文献速递神经CTMR

急性缺血性卒中影像深度学习系统综述

Deep learning in acute ischemic stroke imaging: a systematic review of CT- and MRI-based segmentation, triage, and prognostic modeling.
PubMed 文献 · Neuroradiology · 2026-06-26

本综述按PRISMA框架纳入2023年1月至2026年3月发表的91项研究,系统评价CT与MRI深度学习在急性缺血性卒中的应用。MRI研究以DWI/ADC/FLAIR病灶分割为主,CT研究侧重急诊分诊、出血排除、大血管闭塞检测。总体技术进展领先于临床验证,外部验证和标准化报告仍不充分。

要点

  • MRI的DWI/ADC/FLAIR病灶分割常用U-Net衍生架构,在ISLES 2015和2022数据集上Dice与IoU表现常较高。
  • CT研究侧重出血排除、LVO检测、ASPECTS相关评估和CTP核心-半暗带估计,而非NCCT病灶精确勾画。
  • CT研究的图像级高AUC不能代表体素级病灶勾画能力,NCCT早期缺血改变对比度低且边界难以可靠分割。

核心结论

  • 深度学习在急性缺血性卒中影像的技术进展仍领先于临床验证,当前需要向可解释、外部验证且预后感知的系统转变。
  • MRI模型多实现较强空间重叠指标,CT模型常报告较高分类或检测性能但NCCT病灶边界勾画仍面临持续困难。

研究设计与样本

  • 该研究为PRISMA指导的系统综述,检索2023年1月1日至2026年3月15日九个数据库中同行评审的原始研究,最终纳入91项研究。
  • 影像数据来源包括PubMed、Embase、Web of Science Core Collection、Scopus、IEEE Xplore、ScienceDirect、SpringerLink、Wiley Online Library和Google Scholar。
  • 文献筛选由两位评价者独立按标题和摘要进行,分歧通过讨论或第三位高级评价者裁决解决。
  • 质量评估采用基于QUADAS-2和CLAIM建议构建的结构化影像AI框架,评估数据集透明度、患者级数据分离、外部验证和指标适当性。

关键影像表现/征象

  • MRI的DWI序列可在缺血发生后数分钟内以高对比度显示细胞毒性水肿,信噪比较高,适合高分辨率深度学习评估。
  • ADC作为DWI衍生的量化指标可排除T2穿透效应,DWI-FLAIR不匹配对确定时间窗状态至关重要。
  • NCCT早期缺血征象如低密度、细胞毒性水肿和岛带征消失对比度低,深度学习分割同样困难。
  • ISLES 2022和TEKNOFEST可视化样本显示从大血管闭塞的大体积病灶到腔隙性梗死的小灶性病灶存在显著形态学差异。

诊断标准与关键数值

  • ISLES 2015包含SISS和SPES两个子挑战:SISS提供28例多模态MRI(FLAIR、T1、T2、DWI)用于亚急性病灶分割,SPES提供30例PWI和结构MRI用于核心/半暗带估计。
  • ISLES 2017将数据集增加到43例训练和32例测试病例,ISLES 2018转向约94例CTP扫描(60例训练、34例测试)。
  • MRI基础研究仅做卒中有无分类且无像素级分割输出的被排除;CT基础分类和检测研究被保留以反映CT作为急诊分诊工具的主要临床角色。
  • 仅报告准确率而缺乏体素级评估的CT研究需谨慎解读,因为图像级分类性能不建立可靠的体素级病灶勾画能力。

临床应用与阅片要点

  • 阅片时应明确区分CT和MRI深度学习模型的临床任务定位,不可将CT图像级分类性能等同于病灶勾画能力。
  • DWI高对比度使其成为深度学习病灶分割的首选序列,报告模型结果时应注明所用序列组合。
  • ISLES 2018的CTP基准数据集已成为CTP核心与半暗带分割算法的实际标准,可直接用于方法学对比。

局限性

  • 原文指出许多模型在跨扫描仪和跨机构泛化能力、实时部署速度和可解释性方面仍存在持续不足。
  • 原始研究本身存在单中心、私人数据集偏倚,外部验证实施不一致,影响临床转化结论的普适性。
全文中译55 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroradiology. 2026 Jun 26;68(9):3009–40. doi: 10.1007/s00234-026-04095-5

引言

缺血性卒中仍是全球范围内导致死亡和长期残疾的主要原因之一。每年约有1500万人发生卒中,其中500万人死亡,另有500万人遗留永久性损伤[1, 2]。卒中是所有死亡和失能原因中的第二位,在每年录得的1790万例血管疾病相关死亡中占有相当大的比例[3]。疾病负担不成比例地由较贫穷的国家承担,因为每10例新发卒中中有7例(共计1190万例)发生在低收入或中等收入国家。此外,该病越来越多地累及较年轻的人群;值得注意的是,每3例死于卒中的人中就有1例尚未满70岁[4]。

约87%的卒中为缺血性卒中——血凝块堵塞脑血管[5]。急性缺血性卒中的治疗必须在数分钟内启动——“时间就是大脑”这一说法确立了临床优先原则[6]。血管闭塞后,损伤会在数分钟至数天内持续扩展[7]。死亡的组织构成缺血核心——其周围是缺血半暗带——这些细胞仍能获得部分血流,功能已受损——但依然可以挽救[8]。挽救半暗带是卒中救治的主要目标,主要通过开通动脉来实现。对于大血管闭塞,血管内取栓术(EVT)现已成为常规治疗,并能显著提高获得良好预后的机会[9]。静脉注射阿替普酶(rtPA)仍是标准的溶栓药物,并且在许多患者中作为首选药物[10],正如NINDS和ECASS III所证实的[11, 12]。然而,血管造影引导下的取栓术也有其局限——主干动脉开通后,微小血栓仍可能残留于下游,微循环也可能仍然处于闭塞状态——组织灌注失败,预后恶化[6]。这一不足要求更快速、更精确的诊断以及额外的治疗手段[13]。

神经影像学是诊断的核心。不注射对比剂的普通计算机断层扫描(CT)仍是首检方法,主要用于排除出血[14]。相比之下,磁共振成像(MRI)对缺血早期征象的检出能力要好得多——其弥散加权序列能清楚显示已经坏死的区域[5, 7]。然而,这两种方法都面临一个主要难题——必须由人工手动勾画受损组织。这一步骤需要数小时的专家劳动——在急诊情况下这意味着不可接受的延误——而且不同阅片者勾画的区域往往不一致[15]。由于高血压和糖尿病控制不佳导致缺血性卒中不断增加,这一领域现在需要可规模化、能提供一致数值并且运行快速的工作[16]。

人工智能(AI),特别是深度学习(DL),已成为这一背景下现代卒中研究的基本要素。2015年前后,DL模型开始取得新的进展,能够检测高维CT和MRI扫描中非常复杂且精细的模式,而传统分割方法无法检测到这些模式[15]。其中一个重要里程碑是ISLES公开挑战赛[17],该赛事自2015年持续至2024年,不仅吸引了研究者参与,还促使他们利用注意力机制和多模态学习开发复杂模型,这些模型可处理弥散加权成像(DWI)、液体衰减反转恢复(FLAIR)序列和灌注图[18]。然而,向医学领域的转化仍受到若干持续性局限的困扰。许多模型仍缺乏跨不同扫描仪和诊所的泛化能力,对于急性工作流程的实时部署而言速度仍然过慢,并且不透明,这构成了在高风险临床决策中采纳这些模型的关键障碍。例如,在资源匮乏的环境中情况更为严峻,从而加剧了全球健康差异问题[19]。

为弥补这一空白,本综述从模态特异性临床视角审视急性缺血性卒中成像中的深度学习研究。我们没有将CT和MRI视为单一分割问题中可互换的输入,而是区分它们在急性诊疗中的不同作用。基于CT的研究通常面向快速分诊、出血排除、大血管闭塞检测、ASPECTS相关评估以及CTP衍生的核心-半暗带估计。相比之下,基于MRI的研究更常聚焦于精确病灶勾画、组织特征描述以及纵向或预后导向建模[20]。这一区分很重要,因为分类准确率、AUC、Dice分数和IoU并不代表等效的临床终点。因此,本综述分别综合基于CT和基于MRI的研究,同时评估该领域如何从病灶层面的分割向临床整合的预后建模转变[21]。

尽管已有若干综述总结了人工智能在卒中成像中的应用,但很少有综述明确按照各自不同的临床任务、成像限制、验证策略和报告的指标来比较基于CT和基于MRI的深度学习研究。因此,本综述通过区分分割、分类、检测、分诊和预后导向研究,对近期文献进行了聚焦性综合。本综述特别关注为什么基于MRI的模型在病灶分割方面通常能取得更强的空间重叠指标,而基于CT的模型更常报告较高的诊断分类或检测性能,但在NCCT病灶边界勾画方面仍面临挑战。本综述还审视了从像素级病灶分析向整合影像和临床信息以用于结局预测、复发风险估计和治疗导向决策支持的模型的新兴转变。

方法学

本系统综述按照系统综述与荟萃分析优先报告条目(PRISMA)建议撰写,旨在审视近期关于急性缺血性卒中影像的深度学习研究[21]。检索范围覆盖2023年1月1日至2026年3月15日发表的同行评审文章。如图1和355条记录所示,首先从九个电子数据库中初步识别。经过去重和可获取性检查后,对245条记录按标题和摘要进行筛选。其中,166篇文章进行了全文评估,91项原创同行评审研究符合纳入标准并被纳入最终综述。

图1 PRISMA流程图,详细说明系统文献检索和研究筛选过程的方法学阶段[21] 查看原图 ↗

检索策略与数据库

为了对当前技术发展水平建立全面、系统的概览,我们对九个常用于医学影像、生物医学工程和临床研究领域的知名电子数据源进行了详尽的文献检索。检索的数据源包括PubMed、Embase、Web of Science核心合集、Scopus、IEEE Xplore、ScienceDirect、SpringerLink、Wiley Online Library和Google Scholar。文献检索针对2023年至2026年的卷或期文章进行。选择这一时间段是为了涵盖最新的架构进展,即从传统CNN到Transformer模型及其混合模型在急性卒中影像中的应用。全面文献检索于2026年2月15日至2026年3月15日期间进行,覆盖2023年1月1日至2026年3月发表的文章。在初步数据库检索之后,所有检索到的引文均导出至参考文献管理软件(如EndNote),自动识别并删除重复记录。剩余的唯一记录随后由两名评审员(作者A和D)根据标题和摘要独立筛选。筛选阶段的任何分歧通过讨论解决,或咨询第三位资深评审员(作者F)以达成共识。

检索策略在筛选前已确定,并结合了与卒中、影像模态、临床任务和深度学习方法相关的术语。代表性检索式为:(“ischemic stroke” OR “acute ischemic stroke” OR “cerebral infarction” OR “ischemic brain lesion” OR “large vessel occlusion” OR “LVO”)AND(“segmentation” OR “lesion delineation” OR “classification” OR “detection” OR “triage” OR “ASPECTS” OR “core” OR “penumbra” OR “outcome prediction” OR “prognosis”)AND(“deep learning” OR “neural network” OR “convolutional neural network” OR “CNN” OR “U-Net” OR “nnU-Net” OR “YOLO” OR “vision transformer” OR “Transformer” OR “hybrid model”)AND(“CT” OR “NCCT” OR “CTA” OR “CTP” OR “computed tomography” OR “MRI” OR “DWI” OR “ADC” OR “FLAIR” OR “perfusion imaging”)。该查询根据各数据库的索引系统和检索语法进行了调整。该方法用于同时捕获病灶级分割研究以及处理临床相关分诊、检测和分类任务的基于CT的研究。

针对每个数据库调整了特定的检索语法(例如,PubMed 使用 MeSH 词表,IEEE 使用命令行)。对于 Google Scholar,由于缺乏高级筛选功能,按相关度排序筛选了前 200 条结果,以识别灰色文献。最终检索式经过迭代开发,并在共同作者之间进行了内部同行评议,以确保覆盖全面。为在完整文献检索前对检索策略进行实证验证,开展了一次预检索,以确认能够成功捕获一组预定义的奠基性基准文章(例如,基础深度学习架构和高被引 ISLES 挑战赛论文)。只有在完成该验证后,才执行了完整检索。

为确保可获取性和可重复性,纳入标准限于以英文发表的、经同行评议的全文原创研究论文,且这些论文报告了使用深度学习或密切相关的基于神经网络的方法在 CT 或 MRI 上对缺血性卒中病灶进行自动分割或勾画的定量结果。会议摘要、综述、社论、病例报告以及仅关注分类或检测而未提供分割输出的研究被排除。此外,对所有纳入研究以及近期综述文章的参考文献列表进行了人工筛查,以识别数据库检索可能未能检出的其他相关研究。

纳入与排除标准

如果研究探讨了使用 CT、CTP、CTA、MRI、DWI、ADC、FLAIR 或多模态成像对急性或亚急性缺血性卒中进行影像学评估,并采用了深度学习或基于神经网络的方法,则予以纳入。符合条件的研究必须报告至少一项临床相关任务的定量结果,包括病灶分割、梗死核心估算、缺血半暗带估算、卒中分类、大血管闭塞检测、出血排除、ASPECTS 相关评估或预后预测。仅纳入以英文撰写的、经同行评议的全文原创研究论文。由于 CT 在急诊环境中常被用于快速分诊,而非单纯用于详细的病灶边界勾画,因此当基于 CT 的分类和检测研究涉及急性卒中决策支持时予以保留。仅使用 MRI 且仅关注简单的卒中/非卒中分类、而无病灶层面、组织层面或预后相关性的研究未纳入主要的分割综合定量分析。

相反,排除标准如下:(1)综述文章、荟萃分析、社论或致编辑的信。(2)会议摘要或无法获取全文的研究。(3)对于基于 MRI 的研究,仅关注分类(例如,卒中存在/不存在)或检测而未提供像素级分割输出的研究被排除。(注:如纳入标准第 5 条明确所述,基于 CT 的分类和检测研究作为有意设定的例外予以保留,以准确反映 CT 作为快速分诊工具的主要临床作用,在这种情况下,严格的分割往往次于即时诊断)。(4)针对非病灶结构分割的研究,如脑动脉或颈动脉斑块(这些内容可用于引言和讨论中的背景说明,但被排除在主要定量分析之外)。

数据提取与质量评估

对于每项研究,我们提取了发表年份、成像模态、临床任务、数据集来源、样本量、公开或私有数据集状态、模型架构、验证策略、外部验证状态、参考标准以及报告的性能指标。分割研究主要使用Dice相似系数、IoU、精确率、召回率、特异度进行总结,并在可获得的情况下纳入边界相关指标。分类和检测研究使用准确率、AUC、敏感度、特异度、精确率、召回率和F1分数进行总结 [22, 23]。

研究质量采用基于QUADAS-2和CLAIM建议改编的结构化影像AI框架进行评估。评估考虑了数据集透明度、患者层面数据划分、参考标准的清晰度、外部验证、报告指标的适当性以及临床适用性。仅基于小型、单中心、私有数据集且未进行外部验证的研究被认为在普遍适用性方面存在较高风险。在高度不平衡环境下仅报告准确率的研究也被谨慎解读,因为准确率可能高估模型性能。这些质量指标不用于排除研究,而是用于指导结果解读和临床转化讨论。

缺血性卒中影像与基准数据集概况

深度学习模型在缺血性卒中病灶分割中性能的总体上限最终由数据的质量、数量和多样性决定。尽管在大多数计算机视觉任务中数据通常很丰富,但医学影像领域却受到数据稀缺问题的困扰,而患者数据使用前必须清除的极高的伦理和法律障碍又严重加剧了这一问题。获取知情同意是大规模数据集创建中需要清除的最突出障碍之一。

此外,数据的实际标注是影响金标准数据整体创建的另一问题。金标准数据的实际创建高度劳动密集,因为通常由放射科医师完成。因此,数据是对深度学习模型整体性能的主要限制,而缺乏多样性是影响当前最优模型整体泛化能力的最突出问题之一。

成像模态及其分割特性

CT和MRI在急性缺血性卒中诊疗中发挥不同的作用,这种差异直接影响深度学习模型应如何设计和评估。平扫CT通常是急诊环境中的首个影像学检查,因为它快速、广泛可用,并且在排除颅内出血方面可靠。CTA和CTP可以补充关于血管闭塞、侧支循环、梗死核心以及潜在可挽救组织的信息。MRI,尤其是DWI和ADC,对早期缺血性损伤更敏感,更适合进行详细的病灶勾画。因此,基于CT的模型通常被评估为分诊或检测工具,而基于MRI的模型更常被评估为分割或组织表征工具。

基于CT的分割

CT扫描作为临床上急性缺血性卒中评估的金标准影像技术已被广泛认可。其普及的原因包括检查速度快、设备可及性高,以及在出血性卒中中排除出血以提供及时治疗方面具有很高的敏感性。然而,在CT扫描上分割卒中相关结构,尤其是非增强CT(NCCT)扫描,是一个相当复杂的过程。急性缺血性卒中的早期表现,如低密度、细胞毒性水肿和岛带征消失,由于对比度低,在NCCT上难以检出。无论如何,包括深度学习(DL)技术在内,这些结构的分割都是困难的。为解决这一问题,CT灌注(CTP)成像试图以几种参数图(CBF、CBV、TTP)的形式给出缺血核心和半暗带(可恢复组织)的分布。同时,由于不同扫描设备、噪声和参数图差异,这种分割也可能被证明是困难的。

基于MRI的分割

MRI目前被认为是急性缺血性卒中评估的放射学金标准技术,其中弥散加权成像(DWI)在临床实践中更为常用。DWI可在急性缺血性卒中发生后数分钟内以相对于周围组织非常高的对比度显示细胞毒性水肿(细胞内水分子受限)。由于DWI具有高信噪比(SNR)特性,因此DWI被优先用于基于高分辨率深度学习的卒中评估 [24]。其他序列,如液体衰减反转恢复(FLAIR),也应用于病灶的亚急性和慢性期特征描述。DWI-FLAIR不匹配对于确定时间窗状态至关重要。表观弥散系数(ADC)是从DWI MRI序列中获得的受限弥散的量化指标,可排除T2透射效应。包括DWI、ADC和FLAIR图像在内的多模态MRI序列已被纳入当前网络作为预测目的的输入。然而,确定用于特征提取和分类的最佳序列数量和组合仍是一个活跃的研究领域。

公开基准数据集

深度学习模型的成功直接取决于大规模、高质量、带标注的训练数据集的可用性。然而,在医学影像领域,由于患者隐私问题、高昂的数据采集成本以及专家标注(标记)的难度,数据稀缺仍是一个根本性挑战,尤其是在缺血性卒中等时间紧迫的情况下。在这一背景下,公开可用的基准数据集在算法开发和测试中发挥着至关重要的作用,最重要的是,对于确保可重复性和可比性也至关重要。

在缺血性脑卒中分割研究方面,ISLES系列被认为是首个学术基准。2015年和2017年的前两版ISLES数据集在为算法比较建立必要标准方面发挥了重要作用,重点关注亚急性期病灶分割。然而,ISLES数据集中最重要的版本是ISLES 2018和ISLES 2022,前者标志着从MRI向CT灌注成像的范式转变,因此被视为急诊工作流程的新标准;后者则试图通过创建来自多个来源的大型数据集来解决泛化性问题。与聚焦急性期的ISLES数据集不同,ATLAS数据集通过关注卒中后三个月以上的慢性期病灶,填补了康复和预后模型领域的重要空白。BraTS并非缺血性脑卒中数据集,不应被解读为卒中特异性基准。其在该领域的相关性主要与迁移学习有关,因为一些研究使用它来预训练脑异常组织分割模型,然后再在较小的卒中数据集上进行微调。这种使用方式应当谨慎描述,因为脑肿瘤与缺血性梗死灶在病理生理学、影像学表现、时间演变和临床意义上均有所不同。因此,在本综述中,BraTS仅被视为辅助性预训练资源。最后,关于基于CT的研究,Kaggle数据集因其可获取性和较大的数据规模,通常被优先用于分类研究;而TEKNOFEST数据集通过提供来自多种来源的约7000张图像的大型数据集,为当地研究人员提供了重要资源(表1)。

为了对分割任务提供定性认识,图2(ISLES 2022)和图3(TEKNOFEST)展示了两个主要基准数据集的代表性样本。每幅图均采用标准化的三列布局来展示解剖数据与病理标注之间的关系:第一列显示原始输入图像,第二列展示专家标注的金标准掩膜,第三列展示病灶掩膜叠加在原始扫描图像上的融合图。此外,为了突出深度学习模型所需的尺度不变性,样本按病灶大小排列;上方各行展示大体积病灶的病例(如大血管闭塞),而下方各行展示了小灶性病灶(如腔隙性梗死)的困难检测。这些可视化展示凸显了基于MRI和CT的脑卒分割中固有的形态多样性及不同的难度程度。

表1 脑MRI和CT数据集:特征及参考文献 查看原表 ↗
图2 来自ISLES 2022数据集的代表性MRI分割样本。各列分别展示原始MRI输入图像(左)、专家标注的金标准掩膜(中)及融合叠加图(右),突出显示了从大范围梗死(上行)到小灶性病灶(下行)的形态变异性。 查看原图 ↗
图3 来自TEKNOFEST数据集的代表性CT分割样本。各列分别展示原始CT输入图像(左)、人工勾画的金标准掩膜(中)及融合叠加图(右),展示了识别大范围(上行)和小范围(下行)缺血性病灶的临床挑战。 查看原图 ↗

ISLES(缺血性卒中病灶分割)

ISLES挑战系列毫无疑问代表了该特定领域中最突出且使用最广泛的学术基准数据集。

ISLES 2015和2017

首届ISLES挑战与MICCAI会议联合举办,聚焦于MRI模态。ISLES 2015包含两个子挑战:SISS(亚急性缺血性卒中分割)提供来自28例患者的多模态MRI数据(FLAIR、T1、T2、DWI)用于亚急性病灶分割,SPES(卒中灌注估计与分割)提供来自30例患者的多模态数据,包括灌注MRI(PWI)和结构MRI数据,用于急性卒中核心/半暗带估计。ISLES 2017在此基础上进一步扩展,将数据集增加到43例训练和32例测试病例。首届ISLES挑战标志着该领域的首次标准化,使方法得以公平比较,并宣告U-Net变体成为该领域的新标准[25, 26]。

ISLES 2018

该挑战代表了该领域一次关键的范式转变。焦点从MRI转向了CT灌注(CTP)成像,后者通常更适合急诊科工作流程。参赛者的任务是利用CTP图(如CBF、CBV、TTP)分割缺血核心和半暗带。该数据集包含约94例CTP扫描(60例训练,34例测试),成为基于CTP的分割算法的事实标准,至今仍在当代研究中广泛使用[37, 38]。

ISLES 2022

最新的ISLES挑战将焦点重新转向MRI,特别是DWI。然而,这一届的设计规模远大于以往挑战,明确针对泛化性问题。ISLES 2022包含来自250多例多中心患者的数据,旨在测试模型在应用于来自不同扫描仪和采集协议的数据时的鲁棒性。

ATLAS(卒中后病灶解剖追踪)

与ISLES聚焦于急性和亚急性期不同,ATLAS数据集专注于慢性缺血性卒中病灶。它包含卒中后三个月以上成像患者的T1加权MRI扫描,提供由神经病学专家在304例MRI扫描(来自220多例患者)上手动勾画的病灶标签。虽然不能直接用于急性分割模型,但ATLAS数据集对两个特定领域至关重要:(1)研究大脑中病灶解剖位置与长期功能结局(如失语症、运动功能丧失)之间关系的研究,以及(2)评估脑可塑性和康复策略的预后模型。

BRATs(脑肿瘤分割)

BRATs数据集顾名思义并非缺血性卒中数据集。它是为从多模态MRI(T1、T1增强、T2、FLAIR)图像中分割脑肿瘤(如胶质母细胞瘤)而建立的。然而,将其纳入本综述有两个策略性原因:

数据量和质量

BRATs数据集(如BRATs 2021,包含超过2,000例患者)远大于现有的缺血性卒中数据集,包括ISLES。

迁移学习

缺血性卒中和肿瘤在MRI中可呈现出相似的挑战,表现为“异常脑组织”(例如,结构不均一、边界不清)。文献中许多研究在面对数据稀缺时,首先在大规模BRATs数据集上预训练模型,以学习“异常组织”的检测[39]。随后,这一“具备先验知识”的模型在较小的ISLES数据集上进行微调,以识别缺血性卒中病灶。与仅使用缺血性卒中数据从头训练的模型相比,这种方法通常能取得更高的性能。

因此,BRATs在文献中并非作为主要的缺血性卒中基准数据集出现,而是作为“辅助”或“资源”数据集。

其他数据集

除上述主要基准数据集外,该领域相当一部分研究使用的是私有或机构内部医院数据集。这种做法虽然有助于开发高性能模型,但却是限制这些研究可重复性的最重要因素。为填补这一空白,也出现了一些更易获取的数据集:

Kaggle数据集

Kaggle平台托管了由研究者上传的各种缺血性卒中数据集。例如,“Brain Stroke CT Image Dataset”包含约2,500张CT图像(包括出血性和缺血性)[40]。

以NCCT为重点的数据集

AISD(急性缺血性卒中数据集)[32]和CPAISD(核心-半暗带急性缺血性卒中数据集)[33]提供了至关重要的平扫CT数据,弥补了最具挑战性模态公共数据稀缺的问题。类似地,APIS(配对CT-MRI数据集)[28]通过提供同一患者配准后的CT和MRI扫描,具备独特优势,可实现配对模态学习。

MRI及多模态数据集

近期的贡献包括SOOP(卒中结局优化项目)[34],该数据集侧重于与临床结局相关的多模态MRI数据。ICPSR(缺血性卒中病灶分割)[35]数据集和NeuralCUP [36]也扩充了可用于多种病灶分割任务的现有数据资源。这些数据集汇总于表1,以指导未来的算法开发。

国家级竞赛(如TEKNOFEST)

国家级赛事,如在土耳其举办的TEKNOFEST健康领域人工智能竞赛,提供了具体且具有挑战性的数据集,以强化当地的研究生态。一项研究利用包含6,951张脑CT图像的TEKNOFEST 2021数据集,同时进行了分类和分割任务[31]。

数据增强

用于医学领域的图像深度学习模型的有效性在很大程度上依赖于大量标注数据的可用性。然而,由于隐私问题、标注成本高昂以及病理病例相对健康对照而言较为罕见,卒中分割的数据可用性本身就受到限制。此外,受卒中影响的脑区相对于整个脑体积而言非常小,导致严重的类别不平衡问题,模型可能偏向于背景类。为克服这些问题并防止模型过拟合,数据增强已成为模型训练过程中的一个重要环节。数据增强技术可分为三大类:

经典及几何数据增强

这是用于增加训练模型所用数据集的数据增强技术的传统一线方法。它涉及应用仿射变换,模拟患者体位和扫描方案的变异性,而不影响病灶的语义含义。正如文献中其他作者所述,这包括旋转图像、翻转图像、放大缩小图像以及平移图像。弹性形变也被用于模拟脑结构的解剖变异性 [41, 42]。

高级合成增强(GANs)

作为几何变换有效性的进一步替代方案,学术研究越来越多地采用生成对抗网络(GANs)来克服数据不足的问题。与改变原始图像的传统技术不同,GANs 旨在学习卒中病灶数据的底层分布,从而创建完全原创的病灶图像数据。基于 GAN 的技术在当前学术研究中已显示出有前景的结果。例如,基于条件 GAN 的技术被有效用于提高分割性能。同样,基于 GAN 的技术在私有数据集上提高模型性能的有效性也得到了证明 [43, 44]。

新范式(自监督学习)

针对数据不足问题的一个新趋势聚焦于标注数据问题。近期使用噪声诱导模型的自监督学习技术为标注数据稀缺问题提供了一种解决方案。诸如使用噪声诱导自监督的混合 Unet Transformer 等技术利用自监督范式来克服标注数据稀缺的问题 [38, 45]。

用于缺血性卒中分割的深度学习架构

在过去十年中,缺血性卒中病灶分割领域经历了根本性的变革,尤其是在深度学习革命的影响下。与传统的机器学习方法(如支持向量机、随机森林)不同,基于深度学习的方法,特别是卷积神经网络(CNNs),凭借其分层和自动特征提取能力,在从原始影像数据中学习复杂病灶模式方面表现出了优越的性能。本节将系统回顾用于缺血性卒中分割的主要深度学习架构,从 U-Net 及其变体开始,延伸至最新的基于 Transformer 的混合模型。

基石:U-Net 及其变体

生物医学图像分割中的主导架构无疑是 Ronneberger 等人提出的 U-Net [46]。其成功依赖于两个基本设计特征:(1)对称的编码器-解码器结构,用于捕获图像的上下文性“是什么”信息;(2)跳跃连接,用于保留病灶的精确“在哪里”信息(边界细节)。这些跳跃连接使模型能够将来自编码器的低层高分辨率特征图与来自解码器的高层语义特征相结合,从而实现缺血性卒中病灶边界的精确描绘,而这些边界往往是模糊不清的。

2D、2.5D 和 3D U-Net

U-Net架构的具体实现很大程度上取决于输入数据的模态,输入可以是二维切片或三维体数据。对于前者,图像数据按逐切片方式处理。这种方法计算成本低,甚至可以使用在二维数据(如ImageNet)上预训练的模型。然而,这种方法忽略了切片之间的体积连续性,可能导致沿z轴的分割结果不一致。尽管如此,该方法在二维数据占主导的情况下效果良好,例如检测CT扫描单个图像切片中的高密度动脉征(HAS)或分割病灶。另一方面,3D版U-Net架构以整个体数据集(如三维MRI)作为输入,因此能非常准确地捕获切片之间的体积上下文。然而,3D卷积对GPU显存(VRAM)的高要求和计算成本是该架构的主要缺点,尤其是对于高分辨率图像。2.5D版U-Net架构试图结合2D和3D版本,以中心切片及其相邻切片堆叠(3、5或7张切片)作为输入数据。该架构减少了2D版U-Net架构在上下文信息方面的局限性[45, 47–49]。

高级U-net模型

基础U-Net架构在不断发展,以克服缺血性卒中分割的特定挑战(如小病灶、低对比度边界、类别不平衡)。U-Net + + 架构将原始U-Net的跳跃连接重新设计为密集嵌套结构。这种设计允许编码器和解码器之间更灵活、更高效的特征融合,改善特征传播。Attention U-Net和ResUnet在基础U-Net上增加了两个关键组件:残差连接(来自ResNet)和注意力门控。残差连接有助于训练更深的网络,而注意力机制使模型能够主动抑制不相关的背景区域(健康脑组织),并“聚焦”于分割关键区域(病灶)。这显著提升了性能,尤其是在低对比度的CTP或MRI图像中[50, 51]。nnU-Net(no-new-U-Net)并非特定的架构创新,而是一个极其强大的“框架”。当应用于任何新数据集(如ISLES 2022)时,nnU-Net是一个元模型,可自动配置(自配置)数据预处理、网络拓扑(如2D与3D U-Net的选择)、训练参数和后处理步骤。它通常优于许多人工设计的定制架构,使其成为该领域强大的基线和金标准[52, 53]。

基于YOLO的模型

YOLO在缺血性卒中成像中的实现涉及两个连续步骤,包括目标检测和分割。最初的YOLO模型被设计为一种目标检测算法,其主要功能是检测目标,以边界框的形式提供其位置估计。在急诊情况下,时间是诊断的关键,此类算法至关重要,因为与快速识别相比,精度不再是优先考虑的因素。在缺血性卒中的情况下,某些版本(如Stroke YOLO)已基于这一特定结构开发,能够在几秒钟内检测出病灶[40]。

尽管由于边界框这一问题,YOLO曾被认为与分割不兼容,但近年来该网络经历了巨大变革,聚焦于解决像素级问题的需求。事实上,最新的模型,即YOLOv8-Seg和YOLOv9-Seg,通过引入一个头结构解决了这一问题,该结构除了经典的检测框外还能生成语义掩膜。因此,这使YOLO成为一种混合工具,不仅能诊断图像,还能辅助分割。这对于临床图形用户界面(GUI)中的应用尤为重要,因为在这种情况下,该工具将同时实现病灶定位和体积估计[40, 54]。

然而,至关重要的是将这些进展置于该领域当前的验证层级中加以审视。虽然这些新兴模型在快速分诊方面显示出相当大的前景,但与已确立的U-Net范式相比,其临床验证仍然有限。U-Net及其衍生模型已在医学队列上经过严格的多中心基准测试,仍然是医学图像分割的基础金标准。相反,基于YOLO的架构最初针对高对比度自然图像数据集进行了优化,尚未在急性缺血性卒中典型的高度细微、低对比度组织边界上得到充分验证。因此,未来的研究必须对这些快速推理模型进行严格的大规模临床测试,才能使其从有前景的GUI原型完全转变为值得信赖的独立神经放射学工具。

新前沿:基于Transformer的架构

Transformer架构彻底改变了自然语言处理(NLP)领域,它在卷积神经网络(CNN)固有短板的领域取得了成功:建模长程上下文依赖关系。这是通过“自注意力”机制实现的。虽然CNN擅长捕捉局部模式(例如病灶的边缘),但Transformer能够理解单个病灶不同部分之间或病灶与硬脑膜之间的全局关系。

由于纯视觉Transformer(ViT)需要异常庞大的数据集,因此医学影像中最成功的应用以CNN-Transformer混合模型的形式出现:TransUNet模型将Transformer整合到U-Net的编码器路径中。HUT-NSS(混合Unet Transformer)是一种结合了CNN和Transformer优势的混合方法。当其与自监督学习(SSL)技术(如“噪声诱导自监督”(NSS))相结合时,即便在标注数据有限的情况下也表现出较高性能,为医学数据稀缺问题提供了一种潜在的解决方案[38]。AFS-HCTNet(混合SCNN-Transformer)在混合结构中加入了“自适应特征选择”模块。该模型可以动态决定是赋予CNN提取的局部细节更多权重,还是赋予Transformer提取的全局上下文更多权重,这对低对比度和边界不清的CT病变尤其有益[55]。利用“稀疏”注意力机制来降低标准Transformer计算负荷的稀疏Transformer也在MRI图像上显示出有希望的结果[56]。

其他新兴架构

该研究领域发展极为迅速,除U-Net和Transformer之外,一些创新架构也正在被探索,以解决缺血性卒中分割的特定挑战(例如空间层次、能效):

胶囊图神经网络

标准CNN往往会丢失目标(病变)的内部层次和空间关系。该方法结合了胶囊网络(CapsNet)和图神经网络(GNN),旨在更好地建模病变的复杂拓扑和层次关系,尤其是在DWI图像中[57]。

深度脉冲神经网络

这些基于事件的网络更接近于人脑的运作原理(神经元“脉冲发放”),其功耗可能远低于标准CNN。诸如DSPM-Net之类的模型正在被研究用于利用这种高能效方法在MRI图像上进行缺血性卒中检测[58]。

语言引导模型

最新的方法之一涉及使用大型语言和视觉模型(如CLIP),通过文本“提示”来引导分割过程。诸如DCTP-Net之类的模型旨在利用文本输入(例如“急性缺血性卒中病灶”)帮助模型理解其要寻找的目标,从而实现更准确的分割[59]。

新型优化网络

研究人员还致力于使用专门设计的架构来提升CT图像上的检测和分割性能,例如将深度克罗内克网络(DKN)与新型元启发式优化算法(如Elk Herd Taylor Optimizer,EHTO)相结合,或使用多注意力密集网络(MAD-Net)[60, 61]。

性能指标与评估

评估和比较用于缺血性卒中分割的深度学习方法依赖于一套通用的评估标准。本文讨论的方法所纳入的指标可分为:(1)用于评估分割效果的空间重叠指标,(2)用于基于体素分类的统计指标,以及(3)用于诊断性能的分类阈值指标。

体素重叠指标(DSC和IoU)

这些指标是评估分割任务空间准确性的实际标准。

Dice相似系数(DSC)

在分割文献中报告最广泛的指标。DSC 衡量预测分割掩模(Prediction)与专家标注的金标准(Ground Truth)之间的空间重叠程度。其定义为两倍交集面积除以两个掩模面积之和。DSC 为 1.0 表示完美、逐像素匹配,而 0 表示无重叠。它尤其受重视,因为它对假阳性(过度分割)和假阴性(欠分割)提供了平衡的衡量。

交并比(IoU / Jaccard 指数)

IoU,也称为 Jaccard 指数,与 DSC 密切相关,衡量区域之间的重叠程度。其定义为交集面积与并集面积之比。与 DSC 相比,它被认为是一种更具惩罚性的衡量指标。在 IoU 指标上得分较高(高于 0.80)的模型表明具有较高的空间精度。

统计验证指标(召回率、特异性和精确率)

这些指标源自体素级别的混淆矩阵,可更细致地了解模型的错误特征。

召回率(敏感性,Re)

这两个术语在分割文献中常可互换使用,因为它们在数学上完全相同(真阳性率)。该指标衡量模型正确识别所有实际阳性(病灶)像素的能力(TP / (TP + FN))。高敏感性在临床上至关重要,因为它表明模型成功避免了假阴性(即不会“遗漏”缺血性卒中病灶的部分区域)。

特异性(Sp)

该指标衡量模型正确识别所有实际阴性(健康组织)像素的能力(TN / (TN + FP))。高特异性表明模型成功避免了假阳性(即不会将健康组织错误标记为病灶)。在分割中,由于健康组织中存在大量真阴性,该指标的信息量不如精确率,但在整体分类任务中对避免误诊健康患者至关重要。

精确率(P)

该指标衡量模型的“精确程度”。在模型预测为病灶的所有像素中,精确率量化了正确预测的百分比(TP / (TP + FP))。高精确率表明模型避免了假阳性(即不会“过度分割”或将健康组织错误标记为病灶)。高精确率模型对于防止高估病灶体积至关重要,因为病灶体积高估可能会影响治疗决策。

基于分类的指标(ACC 和 AUC)

这些指标主要用于分类任务(如“卒中 vs. 非卒中”,“大血管闭塞存在 vs. 不存在”),但有时也(常常误导性地)被报告用于分割。

准确率(ACC)

该术语定义为被正确分类的数据点占总体的比例。其计算方式为 (TP + TN) / 总像素数。由于类别高度不平衡,不建议用准确率来解释缺血性卒中图像的分割结果。在脑图像分析中,任何给定图像中真阴性(TN)的比例都超过 99%。这意味着,如果模型将所有数据点都分类为真阴性,准确率可超过 99%。然而,Dice 相似系数(DSC)却为 0。因此,尽管准确率是分类问题的主要准确度指标之一,但不建议用于分割问题。

曲线下面积(AUC)

该术语由受试者工作特征(ROC)曲线下面积定义。AUC被认为是区分正类和负类的有效指标。AUC为1.0的模型被认为是完美的,而AUC为0.5则被认为是随机猜测的表现。在分类问题中,综述文献强调推荐使用AUC而非准确率。

系统评价结果

磁共振成像(MRI)研究的评价

聚焦于MRI及其亚模态的研究清楚地展示了深度学习架构在病灶分割和诊断任务中的演进。为提供一个稳健的分析框架,基于MRI的文献被分为两个主要临床类别:(1)精确的体积病灶分割和(2)包括整体预后预测在内的诊断分类。聚焦于像素级勾画的研究主要利用U-Net变体及其高级衍生模型(表2),而以诊断分类和“像素到预后”范式为中心的研究则越来越多地采用混合架构、集成模型和以结局为导向的模型(表3)。

2023年的研究表明,扩散加权扫描因其高对比度敏感性而被广泛认为是识别梗死核心的金标准。然而,由于潜在的伪影、低分辨率或病灶外观的变异性,自动分割仍可能具有挑战性。因此,Nazari-Farsani等[69]使用U-Net仅达到约50%的DSC,并报告使用AG-DCNN获得了相似的分数。基于Transformer的模型在同一年开始出现。一个Transformer模型经过测试达到约72.6%的DSC [66]。他们的混合Transformer-CNN版本表现略好,约为73.7%。Soh等[70]也尝试了一种Transformer-U-Net设计,并在T1加权图像上获得了相似的结果。当年一些最高的分数来自混合架构。Wu等[65]将U-Net与多层感知机(MLP)相结合,在ISLES 2022数据集上达到约85.6%的DSC。Ou等[67]使用了专家混合模型,并在私有数据集上报告了近88%的DSC。其他研究组探索了基于CNN和基于GAN的方法。Gómez等[63]将标准U-Net应用于ISLES 2017数据集时,模型达到了36.0%*(± 21.0)的平均DSC,精确率为42.0%(± 25.0),召回率为48.0%(± 29.0),这准确反映了该数据集固有的难度和高方差。另一个团队将U-Net组件与ResNet模块相结合,在私有数据集上获得了略高于79.23%的DSC [64]。他们的结果差异很大,从约61%到86%的DSC不等,取决于数据集和方法。

2024年的特点是ISLES 2022数据集确立为标准基准,以及迁移学习技术的广泛采用。Gui等[71]报告了在ISLES 2022上使用基于U-Net的模型达到80.19%的DSC。另一项研究在ATLAS数据集(60.16% DSC)和ISLES 2022(85.72% DSC)上测试了他们的FRPNet模型,展示了两个基准之间难度的差异[72]。Sun等[73]使用3D U-Net达到了66.0(± 17.0)的DSC。ATLAS数据集还被用于获得69.21%的DSC [60]、83.1%(± 6.4)的DSC [74]和73.00%的DSC [82]。

利用 BraTS(脑肿瘤)数据集进行迁移学习的研究值得关注:M. Sun 等人 [43] 使用 3D ResU-Net 达到了 87.3%(± 4.6)的 DSC,Jeong 等人 [75] 使用 U-Net 报告了 77.18% DSC(BraTS)/ 78.69% DSC(ISLES 2022)。Bal 等人 [76] 在 ISLES 2015 上达到了 90.0%(± 8.0)的 DSC,而 Ahmed 等人 [78] 结合了 ATLAS 和 ISLES 2015 数据集,报告了 82.0%(± 39.0)的 DSC。在追求最先进(SOTA)性能的过程中,de la Rosa 等人 [17] 使用稳健的集成模型在 ISLES 2022 上报告了卓越的 82.0%(± 12.0)DSC。Sinha 等人 [83] 使用其 EnigmaNet 模型证明了 FLAIR 序列上的性能(89.65% DSC)高于 DWI(84.23% DSC)。当年的其他方法包括:cGAN 的 85.98% DSC [80]、MDANet 的 71.31% DSC [81]、Cascade ResU-Net 的 83.0% DSC [79] 以及 U-Net 的 82.60% DSC [73]。2025 年和 2026 年在 ISLES 2022 基准上表现出更加激烈的竞争,90% DSC 区间成为目标。基于 U-Net 的模型 [87] 达到了 89.99% DSC,而 DWI 专用的 ASMM-Net 模型 [91] 获得了 89.42% DSC。这场 SOTA 竞赛中的其他值得注意的研究包括 ConvNeXtV2-GRN U-Net [18],88.94% DSC,基于 DenseNet 的 [89],87.49% DSC,以及 FA-UNet [88],86.76% DSC。

2023 年的研究从两个不同的角度探讨了基于 MRI 的缺血性卒中分析。一类工作侧重于识别缺血性卒中病例。该组中 [96] 测试了 ResNet50 模型,准确率接近 96%。这一结果反映了深度特征提取器处理该任务的能力。第二类研究涉及分割。许多团队倾向于使用 3D-CNN 框架,因为这些模型能更自然地处理全容积数据。Kim 等人 [62] 报告的 DSC 约为 84%,准确率约为 82%,显示了边界质量与检测稳定性之间的合理平衡。U-Net 变体也仍然具有影响力。Matsulevits 等人 [97] 使用 3D U-Net 进行长期结局预测,旨在捕捉与恢复相关的模式。

在此期间,研究也已超越单纯的分割,转向关注临床和预后应用。Liu J. 等人 [86] 利用 MRA-UNet(81.6% DSC)进行分割以及预测 1 年复发风险。在一项更具临床整合性的方法中,近期工作 [92] 利用基于 SegResNet 的深度学习模型在多序列 MRI 上同时分割核心梗死区和白质高信号(WMH)负荷。通过将这些模型提取的放射学特征与临床变量相结合,展示了“从像素到预后”范式的实际应用价值。Dou 等人 [100] 和 Ding 等人 [101] 研究了高分辨率 MRI 在血管内治疗规划和预后中的应用。在分类任务中,[98] 使用其 GCDCM 模型达到了 97.80% 的 ACC,而 [27] 报告了使用自适应阈值法在 SWI 模态上达到 96.0% 的 ACC。

此时期的架构创新持续涌现:引入了混合模型及基于Transformer的模型,如Sparse Transformer [56](DSC 86.33% ± 0.30)、MSCS-Net [94](在ISLES2022上DSC 82.63%)、AFS-HCTNet [55](DSC 79.43%)和MPFF-Net [39]。分类任务保持了较高准确率,DSpM-Net [58]的ACC为92.85%,在fMRI数据上ACC达99.3% [99]。方法学和病因学研究,如DSC为72.6% ± 14.4的研究,也为该领域做出了贡献 [93]。进一步的架构创新包括集成了空洞空间金字塔池化(ASPP)的ResUnet++框架 [84],该框架通过高效捕获多尺度上下文信息,在ISLES 2022数据集上取得了85.0的Dice系数。同样,M2FNet架构 [90] 被提出用于聚合来自多个MRI模态、不同级别的显著特征,在分割精度上优于多种基线方法。

表2 基于MRI的缺血性卒中病灶分割深度学习模型 查看原表 ↗
表3 基于MRI的卒中分类及预后预测深度学习模型 查看原表 ↗

计算机断层扫描(CT)研究的评估

基于CT的研究反映了计算机断层扫描在急性缺血性卒中管理快速急诊分诊阶段的关键作用。为准确捕捉该模态内不同的临床目标,所审文献被分为两个主要类别。聚焦于高难度空间病灶勾画任务(尤其是在NCCT和CTP上)的研究总结于表4。

2023年之后发表的研究论文表明,缺血性卒中影像研究在所涉及的分析领域数量上增长相当稳定。Wang等人 [102] 通过他们的研究,在AISD数据集(397例)上,该模型达到了平均DSC 61.96%(± 17.86)、IoU 47.38%(± 19.37),以及精确度70.32%(± 19.19)和召回率60.78%(± 21.53)。当应用于具有自身复杂性的ISLES 2018数据集(103例)时,其产生了平均DSC 48.41%(± 18.01)、IoU 33.41%(± 15.81)、精确度51.56%(± 24.43)和召回率56.95%(± 25.31)。此外,在BraTS 2019数据集(335例患者)上,该模型表现强劲,平均DSC达81.48%,IoU达67.99%。

分割研究显示出广泛的结果差异:Michaliszen等人 [103] 使用YOLOv4达到了92.99%的DSC,Kuang等人 [104] 报告使用I2PC-Net达到DSC 65.67(± 12.30),Fang等人 [105] 使用基于U-Net的模型获得了79.0%的结果。混合和基于Transformer的方法仍暴露了NCCT的局限性,如Kuang等人 [106] 报告DSC为46.74%,Kirillov等人 [47] 使用3D Swin UNETR报告的DSC为47.0%。分割方面的进展仍然有限。Chabi等人 [115] 使用2D U-Net,在ATLAS v2.0数据集上报告DSC为65.59%,而DAP-Net方法在包含706例的私有CT数据集上达到了56.6%的DSC [113]。

血管分割领域获得了更多关注,基于SAM驱动的方法在CTA上达到了97.93%的DSC,这反映了以解剖结构为重点的分割任务日益增长的兴趣[116]。Kandpal等[108]报告了45.0%(±32.0)的DSC。Sony等[112]提出了一项创新任务,即从NCCT合成CBV图,使用Attention U-Net达到了76.0%的DSC。Wang等[110]引入了VB-Net,在NCCT上联合进行预后预测和分割。Kim等[111]使用2D U-Net集成方法对高密度动脉征(HAS)进行分割,达到了62.2%的DSC。Liu等[59]使用DCTP-Net在CT分割中取得了80.3%(±13.4)的高DSC。在CT灌注(CTP)方面,Alirr[37]利用ISLES 2018数据集,使用Attention ResUnet报告了59.0%的DSC。

除了精确的边界勾画外,大量文献聚焦于急性卒中流程中的即时诊断需求。这些快速诊断任务(包括卒中存在与否的分类、出血排除以及用于急诊分诊的大血管闭塞(LVO)检测)详见表5。

除了精确的边界勾画外,大量文献聚焦于急性卒中流程中的即时诊断需求。Fontanella等[117]对CT图像中缺血性病变的分析在某种程度上得到了复兴,他们采用了一种CNN策略,取得了72%的准确率。接下来的分析涉及更成熟的预测建模。Sharma等[118]评估了一组结合传统机器学习方法和深度学习模块的混合流程,表现最佳的组合达到了94%的准确率和95%的精确率。此外,还对临床决策支持任务进行了分析,Ceskoutsé等[119]指出他们的研究能够以98%的精确率和95%的召回率预测缺血性卒中治疗的药物类别。

通过CTA识别LVO是2024年的主要研究领域之一。可以说,由于采用了3D ResNet架构,该研究对这一领域产生了重大影响,最终获得了86.9%的AUC[48]。在时相CTA的评估中也取得了类似的性能水平;Peng等[127]获得了81.3%的AUC,而Chatterjee等[126]的DRDCNet-3D以91.0%的AUC成为最高分之一。同期的NCCT相关研究针对多种临床目标。Zhou等[125]展示了他们预测血肿扩大的工作,AUC为84.9%。Anne和Gueye[121]利用CNN生成的特征结合XGBoost,取得了87%的准确率。ENSNET达到了98.86%的准确率,这也是非常高的分类性能[122]。此外,Abumihsan等[124]在一个包含2000张图像的私有数据集上评估了基于VGG16的模型,报告了98.89%的高ACC。相比之下,Shinohara等[14]使用双能CT可达到90%的准确率。

到2025年和2026年,混合模型和注意力驱动的分类器已成为持续高性能的可靠来源。Hossain等人[128]通过ViT-LSTM组合揭示了这一发展,其准确率达到94.55%。Inamdar等人[129]引入了一种双注意力模型,不仅达到了此前的准确率,还以99.51%的成绩超越了其他模型。Kuang等人[130]通过VANet将这一趋势引入LVO检测,实现了94.54%的准确率。分类任务继续展现出接近完美的准确率,如PrabhakaraShetty等人[131]的98.63% ACC和Abumihsan等人[132]的98.73% ACC。

除单纯检测外,深度学习也被应用于预测再灌注治疗后的出血性转化(HT)等并发症。一个整合了基于NCCT的深度学习特征与临床数据的集成模型在HT预测中达到了93.7的AUC,显著优于传统临床评分,为急诊科提供了重要的决策支持[109]。YOLO架构在检测任务中继续得到成功应用,StrokeYOLO [40]达到98.7% ACC,YoloV9-Seg [54]达到98.93% Recall。最后,2026年的研究延续了优化分类模型的趋势,EHTO_DKN [61]达到90.68% ACC,基于AIS数据集的ViT类模型DINOv3 [114]达到51.6% DSC。

表4 用于CT缺血性脑卒中病灶分割的深度学习模型 查看原表 ↗
表5 用于CT脑卒中分类、检测和分诊的深度学习模型 查看原表 ↗

讨论

数据集

基于MRI的缺血性脑卒中分割研究在文献中占有重要地位,这尤其得益于病灶边界和组织对比度的清晰性。所分析的文章展示了该领域的明显趋势。绝大多数研究依赖公开可用的参考数据集来训练和比较模型(图4)。

从MRI数据集分布的分析中可以明显看出,对标准化学术基准存在高度依赖。ISLES(缺血性脑卒中病灶分割)系列以38.3%的最大研究占比居于首位。第二大类别为私人或机构内部医院数据集,占26.7%。同样明显的是,ATLAS(13.3%)和BraTS(6.7%)数据集合计占所有基于MRI研究的20%。BraTS数据集本质上是一个脑肿瘤数据集,其高排名表明基于迁移学习的方法被广泛用于克服缺血性脑卒中研究中的数据稀缺问题。Kaggle数据集的使用极少(3.3%),如表6所示。

在CT数据集方面,总体趋势截然不同。总体趋势以非公开数据为主。大多数基于CT模态的研究(62.5%)使用了私人、内部或机构数据集。这实际上与基于MRI模态的总体趋势完全相反。在CT模态中,Kaggle数据集的使用率(16.7%)远高于MRI模态。总体趋势还表现为学术基准的使用减少,特别是ISLES 2018 CTP挑战赛和ATLAS数据集,二者合计仅占所有研究的8.3%。

ISLES数据集(如ISLES 2015、2017、2022版本)是该领域事实上的标准。大量研究已在该基准上验证了其模型性能[7, 28, 55, 56, 71, 75, 76, 78, 81, 85, 89, 93]。ATLAS(v1.2、v2)数据集显著包含慢性病变,也被广泛使用[39, 55, 60, 73, 74, 78, 82, 94]。有趣的是,许多研究利用BraTS肿瘤分割数据集进行“迁移学习”,以弥补缺血性卒中数据稀缺的问题[39, 75, 94, 134]。相当数量的研究使用了私有的内部数据集[56, 64, 73, 79, 97, 135],或从Kaggle等平台获取的数据集[58]。然而,对这些数据集的批判性综合分析揭示了数据集复杂度与报告性能之间的反比关系。ISLES 2015等早期基准由于规模小且同质性高,往往产生人为偏高的DSC得分(>85%)。相比之下,ISLES 2022等更大规模的多中心数据集因扫描方案多样而提出了更现实的挑战,产生了较低但更具泛化性的性能指标。因此,在有限的私有数据集上获得的高分应谨慎解读,因为这些分数往往反映的是较低的任务复杂度,而非更优的模型泛化能力。

图4 纳入研究的数据集分布,显示了MRI研究对公共基准(如ISLES)的强烈依赖与CT研究中私有数据集占主导地位的对比 查看原图 ↗
表6 MRI/CT研究中使用的数据集 查看原表 ↗

模型

在缺血性卒中病变分割方面已开展了大量研究,开发了多种深度学习架构。与传统机器学习方法相比,深度学习模型在从数据中学习层次化特征方面表现更优。值得注意的是,大多数模型是U-Net和CNN架构的变体(表7)。

根据所分析的MRI文章结果,所使用的模型架构分布如图5所示。

表7 MRI/CT研究中使用的模型。(“其他”类别包括较少见或特定的架构,如GAN、胶囊网络、脉冲网络、EHTO_DKN、SAM-VM、HE-mind和FTL) 查看原表 ↗
图5 基于MRI的研究中使用的深度学习架构分布,突出显示了U-Net变体在精确分割任务中的明显主导地位 查看原图 ↗

基于U-Net的架构(40.0%)

这是MRI文献中最主要的架构。绝大多数研究基于U-Net架构,如3D U-Net [97]、U-Net + ResNet [64]、ResU-Net [43, 93]、Cascade ResU-Net [79]、Attention U-Net [85]和MRA-UNet [56]。U-Net及其变体(如Attention、ResUnet、nnU-Net、TransUNet)是迄今为止MRI分割最流行的方法。这种主导地位不仅仅是一种趋势,而是架构适用性的结果。我们的分析表明,引入注意力机制(如Attention U-Net)通常能比标准架构带来一致的性能提升。这可能是因为注意力门控能够主动抑制医学扫描中固有的背景噪声,使模型能够聚焦于不规则的病变边界。类似地,混合Transformer模型在大病变场景中开始超越纯CNN,因为它们能捕获局部卷积经常遗漏的长程全局依赖关系。

其他(30.0%)

第二大类别包括特定或新颖的架构,如 MSCS-Net [94] 和深度脉冲 MobileNet(DSpM-Net)[58]。这表明寻找 U-Net 的替代方案也是一个强劲的研究趋势。

基于 CNN 的方法(18.3%)

原文篇幅较长,只翻译了前面部分,其余请阅读原文。

引用

  1. Kunduracioglu, Ince, Bayram, et al. Deep learning in acute ischemic stroke imaging: a systematic review of CT- and MRI-based segmentation, triage, and prognostic modeling. Neuroradiology. 2026. PMID: 42360458. doi:10.1007/s00234-026-04095-5
  2. 全文:PMC13680298(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13680298/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。