要点
本研究表明，借助先进的深度学习模型，尤其是去噪扩散概率模型（denoising diffusion probabilistic model，DDPM），可从常规获取的无对比剂 MRI 序列〔弥散加权成像（diffusion-weighted imaging，DWI）和液体衰减反转恢复（fluid-attenuated inversion recovery，FLAIR）〕准确生成合成灌注图。该合成图可高度复现真实的动态磁敏感对比（dynamic susceptibility contrast，DSC）灌注图，尤其是时间达峰值（time-to-maximum，T-max）参数，从而实现快速、无创的卒中影像评估。纳入梗死核心掩模可显著提升模型性能。
研究背景
急性缺血性卒中需要快速且准确的影像学评估，以指导及时的再灌注治疗。磁共振成像（magnetic resonance imaging，MRI）是卒中评估的核心手段，可通过弥散加权成像（DWI）提供梗死核心信息，并通过灌注成像评估灌注缺损；后者传统上依赖动态磁敏感对比（DSC）成像，而该方法需要钆对比剂。然而，DSC 灌注会延长检查时间，并带来与对比剂相关的风险，如肾源性系统性纤维化和过敏反应。因此，临床上迫切需要一种可加快检查流程、无需对比剂、且能够提取灌注信息的影像学方法，以便在降低对比剂相关风险的同时迅速做出治疗决策。
研究设计
本回顾性研究收集了来自两家欧洲卒中中心的 355 例前循环卒中急性期 MRI 数据（德国海德堡，2010—2018 年；法国波尔多，2021—2022 年）。数据集包括 DWI、液体衰减反转恢复（FLAIR）、梗死核心分割掩模，以及具有相应 T-max 图的 DSC 灌注成像。研究构建了 6 种深度学习架构：包括不同版本的去噪扩散概率模型（DDPM）和生成对抗网络（generative adversarial networks，GANs），用于基于 DWI、FLAIR 和梗死核心掩模生成合成 T-max 灌注图。研究通过图像相似性指标、T-max >6 秒区域的 Dice 系数，以及失配体积分布分析，对模型进行了内部和外部验证。另行开展消融研究，以量化各输入模态的重要性。
主要结果
以病因特异性设计、采用 2.5 维架构的去噪扩散概率模型表现最佳。在输入 DWI、FLAIR、梗死核心掩模及灌注加权损失函数后，该模型可在 110 秒内生成与真实图高度一致的合成 T-max 图。
在内部验证中，合成灌注图表现出较高的空间准确性：T-max >6 秒区域的平均 Dice 系数为 0.82（标准差 0.08），提示其与真实灌注缺损具有高度重叠。外部验证采用独立数据集后，模型仍保持可接受的性能（平均 Dice 系数 0.59；标准差 0.13），显示出一定的泛化能力。
值得注意的是，合成图成功再现了失配体积分布——即梗死核心与低灌注组织之间的体积差异，这对于识别可挽救脑组织至关重要。该结果提示，即使仅依赖无对比剂结构像加梗死掩模，深度学习模型仍可捕捉到血流动力学信息。
消融研究表明，梗死核心掩模是至关重要的输入。移除该掩模后，模型性能明显下降，说明其在引导模型准确勾画灌注缺损方面具有关键作用。DWI 和 FLAIR 序列均提供了有价值的信息，但与核心掩模联合使用时，整体效果最佳。
由于该方法不涉及对比剂给药，而是基于既有影像序列，因此不存在固有安全性问题。
专家点评
本研究通过利用无对比剂 MRI 数据和先进的生成式建模，近似传统上需要对比剂才能获得的灌注参数，标志着一项重要进展。DDPM 作为生成式建模领域的近期创新，与当前医学人工智能的发展趋势一致，并且相较于经典 GANs，可提供更高的图像合成保真度。
从临床角度看，数分钟内生成的合成 T-max 图有望缩短影像检查流程、减少患者对对比剂的暴露，并使缺乏灌注成像基础设施的卒中中心也能受益于灌注信息。然而，外部验证中 Dice 系数下降提示，不同扫描仪、患者人群或采集方案之间的异质性仍是需要进一步探讨的挑战。
本研究的局限性包括回顾性设计、样本可能偏向前循环卒中，以及对准确梗死核心掩模的依赖。未来应开展前瞻性验证，评估其对临床决策的真实世界影响，并探索与自动化卒中工作流程系统的整合，以及向后循环卒中或其他灌注指标的扩展。
结论
本研究提出了一种稳健、无创且可扩展的深度学习框架，可基于常规可获得的无对比剂 MRI 序列并结合梗死核心掩模生成合成 T-max 灌注图。该方法有望加快急性缺血性卒中的评估、扩大全球灌注成像可及性，并降低对对比剂的依赖。后续仍需多学科合作，进一步完成验证、推动临床实施，并将其与多模态影像整合用于卒中分诊与管理。
资金支持与 ClinicalTrials.gov
本研究由参与中心的机构研究基金资助。未注明临床试验注册信息。
参考文献
1. Matsulevits A, Koch A, Mahé-Verdure C, et al. Generating Synthetic MR Perfusion Maps From DWI and FLAIR in Acute Ischemic Stroke: Development and External Validation of a Deep Learning Model. Stroke. 2026;57(8):2375-2387. doi:10.1161/STROKEAHA.123.42312380
2. Campbell BCV, et al. Imaging Selection in Acute Ischemic Stroke. Neurotherapeutics. 2020;17(1):124-136.
3. Karwath A, et al. Deep Generative Models for Medical Imaging: Overview and Opportunities. IEEE J Biomed Health Inform. 2022;26(2):662-678.