張美美,秦品樂,柴 銳,曾建潮,翟雙姣

(中北大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山西 太原 030051)

0 引 言

腦卒中是一種高發(fā)病率、高死亡率和高致殘率的腦血管疾病[1-2]。急性缺血性腦卒中,又被稱為腦梗塞,其病變在CT上不明顯,需要進(jìn)一步通過核磁共振成像(MRI)進(jìn)行確診[3]。然而,當(dāng)患者體內(nèi)存在金屬物品或患有幽閉恐懼癥等特殊情況時(shí),患者無法進(jìn)行MRI檢查,這會(huì)影響醫(yī)生的診斷和患者的預(yù)后效果。若能從患者的CT轉(zhuǎn)換為MRI,通過生成的MRI與原始CT的結(jié)合,將有望幫助醫(yī)生更準(zhǔn)確地評估患者的病情,為制定個(gè)體化治療方案提供更多的參考依據(jù)。

隨著深度學(xué)習(xí)的發(fā)展,醫(yī)學(xué)跨模態(tài)圖像生成取得顯著效果。Li等[4]利用多種深度學(xué)習(xí)方法從腦部CT生成MRI。Hu等[5]用急性缺血性腦卒中患者的醫(yī)學(xué)影像建立了從CT生成MRI的生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN),并利用生成的MRI完成后續(xù)病灶檢測任務(wù)。Jin等[6]通過CycleGAN實(shí)現(xiàn)了未配對數(shù)據(jù)集從CT到MRI的跨模態(tài)生成。Yu等[7]通過改進(jìn)生成器與鑒別器實(shí)現(xiàn)MRI的生成。然而,GAN訓(xùn)練不穩(wěn)定,容易模式崩潰。最近提出的擴(kuò)散模型在醫(yī)學(xué)影像跨模態(tài)領(lǐng)域中可以生成與GAN接近的高質(zhì)量圖像。Lyu等[8]通過擴(kuò)散模型實(shí)現(xiàn)了從MRI到CT的模態(tài)轉(zhuǎn)換。Meng等[9]基于SDE提出UMM-CSGM,生成缺失模態(tài)的醫(yī)學(xué)圖像。然而,擴(kuò)散模型采樣速度慢。Wang等[10]將擴(kuò)散模型與GAN相結(jié)合,同時(shí)解決了兩者面臨的問題。目前擴(kuò)散GAN在醫(yī)學(xué)圖像跨模態(tài)轉(zhuǎn)換中也有了初步的應(yīng)用。?zbey等[11]基于擴(kuò)散GAN提出了一種對抗擴(kuò)散模型Syndiff,實(shí)現(xiàn)多模態(tài)醫(yī)學(xué)影像轉(zhuǎn)換。由于MRI對腦部軟組織表現(xiàn)更為敏感,因此在MRI中邊緣反映了局部強(qiáng)度的變化,顯示了不同組織之間的界限,為臨床診斷提供了重要信息。在急性缺血性腦卒中患者的MRI中,邊緣信息對于區(qū)分病變與正常組織至關(guān)重要,有助于更準(zhǔn)確地描繪異常區(qū)域的輪廓。

此外,急性缺血性腦卒中CT中缺少病灶信息,從CT生成MRI為從低信息量圖像生成高信息量圖像問題;研究表明[12-13],影像組學(xué)可以區(qū)分急性缺血性腦卒中CT上的病灶與其對稱區(qū)域,因此通過影像組學(xué)在CT上劃分病灶輔助MRI的生成是可行的。然而,僅將單個(gè)特征作為在患者CT上劃分病灶的依據(jù)不具備魯棒性。

受擴(kuò)散GAN在醫(yī)學(xué)圖像合成中取得成功的啟發(fā),該文提出基于影像組學(xué)的邊緣感知擴(kuò)散GAN,急性缺血性腦卒中CT生成MRI算法。針對邊緣不清晰問題,提出邊緣感知擴(kuò)散GAN。針對單個(gè)特征不具備魯棒性的問題,通過組學(xué)模塊引入基坐標(biāo)從患者CT的病灶上提取多維影像組學(xué)特征。通過實(shí)驗(yàn)分析,該方法生成的MRI在病灶定位和圖像質(zhì)量方面優(yōu)于現(xiàn)有方法。

主要貢獻(xiàn)總結(jié)如下：

(1)提出了基于影像組學(xué)的邊緣感知擴(kuò)散GAN急性缺血性腦卒中CT生成MRI算法,解決了CT生成的MRI缺乏病灶信息以及邊緣不清晰等問題。

(2)引入基坐標(biāo)從患者CT的病灶上提取多維影像組學(xué)特征,解決了單個(gè)特征缺乏魯棒性的問題;同時(shí),提出基于擴(kuò)散GAN的邊緣感知擴(kuò)散GAN模型,分別從圖像紋理與邊緣約束生成MRI,提升了生成MRI的主觀效果。

(3)在ISLE2018挑戰(zhàn)賽數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,生成的MRI在PSNR、SSIM和PCC等指標(biāo)上都優(yōu)于Syndiff、CycleGAN、Respix2pix等醫(yī)學(xué)圖像跨模態(tài)方法。

1 相關(guān)工作

1.1 影像組學(xué)

影像組學(xué)是由荷蘭學(xué)者Lambin于2012年提出的一種計(jì)算機(jī)輔助過程,從醫(yī)學(xué)圖像中提取大量包括形狀、強(qiáng)度和紋理的定量特征[14],其中對高階紋理特征的研究最為廣泛[15-16]。

影像組學(xué)在腦卒中診斷、治療和預(yù)后方面有廣泛的應(yīng)用。急性缺血性腦卒中在CT上缺乏明顯的表征,但通過影像組學(xué)能發(fā)現(xiàn)梗死區(qū)域與正常組織之間的差異。Sikio等[17]發(fā)現(xiàn)提取影像組學(xué)特征,可以揭示缺血性病變的結(jié)構(gòu)變化。通過對老年人的腦組織數(shù)據(jù)進(jìn)行影像組學(xué)特征分析,能夠識(shí)別既往腦卒中病變,相關(guān)模型的AUC超過0.7[18]。

1.2 擴(kuò)散生成對抗網(wǎng)絡(luò)

目前,基于GANs與擴(kuò)散模型在醫(yī)學(xué)圖像生成領(lǐng)域得到了廣泛應(yīng)用。Nie等[19]提出了基于GANs的3DGAN,能夠從MRI生成CT圖像。曹國剛等[20]實(shí)現(xiàn)了在未配對數(shù)據(jù)集上從MRI生成CT,但生成的CT存在偏差。侯冰震等[21]在CycleGAN的基礎(chǔ)上同時(shí)引入了邊緣感知損失函數(shù)和密集網(wǎng)絡(luò),實(shí)現(xiàn)了MRI到CT的合成。Ben-Cohen等[22]將cGANs與全卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,從CT生成PET,降低了漏檢率。Armanious等[23]將對抗網(wǎng)絡(luò)與非對抗損失相結(jié)合提出了MedGAN,用于CT和PET的相互轉(zhuǎn)換。Pinaya等[24]基于擴(kuò)散模型生成具有特定條件的MRI,從中檢測并分割大腦中的異常區(qū)域。然而,多數(shù)研究集中在從高信息圖像到低信息圖像的生成。

1.3 影像組學(xué)與生成模型結(jié)合的應(yīng)用

目前已有部分研究將影像組學(xué)與GAN結(jié)合以解決醫(yī)學(xué)領(lǐng)域中的難題。馮二燕等[13]將CT上提取的組學(xué)特征作為先驗(yàn)輸入到GAN中,實(shí)現(xiàn)了從CT到MRI的模態(tài)轉(zhuǎn)換。Duan等[25]在肝硬化患者分級(jí)任務(wù)中使用了結(jié)合GAN模型和影像組學(xué)的方法,其AUC大于0.8。Pan等[26]在GAN的中間步驟引入了影像組學(xué)特征,使生成的數(shù)據(jù)更接近真實(shí)肺部病變。Chen等[27]從原始CT和生成CT中提取組學(xué)特征,建立生成全劑量CT圖像的模型,用于肺癌診斷與生存預(yù)測。

2 文中方法

擴(kuò)散模型前向過程加入噪聲的過程容易破壞圖像的結(jié)構(gòu)信息。同時(shí),急性缺血性腦卒中CT病灶不明顯,從CT生成MRI具有挑戰(zhàn)性。因此,該文提出一種急性缺血性腦卒中CT到MRI的跨模態(tài)生成算法,基于組學(xué)的邊緣感知擴(kuò)散GAN。

文中算法的總體結(jié)構(gòu)如圖1所示,由影像組學(xué)模塊(圖1(a))和邊緣感知擴(kuò)散GAN模塊(圖1(b))組成。首先,在已知病灶的CT/MRI數(shù)據(jù)集的CT病灶部位提取多維組學(xué)特征組。然后,在邊緣感知擴(kuò)散GAN中通過多維組學(xué)特征在CT上劃分病灶候選區(qū)。最后將病灶候選區(qū)可視化的特征圖與CT結(jié)合輸入生成器,兩個(gè)鑒別器約束生成器,使模型生成的MRI更加真實(shí)。

圖1 總體結(jié)構(gòu)

2.1 組學(xué)模塊

急性缺血性腦卒中病灶在CT上的病灶無法利用組學(xué)特征準(zhǔn)確地分割出來。但對比CT上不同區(qū)域的組學(xué)特征值差異可得出病灶的位置[13]。然而,利用單個(gè)組學(xué)特征來劃分病灶缺乏魯棒性。因此,文中組學(xué)模塊首先將真實(shí)病灶作為ROI在CT上提取特征,再將特征映射到特征空間,篩選出多維影像組學(xué)特征組,最后在生成MRI時(shí)利用這組特征在CT上選擇出病灶候選區(qū)域。

2.1.1 特征提取

將真實(shí)病灶作為ROI在CT上使用PyRadiomics (version 3.0.1, https：//pyradiomics.readthedocs.io/)提取影像組學(xué)特征。共提取出病灶的組學(xué)特征1 325個(gè),去除無用特征,最終得到1 288個(gè)特征。

2.1.2 特征篩選

在坐標(biāo)系中,“基坐標(biāo)”代表其他點(diǎn)或向量。該文將所有特征映射到一個(gè)坐標(biāo)系下,通過特征分析,提取出能表示其他特征的多維影像組學(xué)特征組。首先,通過信息增益篩選出重要特征;其次,計(jì)算剩余特征的相關(guān)性并分組;最后,每組選一個(gè)特征,組成多維影像組學(xué)特征組。

信息增益篩選：分別計(jì)算提取到的所有組學(xué)特征的信息增益,即在給定組學(xué)特征時(shí),不確定性減少的值。組學(xué)特征的信息增益越大表示特征越重要。其中,信息增益大于0.4的組學(xué)特征共有10個(gè),如表1所示。

相關(guān)性分析：通過篩選后,計(jì)算剩余特征兩兩間的皮爾遜相關(guān)系數(shù),篩選出線性相關(guān)性最弱的特征作為在CT上選擇候選區(qū)域的依據(jù)。相關(guān)系數(shù)的計(jì)算公式如下：

(1)

圖2 組學(xué)特征相關(guān)性熱力圖

多維影像組學(xué)特征組選取：第一組中F1的信息增益最大,因此從第一組中選擇F1;第二組中ρF1F6=0.22,相關(guān)性極弱,因此從第二組中選擇F6;第三組中選擇F10;最終選擇這三個(gè)特征作為多維影像組學(xué)特征組。

2.1.3 病灶候選區(qū)

影像組學(xué)特征在患者的CT上病灶與非病灶位置有明顯差異,通過多尺度錨框的方法在CT上可以劃分病灶候選區(qū)域。將CT分為四個(gè)區(qū)域,分別提取對應(yīng)區(qū)域的組學(xué)特征,并計(jì)算區(qū)域?qū)?yīng)的特征值Fvalue,公式如下所示：

Fvalue=αF1+βF6+γF10

(2)

其中,α,β和γ為比例系數(shù),由多維組學(xué)特征對應(yīng)的信息增益歸一化后得出。由于病灶與正常組織在CT上的差異明顯,因此當(dāng)某區(qū)域特征值與其他三個(gè)區(qū)域差異明顯時(shí)表示該區(qū)域內(nèi)包含病灶。在該區(qū)域內(nèi)生成多個(gè)尺度在0.15～0.8之間的錨框,分別計(jì)算各個(gè)錨框的特征值,并計(jì)算各個(gè)錨框特征值的差異,選出差異最大的錨框作為病灶候選區(qū)。區(qū)域之間的特征差異性使用方差進(jìn)行量化。

2.2 邊緣感知擴(kuò)散GAN

邊緣感知擴(kuò)散GAN模塊中包括1個(gè)生成器和2個(gè)鑒別器。鑒別器D為生成圖像與真實(shí)圖像中加入隨機(jī)噪聲,穩(wěn)定模型訓(xùn)練。加噪過程如圖1(b)的Forward Process。鑒別器DEdge獲取真實(shí)邊緣圖與生成邊緣圖,約束生成圖像的邊緣。

2.2.1 生成器

利用多維組學(xué)特征組從CT上劃分病灶候選區(qū)并可視化后得到病灶特征圖fmap。生成器將CT和特征圖fmap作為輸入,生成sMRI0,用公式表達(dá)為：

sMRI0=G(MRIt,fmap,CT,t)

(3)

其中,MRIt表示第t步帶噪MRI,fmap表示病灶候選區(qū)域可視化的特征圖,CT為源圖像,t為時(shí)間指數(shù)。生成器使用UNet[28]結(jié)構(gòu),由6個(gè)下采樣塊與6個(gè)上采樣塊組成。如圖1(b)所示,下采樣塊由3個(gè)殘差塊與1個(gè)3×3卷積塊組成,上采樣塊則由4個(gè)殘差塊組成;時(shí)間t通過32維正弦位置編碼(Time embedding)[29]后經(jīng)過兩層全連接(linear)層[30]后加入到殘差塊中。

2.2.2 鑒別器

鑒別器D區(qū)分sMRIt-k與MRIt-k。公式表達(dá)為：D({sMRIt-k|MRIt-k},MRIt,t),其中輸入為時(shí)間指數(shù)t,真實(shí)MRI在t-k步的MRIt-k,如圖1(b)前向過程所示,生成MRI在t-k步的sMRIt-k～q(sMRIt-k|MRIt,sMRI0)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1(b)中D所示,由6個(gè)下采樣塊組成。

2.2.3 邊緣感知鑒別器

通過對圖像進(jìn)行卷積,得到邊緣圖sMRIEdge與MRIEdge。kx與ky分別檢測圖像中的水平與垂直邊緣,對圖像卷積后生成對應(yīng)x方向和y方向的邊緣映射。最后將兩個(gè)邊緣映射合并為最終的邊緣圖S(Image),用×表示卷積操作,公式如下：

(4)

邊緣感知鑒別器區(qū)分sMRIEdge與MRIEdge,公式化為：DEdge(S(sMRI0)|S(MRI))。網(wǎng)絡(luò)結(jié)構(gòu)如圖1(b)中D_Edge所示,由一層卷積網(wǎng)絡(luò)以及6個(gè)下采樣塊組成。

2.3 損失函數(shù)

該文提出邊緣感知擴(kuò)散GAN,模型總體損失函數(shù)Ltotal如式12所示,由對抗損失與非對抗損失組成,其中對抗損失如式9所示：

LG=EsMRIt-k～q(sMRIt-k)log[1-D(sMRIt-k)]

(5)

LD=-EMRIt-k～q(MRIt-k)logD(MRIt-k)-
EsMRIt-k～q(sMRIt-k)log[1-D(sMRIt-k)]

(6)

(7)

(8)

(9)

其中,G表示生成器,D表示鑒別器,DEdge表示邊緣感知鑒別器,E表示隨機(jī)變量概率分布的期望,t～U({0,k,…,T}),λEdge為邊緣感知鑒別器損失的平衡系數(shù)。為了讓生成MRI與真實(shí)MRI更接近,引入L1損失約束圖像像素。L1損失如下：

L1=EMRI,sMRI0～q(MRI,sMRI0)‖MRI-sMRI0‖1

(10)

其中,‖·‖1表示l1范數(shù)。為了學(xué)習(xí)到MRI圖像上更多的邊緣信息,使生成的MRI在邊緣上更加接近于真實(shí)MRI,引入梯度損失LGDL。公式如下：

LGDL=EMRI,sMRI0～q(MRI,sMRI0)‖?MRI-?sMRI0‖1

(11)

其中,?MRI與?sMRI0分別表示真實(shí)MRI與生成MRI的梯度信息。

模型總體損失函數(shù)Ltotal由對抗損失函數(shù)LAdv、全局損失函數(shù)L1以及梯度損失函數(shù)LGDL組成。定義如下：

Ltotal=LAdv+λ1L1+λ2LGDL

(12)

其中,λ1,λ2為損失函數(shù)的加權(quán)系數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

在ISLES2018數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),包括103例急性腦卒中患者的信息?；颊哂谌毖阅X卒中發(fā)作后8小時(shí)內(nèi)接受CT灌注成像(CTP)和3小時(shí)內(nèi)的彌散加權(quán)成像(DWI)模態(tài)的MRI檢查。訓(xùn)練集包含63個(gè)病例,包括原始CT、4張CTP參數(shù)圖、DWI及醫(yī)生標(biāo)記的病變標(biāo)簽。測試集包含40例患者,無DWI和病變標(biāo)簽。實(shí)驗(yàn)使用CT和MRI配對數(shù)據(jù)及專家標(biāo)記的病灶,按6∶2∶2比例分為訓(xùn)練集、驗(yàn)證集和測試集。

實(shí)驗(yàn)基于Python 3.8.10和PyTorch 1.12.1框架進(jìn)行,在一臺(tái)配備有Intel Xeon E5 2620 v4處理器、128 GB內(nèi)存和4臺(tái)Tesla V100顯卡(每個(gè)顯卡有32 GB顯存)的64位Ubuntu NVIDIA Station服務(wù)器上進(jìn)行了模型訓(xùn)練。模型訓(xùn)練500個(gè)epoch,輸入輸出圖像的大小為256×256,采用Adam優(yōu)化器,學(xué)習(xí)率設(shè)置為10-4,其中T為1 000,步長k為250,噪聲方差的上下界分別為0.1和20。

3.2 評價(jià)指標(biāo)

為了定量評估算法生成的圖像質(zhì)量,采用峰值信噪比(PSNR)、結(jié)構(gòu)相似性指數(shù)(SSIM)和Pearson相關(guān)系數(shù)(PCC)。PSNR通過比較生成圖像和真實(shí)圖像之間的像素誤差的全局大小來度量圖像質(zhì)量。SSIM是反映了生成MRI圖像與真實(shí)MRI的結(jié)構(gòu)相似性程度。最后,PCC用于衡量生成MRI與真實(shí)MRI之間的相關(guān)性。

3.3 對比實(shí)驗(yàn)

本節(jié)評估了急性缺血性腦卒中CT生成MRI算法的性能,對Syndiff[11]、CycleGAN[6]、Respix2pix[13]與文中方法進(jìn)行定量實(shí)驗(yàn),如表2所示。文中方法在圖像質(zhì)量和腦部結(jié)構(gòu)相似度方面表現(xiàn)優(yōu)秀。圖3將生成的結(jié)果、對應(yīng)的邊緣圖與差異圖作為可視化結(jié)果進(jìn)行定性實(shí)驗(yàn)。圖3顯示Ours-sMRI與Respix2pix-sMRI均包含病灶高亮細(xì)節(jié),但Respix2pix中存在錯(cuò)誤邊緣,表明文中方法能夠生成高質(zhì)量的MRI圖像,并具有優(yōu)秀的細(xì)節(jié)表現(xiàn)。

表2 對比實(shí)驗(yàn)定量分析

圖3 對比實(shí)驗(yàn)可視化結(jié)果

為了驗(yàn)證文中方法在病灶上的優(yōu)勢,分別比較Respix2pix-sMRI與Ours-sMRI的病灶區(qū)域,三名影像科醫(yī)生標(biāo)記Ours-sMRI與Respix2pix-sMRI的病灶,圖4為分割結(jié)果。其中,Ours-sMRI的表現(xiàn)最優(yōu),對應(yīng)的DICE系數(shù)比Respix2pix-sMRI的高。

圖4 病灶區(qū)域繪制

綜上所述,文中方法生成的MRI經(jīng)過定量與定性分析均獲得了最佳的結(jié)果。表明文中方法生成MRI不僅在關(guān)鍵病理信息上有優(yōu)秀的表現(xiàn),同時(shí)生成圖像的結(jié)構(gòu)信息與邊緣上也與真實(shí)MRI更為近似。

3.4 消融實(shí)驗(yàn)

本節(jié)分別通過定量分析與定性分析,驗(yàn)證組學(xué)模塊和邊緣感知鑒別器的有效性。定量評估結(jié)果如表3所示,Without D and R表示去除邊緣感知鑒別器與組學(xué)模塊后的模型;Without R表示去除組學(xué)模塊后的模型;Without D表示去除邊緣感知鑒別器后的模型;Ours表示文中方法的模型。定性分析結(jié)果如圖5所示,分別展示了四種方法對應(yīng)的sMRI及其病灶區(qū)域細(xì)節(jié)放大圖,方框表示病灶區(qū)域。

表3 消融實(shí)驗(yàn)定量分析

圖5 消融實(shí)驗(yàn)可視化結(jié)果

3.4.1 影像組學(xué)模塊有效性驗(yàn)證

組學(xué)模塊作為本模型中提供病灶先驗(yàn)的模塊,加入組學(xué)模塊后生成的MRI中應(yīng)該顯示病灶。圖5中Without R-sMRI的方框內(nèi)沒有病灶,而Without D-sMRI與Ours-sMRI的方框內(nèi)均有明顯高亮。生成的MRI中有高亮病灶,且位置正確。同時(shí),在定量實(shí)驗(yàn)中,當(dāng)去掉組學(xué)模塊后,PCC指數(shù)有明顯下降,表示生成MRI與真實(shí)MRI之間的相關(guān)性下降。

3.4.2 邊緣感知鑒別器的有效性驗(yàn)證

邊緣感知鑒別器主要對生成圖像的邊緣梯度進(jìn)行約束,使生成的MRI有更真實(shí)的邊緣梯度。圖5中,Without D-sMRI中雖然有明顯的病灶信息,但是出現(xiàn)了不正確的邊緣,圖像存在偽影;加入邊緣感知鑒別器后的圖像則展現(xiàn)出了自然的梯度,整體圖像更加真實(shí)。

綜上所述,文中模型生成的圖像與真實(shí)MRI差異很小,病灶明顯,病灶位置正確,病灶形狀相似,這是由于組學(xué)模塊與邊緣感知鑒別器分別突出病灶區(qū)域和生成MRI的邊緣梯度,使生成MRI與真實(shí)MRI相似。

3.5 醫(yī)生陽性/陰性鑒別

三名分別有10年、5年和3年的放射科經(jīng)驗(yàn)的醫(yī)生分別對五種情況進(jìn)行陽性/陰性鑒別。陽性表示發(fā)現(xiàn)腦卒中病變,陰性表示未發(fā)現(xiàn)腦卒中病變。使用Accuracy公式計(jì)算在三種情況下的準(zhǔn)確率。

(13)

其中,TP與TN表示陽性陰性分類正確的樣本個(gè)數(shù),FP與FN表示陽性陰性分類錯(cuò)誤的樣本個(gè)數(shù)。醫(yī)生判斷得出的準(zhǔn)確率如表4所示,文中生成的MRI與CT結(jié)合后急性缺血性腦卒中檢出率有了明顯提升。

表4 陽性/陰性判別準(zhǔn)確率 %

4 結(jié)束語

該文提出了基于影像組學(xué)的邊緣感知擴(kuò)散GAN,旨在解決急性缺血性腦卒中CT到MRI的跨模態(tài)生成問題。該算法提取CT中的組學(xué)特征,并在病灶候選區(qū)域進(jìn)行可視化輔助患者的CT生成MRI,為不適用的MRI患者提供新的診斷方法。實(shí)驗(yàn)結(jié)果表明,加入邊緣感知鑒別器,使生成的MRI整體邊緣過渡更為自然。生成的MRI能夠清晰顯示病變,為醫(yī)生的診斷治療提供了有力參考。然而,由于急性缺血性腦卒中數(shù)據(jù)有限,需要進(jìn)一步測試模型的有效性和魯棒性。