第一部分 MRI深度学习

1.急性缺血性卒中（acute ischemic stroke，AIS）是一种因各种原因引起脑内 动脉狭窄、闭塞而造成脑血液循环障碍的疾病，具有致残率和病死率高的特点， 给患者个人、家庭及社会造成沉重的负担

2.磁共振成像（MRI）已经被证明是识别卒中核心梗死和缺血半暗带的有力工具。在临床工作中，扩 散加权成像（diffusion weighted imaging，DWI）和灌注加权成像（perfusion weighted imaging，PWI）比其他常规 MRI 能更早的检测组织缺血严重程度，这 可能会有助于提示潜在的出血转化风险。

3.深度学习是使用人工神经网络对大量数据进行复杂的计算，其表现形式是 原始数据输入机器，并开发自己的模型进行识别。卷积神经网络（convolutional neural networks，CNN）是 深度学习的一种算法，已成为该领域的核心。CNN 方法将图像数据作为输入， 并通过一系列卷机和非线性运算迭代扭曲，直到原始数据矩阵转换为潜在图像 类的概率分布。CNN能够对输入图像之间的复杂相互作用进行建模。

4.研究流程图

5.MRI扫描和数据后处理 

     使用 3.0T MRI 扫描设备（Ingenia，操作版本号：6.1.571，Philips 医疗公司， 荷兰）进行多模态 MRI 扫描。扫描参数如下： DWI：采用自旋回波序列， TR=2501ms，TE=98ms，FA=90°，视野=230mm×230mm，矩阵=152×122，层厚 6mm，18 层，层间距 1.3mm，b=0、1000s/mm2；PWI：采用平面回波序列， TR=2000ms，TE =30ms，矩阵=96×93，视野=224mm×224mm，FA=90°，层厚 4mm，持续时间 88s。在动态采集过程中，以 4mL/s 的速度注射 0.1mmol/kg 的 造影剂。

     使用 Philips MRI 自带的高级工作站对 PWI 数据进行后处理：根据动脉输入 功能手动识别急性脑卒中大脑中动脉 M2 段。通过浓度-时间曲线的圆形奇异值 分解生成脑血流量（cerebral blood flow，CBF）、脑血容量（cerebral blood volume， CBV）、达峰时间（time to peak，TTP）和平均通过时间（mean transit time，MTT）。

6.深度神经网络架构和实验

1.单参数模型（DWI、CBF、CBV、MTT和TTP）

影像模型中我们使用的网络是 Inception V3，它提供了紧凑的端到端 CNN 结构，可保持高分辨率的多尺度功能。

2.多参数模型

有四种多参数：多参数 PWI 模型、临床+PWI 参数模型、DWI + PWI 参数模型、临床+MRI 参数模型

3.评估模型效能的角度：准确度、敏感度、特异度、阴性预测值、阳性预测值、受试者操作曲线、和曲线下面积。

4.单参数模型的评估：临床模型在预测急性脑卒中血管内治疗后出血转化的效 能最低（AUC=0.680、ACC=0.659）。影像模型的预测效能均优于临床模型。在切片数据集中，单参数模 型 MTT（AUC：0.945）和 TTP（AUC：0.889）的预测效能同样优于其他参数，SEN、SPC、 PPV 和 NPV 等其他参数呈现与 AUC 相似的趋势。对于单参数模型，切片数据 集的预测效能比 VOI 数据集稍差。

注：VOI: 感兴趣区；DWI!扩散张量成像；CBF：脑血流量；CBV：脑血容量；TTP：达 峰时间；MTT：平均通过时间；ACC：准确度；SEN：敏感度；SPC：特异度；NPV：阴性 预测值；PPV：阳性预测值；AUC：曲线下面积；“MT”代表 MTT 和 TTP 的多参数模型； “MTC”代表 MTT 和 TTP 以及临床的多参数模型；“DMT”代表 DWI 和 MTT 和 TTP 的 多参数模型；“DMTC”代表 DWI 和 MTT 以及 TTP 和临床的多参数模型。

5.多参数模型评估。在所有模型中效果最好

讨论：通过对急性脑卒中患者的临床及多模态 MRI 的深度学习，构建出血 转化预测模型，结果显示深度学习技术能够深度挖掘临床和多模态 MRI 的信息， 准确预测急性脑卒中血管内治疗后出血转化风险。VOI 数据集和切片数据集中 的 DMTC 模型均具有良好的预测效能和泛化能力。由此可见，联合应用临床和 多参数 MRI 的深度学习模型对识别出血转化风险较高进而筛选适合血管内治疗 的患者具有重要意义。

结论：通过对 AIS 多模态 MRI 和临床数据进行深度学习训练及验证，构建 了血管内治疗后出血转化预测模型，结果表明 DMTC 的多参数模型在预测 AIS 患者血管内治疗后的出血转化方面具有很高的准确性和良好的泛化能力。基于 DWI、PWI 和临床多参数的深度学习模型能在治疗前提供 HT 的预测信息，有助 于 AIS 患者血管内治疗的围手术期管理。

第二部分   MRI脑梗死和脑脊液影像组学预测与脑卒中结合

1.背景：目前，脑水肿的影像评估主要基于标准的 CT 表现，然而 CT 对病变或 水肿体积测量不敏感，特别是在 12-14h 内的卒中。此外，水肿主要出现在脑脊 液（cerebrospinal fluid，CSF）-间质液（interstitial fluid，ISF）流动途径的大脑 区域，脑脊液被认为是缺血性脑卒中早期水肿液的主要来源

2.机器学习模型构建、外部验证

机器学习模型根据训练数据集建立的最佳特征子集构建。超参数由搜索方 法自动选择。构建并比较 7 种用于预测脑水肿的机器学习模型：随机森林（random forest，RF）、线性支持向量机（support vector machines based on linear，SVMLinear）、 径向基核函数支持向量机（SVM based on radial basis，SVMRadial）、贝叶斯 （Bayes）、k 近邻（k-nearest neighbor，KNN）、自适应增强算法（Adaboost）和 神经网络（neural network，NNET）。应用 R 软件中的 caret 包进行模型训练，每 个机器学习模型计算时间为 5-10 分钟，进行嵌套交叉严重以使用不同的机器学 习 方 法 训 练 模 型 。

外部交叉验证使用留一交叉验证

讨论：1.利用机器学习技术开发的自动化预测模型可准确预测急性脑卒中后水肿发生。基于DWI+CSFFLAIR的Bayes模型和基于DWI+CSFDWI的RF模型分别具有最高的预测性能和最大的稳定性。这两个模型都有良好的泛化能力。因此，基于脑梗死和脑脊液的MRI影像组学特征构建的机器学习模型可用于预测临床急性脑卒中恶性水肿发生。

2.CT测量早期急性梗死体积的能力有限，MRI扫描，尤其是DWI再识别急性缺血性病变方面具有较高的敏感度。因此，联合使用MRI图像上脑脊液和梗死体积预测脑水肿具有较大优势，但很难获得MRI图像上脑脊液变化，因为很少有患者在治疗前后都进行MRI扫描。

结论：基于DWI梗死体积和FLAIR脑脊液或DWI脑脊液影像组学特征构建的机器学习模型，可准确预测脑水肿风险的发生，两种模式构建的模型具有相似的预测功能。所以，来自脑梗死和脑脊液的影像组学特征可为脑水肿的预测提供可靠的影像学标志物。

第三部分 扩散加权成像组学预测与脑卒中

1.有较多实验者将预后因素结合到标准化评分中或使用机器学习的方法来预测临床预后。但这些研究主要基于患者的CT成像，很少使用MRI成像。MRI成像在评估患者梗死核心体积方面已经被证实比CT平扫或CT灌注更准确。

2.影像组学特征包含六大类：基于形状的一阶统计特征、灰度共生矩阵、灰度游程矩阵、灰度级大小区域矩阵以及灰度依赖矩阵。

3.统计学分析：R软件包

应用单变量Cox比例风险回归分析和逐步多变量COx比例风险回归模型构建CrrScore和clinicScore模型。

讨论及见解 ：

1.nomogram图提高了预测急性脑卒中患者远期不良预后的预测能力。

2.结合影像组学特征和临床风险因素的CrrScore模型的预测效能明显优于MRI-DRAGON评分和clinicScore模型。

3.一阶特征是指仅有体素表现出的成像特征。纹理特征是 指由特定定义的灰度矩阵表示的纹理特征，每种类型都反映图像的某些方面， 包括与相邻体素、体素块和线性尺度的关系。

4.Glcm 表达邻近体素的分布，并可通过 灰度的分布和信号的位置反映病变的信号混杂程度，这可能间接表明梗死病变 的异质性。这些纹理特征表明，与预后不良患者相比，预后良好组患者的 DWI 图像通常具有更高的同质性和更低的对比度，这无法从肉眼判断。因此，提取的影像组学特征可能是个性化治疗中预后的预测工具。