From Diagnostic CT to DTI Tractography labels: Using Deep Learning for Corticospinal Tract Injury Assessment and Outcome Prediction in Intracerebral Haemorrhage

在中风后，脑皮质脊髓束（CST）的保护对于良好的运动康复至关重要。使用扩散张量tractography来评估CST是成像的黄金标准方法。然而，对于大多数颅内出血（ICH）患者，这种方法并不可行。非对比CT扫描通常在大多数ICH诊断流程中都可以使用，但是从CT扫描中区分白质是具有挑战性的。我们利用在配对诊断CT扫描和高定向扩散tractography图上训练的nnU-Net，仅从诊断CT扫描中分割CST，并且我们的模型能够以57%的Dice相似系数再现基于扩散的CST tractography图。有时会在ICH后进行手术切除血肿，但迄今为止的已发表的临床试验表明，尽管手术可以降低死亡率，但没有证据表明可以改善功能恢复。将手术限制在CST完整的患者中可能会发现一些患者的血肿切除可以改善其功能结果。我们在MISTIE III临床试验数据集中调查了我们模型的临床实用性。我们发现，我们模型的CST完整性指标在ICH急性和慢性时间范围内显著预测了结果，因此为那些无法进行先进扩散张量成像的患者提供了预后标志。这将允许将来对可能从手术中受益的亚组进行探究。

如何在没有扩散张量成像的情况下，利用CT扫描来评估脑卒中患者的运动恢复情况，以便为手术治疗提供更好的指导。

使用nnU-Net模型，训练其从CT扫描中分割出皮质脊髓束（CST），并利用该模型预测患者的手术治疗效果。

论文使用了nnU-Net模型，该模型能够从CT扫描中分割出CST，并预测手术治疗效果。实验使用了MISTIE III临床试验数据集，并发现该模型的CST完整性指标能够预测ICH患者的预后情况。该研究为没有扩散张量成像的情况下提供了一种评估脑卒中患者手术治疗效果的新方法。

在这个领域中，最近的相关研究包括：1. 'Diffusion Tensor Imaging for Outcome Prediction in Mild Traumatic Brain Injury: A Systematic Review and Meta-Analysis'；2. 'CT-Based Deep Learning Model for Predicting Hematoma Expansion in Intracerebral Hemorrhage'；3. 'Machine Learning for Outcome Prediction of Acute Ischemic Stroke Post Intra-Arterial Therapy'.