脑灌注技术在脑肿瘤的山东省立神经授团精准诊疗以及预后评估中扮演着重要的角色
。尽管临床指南推荐使用脑灌注技术 ，医院影像但目前临床上尚没有作为脑肿瘤常规检查项目开展 ，外科当医生需要进行脑灌注评估时 ，刘英往往需要补加该项检查，超教大大增加患者的队取得脑就诊时间和医疗费用成本；此外，脑灌注图像容易受病变周围因素干扰，肿瘤智常会面临图像质控不合格的人工窘境。因此，技术基于常规磁共振图像生成脑灌注图像具有重大临床意义和社会价值。突破2023年8月16日，山东省立神经授团山东第一医科大学附属山东省立医院刘英超教授团队联合西北工业大学夏勇教授团队在Radiology（一区Top，医院影像 2022影响因子 ：19.7）期刊发表了题为：Quantitative Cerebral Blood Volume Image Synthesis 外科from Standard MRI Using Image-to-Image Translation for Brain Tumors的长文论著研究。打开凤凰新闻 ，刘英查看更多高清图片该研究通过人工智能深度学习技术 ，超教实现了常规磁共振图像生成脑灌注图像 ，并在多个临床应用场景中展现了显著的增益价值，有望解决补救性脑灌注成像的临床难题。研究团队创新性地解决了原始脑灌注图像生成的标准化和图像生成模型优化两个关键技术问题 。常规脑灌注的后处理需要较多的人工干预
，对图像的标准化带来了挑战 ，山东省立医院团队通过利用Bookend脑灌注技术，完美地解决了图像标准化的难题。夏勇教授团队在前期图像合成工作积累的基础上，优化了生成对抗网络模型，为图像的合成提供了强力支持 。山东省立医院与西北工业大学团队优势互补，协同创新，利用Bookend灌注数据作为标准参照
，训练3D深度学习网络模型，使基于常规磁共振图像生成脑灌注图像成为可能。研究结果显示，T1WI、表观弥散系数图谱(ADC)、增强T1WI联合特征一致性生成对抗性网络能够获得最优的图像生成效果；T2WI联合一致性生成对抗性网络获得最差的图像生成效果 。此外 ，由于ADC图谱易受磁敏感伪影影响，在所有不含ADC图谱的组合中，增强T1WI、T2-FLAIR联合一致性生成对抗性网络的生成效果最优。脑肿瘤分级
 、预后预测及鉴别诊断是脑肿瘤精准诊疗的重要任务，本研究基于独立的多中心外部数据集，分别评估常规MRI序列、常规MRI序列联合补救性神经灌注图像两种方式 ，在肿瘤分级、预后预测及鉴别诊断中是否有显著性统计学差异
。研究结果证实该技术在以上临床应用场景中具有良好的鲁棒性和增益价值 。图释. 低级别胶质瘤和高级别胶质瘤患者的常规MRI、病理图像、真实脑血容量图和合成的脑血容量图 。A为一位左侧岛叶及基底节区占位的患者 ，增强扫描未见明显强化；实际脑灌注图显示病变区域的平均值为2.1ml每100g脑组织 ，合成脑灌注图显示其平均值为1.9ml每100g脑组织；病理证实为低级别胶质瘤 。B为一位左侧额颞交界区占位的患者
，增强扫描见花环样强化；实际CBV图显示病变区域的平均值为13.3ml每100g脑组织 ，合成脑灌注图显示其平均值为13.0ml每100g脑组织；病理证实为胶质母细胞瘤。