Page 124 - 南京医科大学学报自然科学版

第42卷第8期
·1166 · 南 京 医 科 大 学 学 报 2022年8月

DWI + PWI was also better than that of single sequence（DWI or PWI），the sensitivity and specificity were 0.864 and 0.783
respectively，and the accuracy was 0.822. Conclusion：The prediction model combined machine learning and radiomics can effectively
predict outcome after mechanical thrombectomy in acute stroke，and has good generalization ability.
［Key words］ stroke；machine learning；diffusion weighted imaging；perfusion weighted imaging；outcome
［J Nanjing Med Univ，2022，42（08）：1165⁃1170］

急性缺血性脑卒中（acute ischemic stroke，AIS） ips Medical Systems，Netherlands）进行检查。扫描序
具有发病率高、致残率高及病死率高等特点。机 列包括液体衰减反转恢复（fluid attenuated inversion
械取栓治疗显著改善大血管闭塞引起的卒中患者 recovery，FLAIR）、DWI、动态磁化率对比度⁃灌注成
［1］
预后 。然而，机械取栓治疗后的AIS患者预后差异 像（dynamic susceptibility contrast ⁃ perfusion weight
较大，受多种因素影响 ［2-3］ 。目前，应用弥散加权成像 imaging，DSC⁃PWI）。部分扫描参数如下：DWI 采用
（diffusion weighted imaging，DWI）和灌注加权成像 自旋回波序列，TR 2501 ms，TE 98 ms，矩阵 152×
（perfusion weighted imaging，PWI）评估缺血半暗带选 122，3个方向，视野 230 mm×230 mm，翻转角，90°，层
择适合接受血管内机械取栓治疗已被广泛接受 ，但 数18，层厚6 mm，层间距1.3 mm，b=0 和 1 000 s/mm ；
［4］
2
基于DWI和PWI预测卒中预后的价值仍存在争议。 DSC⁃PWI：采用梯度回波⁃回波平面序列，TR 2 000 ms，
近年来，机器学习算法已广泛应用在医学影像诊断及 TE 30 ms，矩阵 96×93，FOV 224 mm×224 mm，FA
预测中，它综合大数据影像资料，深度挖掘多维影像 90°，层厚 4 mm，持续时间 88 s。采用 Medtron 公司
学信息，可实现精准诊断及预测 。既往的研究显 双流高压注射器Accutron MR 经右侧肘前静脉给药
［5］
［6］
示，基于临床资料的组学特征可预测卒中预后 。本 轧喷酸葡胺（Gd⁃DTPA，广州康辰药业有限公司）（浓
研究基于DWI和PWI图像，采用影像组学方法获取 度：0.05 mmol/kg；流速：4 mL/s）后扫描，每个定位扫
大量特征，旨在探讨基于机器学习技术预测AIS机械 描60次。
取栓治疗后预后的价值。 1.2.2 图像分析
图像分割：首先对PWI图像应用RAPID软件进
1 对象和方法
行后处理获得达峰时间（time to max，Tmax）图。使
1.1 对象 用 ITK⁃SNAP 软件（版本 3.4.0，http：//www.itksnap.
回顾性分析 2017 年 1 月—2019 年 12 月在南京 org）对 DWI 图像上高信号区及 PWI 图（Tmax 图像）
市第一医院就诊的 AIS患者 155 例，其中男 99 例， 上灌注异常区进行分割（图 1）。由 1 名具有 8 年神
女 56 例，平均年龄（66.97±19.36）岁。纳入标准：① 经影像诊断经验的放射科医师在横断面上对病灶
发病时间为 24 h 以内；②机械取栓治疗前接受 边缘进行逐层勾画，然后融合成三维感兴趣区（re⁃
MRI（DWI+PWI）检查；③接受机械取栓治疗；④有 gion of interest，ROI）；每一次勾画均由另1名具有10
3 个月的随访预后评分。排除标准：①颅内出血、肿 年神经影像诊断经验的放射科医师进行核对。
瘤或创伤；②MRI有运动伪影图像无法评估。根据3个 图像标准化：首先，使用 μ±3σ 方法对ROI进行
月的改良Rankin评分量表（modified Rankin scale，mRS） 归一化；然后采用灰度量化来减少计算时间和提高
将患者分为预后良好组（mRS 0~2 分）和预后不良 纹理结构的信噪比；最后，使用三维插补技术对容
（mRS 3~6分）。采用随机分层抽样的方法将患者随机 积病灶进行各项同性重采样，以确保获取三维特征
分为训练集105例，测试集50例。另以同样入组标准 的比例和方向保持不变。
及排除标准纳入2017年1月—2019年12月在南京医 特征计算：应用A.K.软件（分析版本1.0.3；美国
科大学附属常州市第二人民医院就诊的AIS患者45例 GE Healthcare）对患者DWI图像和Tmax图像特征进
作为外部验证集，其中男 28 例，女 17 例，平均年龄 行提取，最终提取一阶特征（First Order）、灰度共生
（65.38±15.82）岁。本研究经过南京医科大学伦理委员 矩阵特征（gray⁃level co⁃occurrence matrix，GLCM）、
会批准［批准文号：（2019⁃664）］，免除受试者知情同意。 灰 度 相 关 矩 阵（gray ⁃ level dependence matrix，

1.2 方法 GLDM）、灰度游程矩阵（gray⁃level run length matrix，
1.2.1 MRI扫描方法 GLRLM）、灰度尺寸区域矩阵（gray⁃level size zone

所有患者采用3.0T MR 扫描设备（Ingenia，Phil⁃ matrix，GLSZM）、相邻灰度差分矩阵（Neighboring