标准。来自中国的系列研究证实CTA和MRA是颅内动脉瘤的主要无创诊断方法。CTA对颅内动脉瘤有着高的检出敏感性,可清晰显示颅内动脉瘤的载瘤动脉和瘤囊结构,对颅内小动脉瘤(≤5 mm)的检测敏感度高达97.5%[27, 28]。但CTA对颅内动脉瘤的检测容易受到邻近骨质结构的影响,特别是颈内动脉海绵窦段[29]。TOF-MRA是颅内动脉瘤筛检的最佳方案。2013年我国上海地区的一项社区调查研究发现,35~75岁普通人群中未破裂颅内动脉瘤的发生率高达7%[30]。但TOF-MRA因其空间分辨力较低,对微小颅内动脉瘤(<3 mm)检出受限[31]。相比于TOF-MRA,3D黑血MR扫描分辨力更高,对微小颅内动脉瘤的检出能力更高,但所需扫描时间长,易受呼吸运动伪影的干扰[13,32]

       HR-VWI可观察颅内动脉瘤囊壁的强化信息,可用于对未破裂颅内动脉瘤的风险评估。研究表明,HR-VWI上颅内动脉瘤的管壁强化程度可反映血管炎症的浸润程度,提示颅内动脉瘤囊壁的不稳定性[33]。Fu等[34]的研究发现,定量及定性的管壁环形强化特征有助于识别不稳定的颅内动脉瘤,其对症状性颅内动脉瘤识别的敏感度为95.7%。Quan等[35]的研究同样发现动脉瘤血管壁强化更容易在形态不规则且较大的颅内动脉瘤中出现,并与炎性活动高度相关。但临床医生在解释颅内动脉瘤瘤壁强化时应谨慎,因为目前尚缺乏足够的证据可靠地评估未破裂颅内动脉瘤的自然病程[36, 37]。在临床评估中,应结合患者临床危险因素、颅内动脉瘤的形态学、血流动力学和瘤壁强化程度等综合考虑颅内动脉瘤的破裂风险。

2.3 烟雾病与动静脉畸形

       烟雾病和动静脉畸形相对少见。DSA是目前临床诊断烟雾病的金标准,可以精确评估颈内动脉末端狭窄、闭塞程度,对颅底烟雾状血管及侧支循环进行评估。CTA和MRA皆可常规应用于烟雾病诊断,但CTA对细小血管狭窄评估更有优势。对于动静脉畸形检出,常规CTA和MRA皆可清晰分辨异常的沟通血管。磁共振静脉成像可显示动静脉畸形检出静脉出口阻塞、静脉扩张和静脉窦血栓形成[38]。HR-VWI在烟雾病与动静脉畸形的应用主要是用于寻找异常血管破裂的出血部位[39]

3 血流动力学技术在脑血管病中的应用

       在过去十年中,中国学者在脑血管病的计算流体力学(computational fluid dynamics, CFD)研究领域作出了较大贡献。CFD研究拓宽了脑血管病变的研究视角,可获取血管病变形态与血液流动之间复杂的流固耦合信息。同时,联合脑血管病的血流动力学信息与形态学信息,进一步提高了对脑血管病发生和发展的认识。目前,脑血管病的CFD影像研究主要集中在ICAS与颅内动脉瘤破裂研究领域。

       脑血管内血流动力学改变与脑血管形态改变之间相互影响,血管狭窄的严重程度影响着血流动力学参数的改变,尤其是当狭窄程度≥50%时[40]。在血流动力学研究中,壁剪切应力(wall shear stress, WSS)是研究最多的血流动力学参数之一。WSS是切向应力,生理范围内的WSS可调节内皮细胞的正常功能,但较低和升高的WSS可对内皮细胞产生不同病理生理机制的损害[36]。基于头颅CTA的CFD结果,Leng等[41]发现较大的跨病灶压力梯度和升高的WSS与ICAS患者的复发性缺血性脑卒中风险相关。另一项国内学者的研究同样发现跨病灶压力梯度的升高与ICAS患者脑卒中复发独立相关[42]。血流储备分数(fractional flow reserve, FFR)是另一项可用于评估颅内动脉功能性狭窄的血流动力学参数[43]。FFR定义为血管管腔狭窄病变处的最大血流量与正常管腔最大流量的比率,目前已在冠心病的研究中广泛应用[44]。Han等[45]利用压力导丝获取患者颅内动脉狭窄病变的FFR,证实了该技术在ICAS中应用的可行性。Liu等[46]的研究发现,基于CFD获取的FFR值与颅内动脉狭窄程度高度相关。FFR应用于颅内动脉狭窄病变有望辨识真正功能性缺血患者,减少不必要的侵入性治疗,但目前相关研究较少,需要进一步证实其应用潜力[47]

       CFD在颅内动脉瘤中应用较多,涉及到动脉瘤的发生、生长、破裂和治疗后复发等诸多阶段,其中颅内动脉瘤破裂危险因素评估是研究最深入的领域。联合动脉瘤形态学参数,不稳定的血流动力学参数与颅内动脉瘤破裂高度相关[48]。在诸多的血流动力学参数中,WSS是预测和鉴别颅内动脉瘤破裂最有意义的参数[49, 50]。基于4D-flow MRA,Wang等[51]发现低WSS区域与颅内动脉瘤管壁薄弱的区域相匹配。在与HR-VWI联合研究中,低WSS区域与动脉管壁强化相关,提示血流动力学改变与血管管壁的炎性反应有关[52, 53]。总之,血流动力学因素在颅内动脉瘤破裂风险评估中至关重要。目前一项中国颅内动脉瘤计划(China Intracranial Aneurysm Project, CIAP)通过前瞻性收集数据,有望构建未破裂颅内动脉瘤破裂风险的多维预测模型,优化颅内动脉瘤患者的临床管理流程[54]

4 影像组学在脑血管病中的应用

       影像组学(radiomics)可通过从不同模态的影像数据中提取高维影像特征,构建用于疾病诊断或风险评估的定量分析疾病模型,用以支持、优化患者的临床诊疗过程,助力精准医疗的快速发展。在过去十年中,中国学者利用影像组学在脑血管病诊断、预后评估等方面做出了积极的前沿性工作。

       在出血性脑卒中的早期诊断中,Zhang等[55]利用平扫CT图像上提取的定量影像组学特征用以区分AVM相关血肿和其他病因引起的血肿。该研究的假设是嵌入畸形脉管系统中的AVM相关血肿在成分上更加异质,可以通过定量影像组学分析来识别。在整合最优影像特征选择和建模算法后,影像组学模型可以准确诊断AVM相关血肿,曲线下面积为0.95,诊断敏感度为88%,特异度为93%,优于经验丰富的介入放射科医生的诊断性能。

       脑出血后血肿扩大常代表脑内活动性出血,与早期神经功能恶化和长期预后不良密切相关。Shen等[56]使用高斯拉普拉斯算子带通滤波器从平扫CT图像中提取一系列由粗到细的纹理特征预测早期脑出血后血肿扩大,该模型的诊断敏感度为85.0%,曲线下面积为0.92。Xie等[57]在对251例急性脑出血患者研究中发现,影像组学模型的性能优于常规平扫CT标记的影像模型,这提示影像组学模型可在相同的图像下获取更多的多维诊断信息。除此之外,基于影像组学特征建立的脑出血检测/预测模型还可用于区分机械取栓术后颅内对比剂的外渗和脑实质出血、评估自发性脑出血的短期功能结果[58, 59],有助于改善脑出血患者的治疗方案。

       卒中的治疗与治疗后复发的精准预测有助于临床医生在发病早期了解患者的病情,制订个性化的治疗计划。针对卒中治疗后大血管近端闭塞的早期再通结果,Qiu等[60]对静脉注射阿替普酶的脑卒中患者进行了影像组学分析,发现影像组学特征的预测能力远高于单纯的常规血栓成像特征(如长度、体积和渗透性)。在缺血性脑卒中远期预后评估中,Zhou等[61]使用结合影像组学信息和临床资料的预测模型显示了良好的预测性能,在验证集和测试集的曲线下面积分别为0.87和0.89,这可以帮助临床医生在发病早期制订相应的治疗方案,改善卒中患者的远期预后。

       影像组学在其他脑血管病领域的价值也在陆续得到验证。以HR-VWI技术为基础的斑块组学分析是脑血管影像组学的另一研究热点。从多模态MR序列中提取的斑块影像组学特征可以准确区分低危和高危斑块,影像组学模型的诊断性能远高于常规模型的预测性能,与高危因素相结合有望作为预测ICAS卒中复发的个体化风险评估的工具[62, 63, 64]。此外,脑血管病影像组学对病灶直接特征的提取有着极大优势。在颅内动脉瘤稳定性评估中,影像组学可以挖掘颅内动脉瘤复杂形态信息背后决定动脉瘤不稳定性破裂的因素[65, 66];在AVM治疗后风险评估中,影像组学特征可成功用于预测未破裂AVM中伽马刀治疗后的短期疗效,优化未破裂AVM患者的临床决策[67]。总之,脑血管影像组学在多种脑血管疾病领域的探索及应用体现出很大的临床应用价值,将帮助临床更好地进行疾病管理。然而,脑血管病影像组学在临床的常规应用还面临很大的挑战,例如技术的复杂性、可解释性等。

5 AI技术在脑血管病中的应用

       近年来,随着机器学习、深度学习等相关AI技术的不断发展,AI算法已经服务于脑血管病临床管理的多个环节,如病灶分割、病灶检测、定量影像特征提取等。凭借着强大的图像分析和信息处理能力,AI在脑血管领域的应用不仅能够大大缩短图像分析时间、减轻医师负担、缓解医疗资源紧张,还可以提高诊断的准确度,帮助临床医师判断疾病预后,从而使放射科医师和患者受益[68]

       颅内出血检测是AI技术应用的热点研究之一,包括出血事件的早期检出和出血类型等。Chang等[69]使用混合卷积神经网络在10 159例平扫CT图像数据集中进行出血检出模型的训练,可以准确进行出血事件的检出,敏感度和特异度分别为98.1%和95.1%。除此之外,模型可区分脑实质内出血、硬膜外或硬膜下出血,进行出血类型的初步划分。Ye等[70]联合卷积和递归神经网络进行模型训练,平均30 s即可完成1例平扫CT的判断,模型的检出敏感度和特异度均≥98%,优于初级放射医师的表现。基于深度学习分割网络,AI从颅内出血患者的CT扫描中分割血肿效率更高,在准确度方面与专科医生相当[71]。AI模型在脑出血事件的成功应用和实践,可以作为分诊系统来帮助放射科医师识别高优先级检查以进行快速临床决策。

       AI技术应用在脑卒中事件的管理包括卒中病灶分割和卒中时间评估。Zhang等[72]使用三维卷积神经网络在242例扩散加权图像上对急性缺血灶进行分割建模,模型在测试集中对缺血灶的检出敏感度为92.7%。通过联合表观扩散系数阈值,有望进一步提高深度学习模型对急性缺血灶的分割精度[73]。卒中发病时间的确定对患者治疗方案的选择非常重要,AI对多维信息的处理可识别急性脑卒中患者[74, 75]。Zhang等[75]对84例患者的T1加权成像、液体衰减反转恢复序列和扩散加权成像的影像组学特征进行机器学习建模,研究显示该模型曲线下面积为0.754,敏感度为95.2%,可对中风时间<4.5 h的患者进行有效识别,为临床静脉溶栓治疗的选择提供影像指导。

       AI在颅内动脉瘤的应用包括颅内动脉瘤的检出、形态分析和破裂风险分析,是AI技术在脑血管病影像中应用最广泛的领域之一[76]。颅内动脉瘤的精准检测是动脉瘤临床管理流程中最重要的环节。笔者团队基于3D卷积神经网络及DAResUNet模型对1177例有“金标准”DSA对照的去骨CTA序列进行建模,模型对颅内动脉瘤患者检出敏感度为97.3%,平均假阳性病灶为0.29个/例,并对图像质量的影响具有较高的容忍度。在CTA的常用临床场景——急性缺血性脑卒中患者的验证中,该模型也展示了卓越的筛查能力,阴性预测值高达99.0%,证实其可作为排除颅内动脉瘤的可靠工具[77]。Yang等[78]研究也证实AI辅助医生进行诊断可提高动脉瘤病灶的检出率并减少诊断时间。在颅内动脉瘤形态和破裂风险分析研究方面,Liu等[65]基于AI协助处理影像组学生成的多维形态学特征,分析了影响动脉瘤不稳定性的关键因素。综上所述,在颅内动脉瘤破裂风险研究方面,基于机器学习的预测模型较传统统计模型显示出更优的预测性能[49, 50]。但目前这类参数与AI运算并非统筹一体,仍需进行病灶人工勾画、分割,如何进行一体化特征参数提取与AI模型运算仍需进一步尝试。

6 总结与展望

       在过去十年中,中国脑血管病影像学研究取得了长足的进展。新的神经影像技术的涌现为脑血管病的诊断与风险分层提供循证医学依据。多模态影像联合诊断实现影像信息的互补、丰富与完善,根据病灶的综合影像信息,医生可作出更加精准的诊断决策,指导临床治疗与预后评估。除此之外,新的技术手段(如血流动力学、影像组学以及AI算法)的应用充分地发挥了脑血管病影像的潜能和价值,更有助于临床问题的解决和治疗方案的优化。

       影像数据处理算法的进步将为脑血管影像研究开辟了新的方向,但目前技术落地应用仍存在困难,而多技术方案融合将有助于将研究成果快速落地于临床。如基于AI算法的血管自动化精准分割可解决血流动力学复杂的模型构建过程并标准化血管边界特征,降低血流动力学结果获取门槛[76]。基于AI等新算法的自动化病灶提取技术也将加快脑血管影像组学的病灶特征提取速度,更便捷地“一键式”输入从而获取影像组学模型结果,提高新技术在临床真实环境下的适用性。另一方面,需要更好地去解释新成像背后的生理基础,为临床应用提供依据。如血流动力学与HR-VWI研究适用于探索血管管壁的易损区域,两者联合成像有望更好地解释血流动力学与血管壁之间的炎性反应关系。

       另外需要注意的是,AI技术的出现为解决脑血管病临床问题提供了新的契机,但目前AI在脑血管病影像领域的应用仍处于初级阶段,缺乏足够的临床循证证据[8]。成熟的AI工具需要充分考虑训练数据质量、模型鲁棒性及在临床真实环境的前瞻验证[6879]。AI模型构建依赖大量数据的训练。针对脑血管病发病率相对较低,构建高质量数据库并解决数据偏倚问题仍是AI模型的关键。脑血管病AI模型的验证需要考虑模型鲁棒性,多中心不同机型、图像质量的数据来源是检验模型鲁棒性的基础。最重要的是,AI模型需要在真实临床环境下检验其应用潜力,构建AI模型与放射科医师或其他临床医师的有效协作模式。

       最后,基于中国脑血管病患者基数大以及这些新的影像学技术的临床价值有待进一步验证的大前提,继续深入开展脑血管神经影像学研究,尤其是基于临床科学问题探索前瞻性多中心临床研究的模式和道路是未来需要重点探索和实践的方向。比如,进一步拓展AI在脑血管病的转化落地应用急需开展前瞻性多中心临床研究,通过这些高水平的研究获得的循证证据将会极大地促进脑血管病影像AI的临床应用证据和水平。目前,很多基于影像学指导的脑血管病的前瞻性临床多中心研究已经为我们树立了很好的榜样。建立临床科学研究的体系对于大放射学科而言是迫在眉睫的任务。

       总之,中国脑血管病影像正处于新技术和新应用同时迸发的时代,新的影像技术及数据智能处理方法在脑血管病影像诊断、危险分层及预后评估等多个环节发挥着越来越重要的作用。未来继续深入开展基于临床科学问题的神经影像学研究必将进一步提升中国在脑血管病影像领域的影响力。在脑血管影像领域发出中国科学家的声音,走到该领域世界舞台的中央,是下一个十年中国神经影像学家们努力的方向。

[1]
Campbell BCV, Khatri P. Stroke[J]. The Lancet, 2020, 396(10244): 129-142. DOI: 10.1016/s0140-6736(20)31179-x.
[2]
Wang W, Jiang B, Sun H, et al. Prevalence, incidence, and mortality of stroke in China: Results from a Nationwide Population-Based Survey of 480, 687 Adults[J]. Circulation, 2017, 135(8): 759-771. DOI: 10.1161/CIRCULATIONAHA.116.025250
[3]
Zhou M, Wang H, Zeng X, et al. Mortality, morbidity, and risk factors in China and its provinces, 1990-2017: A systematic analysis for the Global Burden of Disease Study 2017[J]. The Lancet, 2019, 394(10204): 1145-1158. DOI: 10.1016/S0140-6736(19)30427-1.
[4]
Ma Q, Li R, Wang L, et al. Temporal trend and attributable risk factors of stroke burden in China, 1990-2019: An analysis for the Global Burden of Disease Study 2019[J/OL]. The Lancet Public health, 2021, 6(12) [2022-08-15]. https://www.thelancet.com/action/showPdf?pii=S2468-2667%2821%2900228-0. DOI: 10.1016/S2468-2667(21)00228-0.
[5]
Li Z, Jiang Y, Li H, et al. China's response to the rising stroke burden[J/OL]. BMJ, 2019, 364 [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/30819725/. DOI: 10.1136/bmj.l879.
[6]
Wu S, Wu B, Liu M, et al. Stroke in China: Advances and challenges in epidemiology, prevention, and management[J]. The Lancet Neurology, 2019, 18(4): 394-405. DOI: 10.1016/s1474-4422(18)30500-3.
[7]
Tan X, Liu X, Shao H. Healthy China 2030: A Vision for Health Care[J]. Value Health Reg Issues, 2017, 12: 112-114. DOI: 10.1016/j.vhri.2017.04.001.
[8]
Rajpurkar P, Chen E, Banerjee O, et al. AI in health and medicine[J]. Nat Med, 2022, 28(1): 31-38. DOI: 10.1038/s41591-021-01614-0.
[9]
Gutierrez J, Turan TN, Hoh BL, et al. Intracranial atherosclerotic stenosis: risk factors, diagnosis, and treatment[J]. Lancet Neurol, 2022, 21(4): 355-368. DOI: 10.1016/S1474-4422(21)00376-8.
[10]
Wang Y, Zhao X, Liu L, et al. Prevalence and outcomes of symptomatic intracranial large artery stenoses and occlusions in China: the Chinese Intracranial Atherosclerosis (CICAS) Study[J]. Stroke, 2014, 45(3): 663-669. DOI: 10.1161/STROKEAHA.113.003508.
[11]
Kleindorfer DO, Towfighi A, Chaturvedi S, et al. 2021 guideline for the prevention of stroke in patients with stroke and transient ischemic attack: A guideline from the American Heart Association/American Stroke Association[J/OL]. Stroke, 2021, 52(7) [2022-08-15]. https://www.ahajournals.org/doi/epdf/10.1161/STR.0000000000000375. DOI: 10.1161/STR.0000000000000375.
[12]
Zhang X, Cao YZ, Mu XH, et al. Highly accelerated compressed sensing Time-of-Flight magnetic resonance angiography may be reliable for diagnosing head and neck arterial steno-occlusive disease: A comparative study with digital subtraction angiography[J]. Eur Radiol, 2020, 30(6): 3059-3065. DOI: 10.1007/s00330-020-06682-3.
[13]
Zhao H, Wang J, Liu X, et al. Assessment of carotid artery atherosclerotic disease by using three-dimensional fast black-blood MR imaging: comparison with DSA[J]. Radiology, 2015, 274(2): 508-516. DOI: 10.1148/radiol.14132687.
[14]
齐欣, 沙琳, 吕建波, 等. ZTE-MRA与TOF-MRA对脑动脉狭窄诊断价值对比研究[J]. 磁共振成像, 2021, 12(2): 70-73. DOI: 10.12015/issn.1674-8034.2021.02.016.
Qi X, Sha L, Lü JB, et al. Compared study of the cerebral artery stenosis assessed by ZTE-MRA and TOF-MRA[J]. Chin J Magn Reson Imaging, 2021, 12(2): 70-73. DOI: 10.12015/issn.1674-8034.2021.02.016.
[15]
中华医学会神经病学分会, 中华医学会神经病学分会脑血管病学组. 中国脑血管病一级预防指南2019[J]. 中华神经科杂志, 2019, 52(9): 684-709. DOI: 10.3760/cma.j.issn.1006-7876.2019.09.002.
Neurology Branch of Chinese Medical Association, Cerebrovascular Disease Group of Neurological Branch of Chinese Medical Association. Guidelines for the primary prevention of cerebrovascular diseases in China 2019[J]. Chin J Neurol, 2019, 52(9): 684-709. DOI: 10.3760/cma.j.issn.1006-7876.2019.09.002.
[16]
Qi H, Sun J, Qiao H, et al. Carotid Intraplaque Hemorrhage Imaging with Quantitative Vessel Wall T1 Mapping: Technical Development and Initial Experience[J]. Radiology, 2018, 287(1): 276-284. DOI: 10.1148/radiol.2017170526.
[17]
Shi Z, Li J, Zhao M, et al. Quantitative histogram analysis on intracranial atherosclerotic plaques: A high-resolution magnetic resonance imaging study[J]. Stroke, 2020, 51(7): 2161-2169. DOI: 10.1161/STROKEAHA.120.029062.
[18]
Ran Y, Wang Y, Zhu M, et al. Higher plaque burden of middle cerebral artery is associated with recurrent ischemic stroke: A quantitative magnetic resonance imaging study[J]. Stroke, 2020, 51(2): 659-662. DOI: 10.1161/STROKEAHA.119.028405.
[19]
王红茹, 高阳, 吴琼. 高分辨率磁共振血管壁成像在颅内动脉粥样硬化斑块上的研究进展[J]. 磁共振成像, 2021, 12(9): 95-97, 102. DOI: 10.12015/issn.1674-8034.2021.09.024.
Wang HR, Gao Y, Wu Q. The research progress of high-resolution magnetic resonance vessel wall imaging in intracranial atherosclerotic plaques[J]. Chin J Magn Reson Imaging, 2021, 12(9): 95-97, 102. DOI: 10.12015/issn.1674-8034.2021.09.024.
[20]
杨淑贞, 刘婷婷, 邱进, 等. 脑血流灌注SPECT/CT显像与脑MRI联合应用对缺血性脑血管疾病的诊断价值[J]. 中华核医学与分子影像杂志, 2016, 36(3): 232-236. DOI: 10.3760/cma.j.issn.2095-2848.2016.03.007.
Yang SZ, Liu TT, Qiu J, et al. Diagnostic value of cerebral perfusion SPECT/CT combined with brain MRI in patients with ischemic cerebrovascular disease[J]. Chin J Nuclear Med and Mol Imaging, 2016, 36(3): 232-236. DOI: 10.3760/cma.j.issn.2095-2848.2016.03.007.
[21]
Wei L, Zhu Y, Deng J, et al. Visualization of thrombus enhancement on thin-slab maximum intensity projection of CT angiography: An imaging sign for predicting stroke source and thrombus compositions[J]. Radiology, 2021, 298(2): 374-381. DOI: 10.1148/radiol.2020201548.
[22]
Zhou Y, Jing Y, Ospel J, et al. CT hyperdense artery sign and the effect of alteplase in endovascular thrombectomy after acute stroke[J/OL]. Radiology, 2022 [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/35819327/. DOI: 10.1148/radiol.212358.
[23]
Yan S, Hu H, Shi Z, et al. Morphology of susceptibility vessel sign predicts middle cerebral artery recanalization after intravenous thrombolysis[J]. Stroke, 2014, 45: 2795-2797. DOI: 10.1161/STROKEAHA.114.006144.
[24]
Yan S, Chen Q, Xu M, et al. Thrombus length estimation on delayed Gadolinium-Enhanced T1[J]. Stroke, 2016, 47(3): 756-761. DOI: 10.1161/STROKEAHA.115.011401.
[25]
Yang Q, Duan J, Fan Z, et al. Early detection and quantification of cerebral venous thrombosis by magnetic resonance black-blood thrombus imaging[J]. Stroke, 2016, 47(2): 404-409. DOI: 10.1161/STROKEAHA.115.011369.
[26]
吕艳秋, 陶晓娟, 程华, 等. 儿童大脑静脉血栓诊断:3D Brainview T1W黑血序列与3D CE-MRV序列的对比研究[J]. 磁共振成像, 2022, 13(2): 75-78. DOI: 10.12015/issn.1674-8034.2022.02.015.
Lü YQ, Tao XJ, Cheng H, et al. Diagnosis of cerebral venous thrombosis in children: Comparative study of 3D Brainview T1W black blood sequence and 3D CE-MRV sequence[J]. Chin J Magn Reson Imaging, 2022, 13(2): 75-78. DOI: 10.12015/issn.1674-8034.2022.02.015.
[27]
Yang ZL, Ni QQ, Schoepf UJ, et al. Small intracranial aneurysms: diagnostic accuracy of CT angiography[J]. Radiology, 2017, 285(3): 941-952. DOI: 10.1148/radiol.2017162290.
[28]
Chen W, Xing W, Peng Y, et al. Cerebral aneurysms: accuracy of 320-detector row nonsubtracted and subtracted volumetric CT angiography for diagnosis[J]. Radiology, 2013, 269(3): 841-849. DOI: 10.1148/radiol.13130191.
[29]
Philipp LR, McCracken DJ, McCracken CE, et al. Comparison between CTA and digital subtraction angiography in the diagnosis of ruptured aneurysms[J]. Neurosurgery, 2017, 80(5): 769-777. DOI: 10.1093/neuros/nyw113.
[30]
Li MH, Chen SW, Li YD, et al. Prevalence of unruptured cerebral aneurysms in Chinese adults aged 35 to 75 years: A cross-sectional study[J]. Ann Intern Med, 2013, 159(8): 514-521. DOI: 10.7326/0003-4819-159-8-201310150-00004.
[31]
Li MH, Li YD, Gu BX, et al. Accurate diagnosis of small cerebral aneurysms ≤5 mm in diameter with 3.0-T MR angiography[J]. Radiology, 2014, 271(2): 553-560. DOI: 10.1148/radiol.14122770.
[32]
Zhu C, Wang X, Eisenmenger L, et al. Surveillance of unruptured intracranial saccular aneurysms using noncontrast 3D-Black-Blood MRI: Comparison of 3D-TOF and contrast-enhanced MRA with 3D-DSA[J]. AJNR Am J Neuroradiol, 2019, 40(6): 960-966. DOI: 10.3174/ajnr.A6080.
[33]
Edjlali M, Guédon A, Ben Hassen W, et al. Circumferential thick enhancement at vessel wall MRI has high specificity for intracranial aneurysm instability[J]. Radiology, 2018, 289(1): 181-187. DOI: 10.1148/radiol.2018172879.
[34]
Fu Q, Wang Y, Zhang Y, et al. Qualitative and quantitative wall enhancement on magnetic resonance imaging is associated with symptoms of unruptured intracranial aneurysms[J]. Stroke, 2021, 52(1): 213-222. DOI: 10.1161/STROKEAHA.120.029685.
[35]
Quan K, Song J, Yang Z, et al. Validation of wall enhancement as a new imaging biomarker of unruptured cerebral aneurysm[J]. Stroke, 2019, 50(6): 1570-1573. DOI: 10.1161/STROKEAHA.118.024195.
[36]
Lehman VT, Brinjikji W. Vessel wall imaging of unruptured intracranial aneurysms: Ready for prime time? Not so fast![J/OL]. AJNR Am J Neuroradiol, 2019, 40(6) [2022-08-15]. http://www.ajnr.org/content/ajnr/40/6/E26.full.pdf. DOI: 10.3174/ajnr.A6048.
[37]
Lindenholz A, van der Kolk AG, Zwanenburg JJM, et al. The Use and Pitfalls of Intracranial Vessel Wall Imaging: How We Do It[J]. Radiology, 2018, 286(1): 12-28. DOI: 10.1148/radiol.2017162096.
[38]
Lawton MT, Rutledge WC, Kim H, et al. Brain arteriovenous malformations[J/OL]. Nat Rev Dis Primers2015, 1 [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/27188382/. DOI: 10.1038/nrdp.2015.8.
[39]
Ryoo S, Cha J, Kim SJ, et al. High-resolution magnetic resonance wall imaging findings of Moyamoya disease[J]. Stroke, 2014, 45(8): 2457-2460. DOI: 10.1161/STROKEAHA.114.004761.
[40]
Samady H, Eshtehardi P, McDaniel MC, et al. Coronary artery wall shear stress is associated with progression and transformation of atherosclerotic plaque and arterial remodeling in patients with coronary artery disease[J]. Circulation, 2011, 124(7): 779-788. DOI: 10.1161/circulationaha.111.021824.
[41]
Leng X, Lan L, Ip HL, et al. Hemodynamics and stroke risk in intracranial atherosclerotic disease[J]. Ann Neurol2019, 85(5): 752-764. DOI: 10.1002/ana.25456.
[42]
Feng X, Chan KL, Lan L, et al. Translesional pressure gradient alters relationship between blood pressure and recurrent stroke in intracranial stenosis[J]. Stroke, 2020, 51(6): 1862-1864. DOI: 10.1161/STROKEAHA.119.028616.
[43]
Fearon WF, Arashi H. Fractional flow reserve and "hard" endpoints[J]. J Am Coll Cardiol, 2020, 75(22): 2800-2803. DOI: 10.1016/j.jacc.2020.04.042.
[44]
Tang CX, Liu CY, Lu MJ, et al. CT-FFR for ischemia-specific cad with a new computational fluid dynamics algorithm: A Chinese multicenter study[J]. JACC Cardiovasc Imaging, 2020, 13(4): 980-990. DOI: 10.1016/j.jcmg.2019.06.018.
[45]
Han YF, Liu WH, Chen XL, et al. Severity assessment of intracranial large artery stenosis by pressure gradient measurements: A feasibility study[J]. Catheter Cardiovasc Interv, 2016, 88(2): 255-261. DOI: 10.1002/ccd.26414.
[46]
Liu J, Yan Z, Pu Y, et al. Functional assessment of cerebral artery stenosis: A pilot study based on computational fluid dynamics[J]. J Cereb Blood Flow Metab, 2017, 37(7): 2567-2576. DOI: 10.1177/0271678X16671321.
[47]
尹铸豪, 周长圣, 郭健, 等. 基于CT血管成像的计算流体力学方法评估颅内动脉狭窄的可行性分析[J]. 中华医学杂志, 2022, 102(33): 2634-2637. DOI: 10.3760/cma.j.cn112137-20220721-01596.
Yin ZH, Zhou CS, Guo J, et al. Feasibility analysis of CT angiography derived computational fluid dynamics in evaluating intracranial artery stenosis[J]. Natl Med J Chin, 2022, 102(33): 2634-2637. DOI: 10.3760/cma.j.cn112137-20220721-01596.
[48]
Rayz VL, Cohen-Gadol AA. Hemodynamics of Cerebral Aneurysms: Connecting Medical Imaging and Biomechanical Analysis[J]. Annu Rev Biomed Eng, 2020, 22: 231-256. DOI: 10.1146/annurev-bioeng-092419-061429.
[49]
Chen G, Lu M, Shi Z, et al. Development and validation of machine learning prediction model based on computed tomography angiography-derived hemodynamics for rupture status of intracranial aneurysms: A Chinese multicenter study[J]. Eur Radiol, 2020, 30(9): 5170-5182. DOI: 10.1007/s00330-020-06886-7.
[50]
Shi Z, Chen GZ, Mao L, et al. Machine learning-based prediction of small intracranial aneurysm rupture status using CTA-derived hemodynamics: A multicenter study[J]. AJNR Am J Neuroradiol, 2021, 42(4): 648-654. DOI: 10.3174/ajnr.A7034.
[51]
Wang Y, Sun J, Li R, et al. Increased aneurysm wall permeability colocalized with low wall shear stress in unruptured saccular intracranial aneurysm[J]. Journal of Neurology2021, 269(5): 2715-2719. DOI: 10.1007/s00415-021-10869-z.
[52]
Zhang M, Peng F, Tong X, et al. Associations between hemodynamics and wall enhancement of intracranial aneurysm[J]. Stroke Vasc Neurol, 2021, 6(3): 467-475. DOI: 10.1136/svn-2020-000636.
[53]
Xiao W, Qi T, He S, et al. Low wall shear stress is associated with local aneurysm wall enhancement on high-resolution MR vessel wall imaging[J]. AJNR Am J Neuroradiol, 2018, 39(11): 2082-2087. DOI: 10.3174/ajnr.A5806.
[54]
Chen J, Liu J, Zhang Y, et al. China Intracranial Aneurysm Project (CIAP): protocol for a registry study on a multidimensional prediction model for rupture risk of unruptured intracranial aneurysms[J/OL]. J Transl Med, 2018, 16(1) [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/30257699/. DOI: 10.1186/s12967-018-1641-1.
[55]
Zhang Y, Zhang B, Liang F, et al. Radiomics features on non-contrast-enhanced CT scan can precisely classify AVM-related hematomas from other spontaneous intraparenchymal hematoma types[J]. Eur Radiol2019, 29(4): 2157-2165. DOI: 10.1007/s00330-018-5747-x.
[56]
Shen Q, Shan Y, Hu Z, et al. Quantitative parameters of CT texture analysis as potential markers for early prediction of spontaneous intracranial hemorrhage enlargement[J]. Eur Radiol2018, 28(10): 4389-4396. DOI: 10.1007/s00330-018-5364-8.
[57]
Xie H, Ma S, Wang X, et al. Noncontrast computer tomography-based radiomics model for predicting intracerebral hemorrhage expansion: preliminary findings and comparison with conventional radiological model[J]. Eur Radiol, 2020, 30(1): 87-98. DOI: 10.1007/s00330-019-06378-3.
[58]
Chen X, Li Y, Zhou Y, et al. CT-based radiomics for differentiating intracranial contrast extravasation from intraparenchymal hemorrhage after mechanical thrombectomy[J]. Eur Radiol, 2022, 32(7): 4771-4779. DOI: 10.1007/s00330-022-08541-9.
[59]
Song Z, Tang Z, Liu H, et al. A clinical-radiomics nomogram may provide a personalized 90-day functional outcome assessment for spontaneous intracerebral hemorrhage[J]. Eur Radiol, 2021, 31(7): 4949-4959. DOI: 10.1007/s00330-021-07828-7.
[60]
Qiu W, Kuang H, Nair J, et al. Radiomics-based intracranial thrombus features on CT and CTA predict recanalization with intravenous alteplase in patients with acute ischemic stroke[J]. AJNR Am J Neuroradiol, 2019, 40(1): 39-44. DOI: 10.3174/ajnr.A5918.
[61]
Zhou Y, Wu D, Yan S, et al. Feasibility of a clinical-radiomics model to predict the outcomes of acute ischemic stroke[J]. Korean J Radiol, 2022, 23(8): 811-820. DOI: 10.3348/kjr.2022.0160.
[62]
Zhang R, Zhang Q, Ji A, et al. Identification of high-risk carotid plaque with MRI-based radiomics and machine learning[J]. Eur Radiol, 2021, 31(5): 3116-3126. DOI: 10.1007/s00330-020-07361-z.
[63]
Li H, Liu J, Dong Z, et al. Identification of high-risk intracranial plaques with 3D high-resolution magnetic resonance imaging-based radiomics and machine learning[J/OL]. J Neurol, 2022 [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/35951103/. DOI: 10.1007/s00415-022-11315-4.
[64]
Shi Z, Zhu C, Degnan AJ, et al. Identification of high-risk plaque features in intracranial atherosclerosis: initial experience using a radiomic approach[J]. Eur Radiol, 2018, 28(9): 3912-3921. DOI: 10.1007/s00330-018-5395-1.
[65]
Liu Q, Jiang P, Jiang Y, et al. Prediction of aneurysm stability using a machine learning model based on pyradiomics-derived morphological features[J]. Stroke, 2019, 50(9): 2314-2321. DOI: 10.1161/STROKEAHA.119.025777.
[66]
Ou C, Chong W, Duan CZ, et al. A preliminary investigation of radiomics differences between ruptured and unruptured intracranial aneurysms[J]. Eur Radiol, 2021, 31(5): 2716-2725. DOI: 10.1007/s00330-020-07325-3.
[67]
Gao D, Meng X, Jin H, et al. Assessment of gamma knife radiosurgery for unruptured cerebral arterioveneus malformations based on multi-parameter radiomics of MRI[J]. Magn Reson Imaging, 2022, 92: 251-259. DOI: 10.1016/j.mri.2022.07.008.
[68]
Ding L, Liu C, Li Z, et al. Incorporating artificial intelligence into stroke care and research[J/OL]. Stroke, 2020, 51(12) [2022-08-15]. https://www.ahajournals.org/doi/epdf/10.1161/STROKEAHA.120.031295. DOI: 10.1161/STROKEAHA.120.031295.
[69]
Chang PD, Kuoy E, Grinband J, et al. Hybrid 3D/2D convolutional neural network for hemorrhage evaluation on head CT[J]. AJNR Am J Neuroradiol, 2018, 39(9): 1609-1616. DOI: 10.3174/ajnr.A5742.
[70]
Ye H, Gao F, Yin Y, et al. Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network[J]. Eur Radiol, 2019, 29(11): 6191-6201. DOI: 10.1007/s00330-019-06163-2.
[71]
Yu N, Yu H, Li H, et al. A robust deep learning segmentation method for hematoma volumetric detection in intracerebral hemorrhage[J]. Stroke, 2022, 53(1): 167-176. DOI: 10.1161/STROKEAHA.120.032243.
[72]
Zhang R, Zhao L, Lou W, et al. Automatic segmentation of acute ischemic stroke from DWI using 3-D fully convolutional DenseNets[J]. IEEE Trans Med Imaging, 2018, 37(9): 2149-2160. DOI: 10.1109/TMI.2018.2821244.
[73]
Juan CJ, Lin SC, Li YH, et al. Improving interobserver agreement and performance of deep learning models for segmenting acute ischemic stroke by combining DWI with optimized ADC thresholds[J]. Eur Radiol, 2022, 32(8): 5371-5381. DOI: 10.1007/s00330-022-08633-6.
[74]
郭静丽, 彭明洋, 王同兴, 等. 基于DWI和FLAIR的机器学习预测急性脑卒中发病时间的研究[J]. 磁共振成像, 2022, 13(3): 22-25, 42. DOI: 10.12015/issn.1674-8034.2022.03.005.
Guo JL, Peng MY, Wang TX, et al. The study of machine learning based on DWI and FLAIR in the prediction of onset time of acute stroke[J]. Chin J Magn Reson Imaging, 2022, 13(3): 22-25, 42. DOI: 10.12015/issn.1674-8034.2022.03.005.
[75]
Zhang YQ, Liu AF, Man FY, et al. MRI radiomic features-based machine learning approach to classify ischemic stroke onset time[J]. J Neurol, 2022, 269(1): 350-360. DOI: 10.1007/s00415-021-10638-y.
[76]
Shi Z, Hu B, Schoepf UJ, et al. Artificial intelligence in the management of intracranial aneurysms: Current status and future perspectives[J]. AJNR Am J Neuroradiol, 2020, 41(3): 373-379. DOI: 10.3174/ajnr.A6468.
[77]
Shi Z, Miao C, Schoepf UJ, et al. A clinically applicable deep-learning model for detecting intracranial aneurysm in computed tomography angiography images[J/OL]. Nat Commun, 2020, 11(1) [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/33257700/. DOI: 10.1038/s41467-020-19527-w.
[78]
Yang J, Xie M, Hu C, et al. Deep learning for detecting cerebral aneurysms with CT angiography[J]. Radiology, 2021, 298(1): 155-163. DOI: 10.1148/radiol.2020192154.
[79]
Shi Z, Zhang LJ. Three fundamental elements for deep learning-based computer-assisted diagnostic tools of intracranial aneurysms[J/OL]. Radiology, 2021, 300(1) [2022-08-15]. https://pubmed.ncbi.nlm.nih.gov/34003053/. DOI: 10.1148/radiol.2021204497.

上一篇 磁共振非对比增强成像机遇与挑战——中国十年来发展成果及展望
下一篇 肺部磁共振成像机遇与挑战——中国十年来发展成果及展望
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2