简介：摘要目的探讨基于磁共振时间分辨交叉随机轨迹显像(time-resolved angiography with interleaved stochastic trajectories，TWIST)技术在评估急性缺血性卒中侧支循环中的应用价值。材料与方法回顾性分析2020年8月至2021年8月南京市第一医院神经内科收治的28例急性缺血性卒中患者的一般临床资料及影像资料，所有患者均接受了磁共振TWIST、灌注加权成像和数字减影血管造影(digital subtraction angiography，DSA)检查。DSA和TWIST图像的侧支循环分级分别参考美国介入与治疗神经放射学学会/介入放射学会(American Society of Interventional and Therapeutic Neuroradiology/Society of Interventional Radiology，ASITN/SIR)分级系统和改良的ASITN/SIR评分量表。Kappa系数用于分析侧支循环分级在不同观察者间的一致性。χ2检验用于分析TWIST和DSA图像的侧支循环分级结果的组间差异。根据TWIST图像的侧支循环分级将患者分为侧支循环丰富组和侧支循环不丰富组，ASITN/SIR分级3～4级表示侧支循环丰富，0～2级表示侧支循环不丰富，对比两组患者的临床资料和低灌注强度比值(hypoperfusion intensity ratio，HIR)。采用Spearman秩相关系数分析HIR与TWIST图像的侧支循环分级的相关性。结果TWIST (Kappa=0.826)和DSA (Kappa=0.856)图像的侧支循环分级在不同观察者间均具有高度一致性。TWIST和DSA图像的侧支循环分级结果组间差异无统计学意义(χ2=0.865，P=0.929)。与侧支循环不丰富组(13例)相比，侧支循环丰富组(15例) HIR更低(0.30±0.08 vs. 0.43±0.06，t=-5.156，P＜0.001)，相关分析显示HIR与TWIST图像的侧支循环分级呈负相关(r=-0.882，P＜0.001)。结论磁共振TWIST技术可无创评估急性缺血性卒中的侧支循环，在侧支循环诊断中具有较高的价值，可应用于临床。

简介：摘要目的探讨大脑中动脉粥样硬化性狭窄处患者血管壁剪切应力与管腔狭窄程度和斑块特征的关系。方法回顾性分析2020年6月至2021年6月连续就诊于南京市第一医院的单侧大脑中动脉中重度狭窄患者34例。所有患者均接受常规磁共振成像和血管壁成像检查，获取斑块面积、重构模式及重构指数等斑块参数。在磁共振血管造影的基础上建立计算流体力学模型，模拟病灶附近的局部血流动力学并量化血管壁剪切应力。根据壁剪切应力中位数将患者分为高壁剪切应力组和低壁剪切应力组，比较两组患者之间临床基线资料、管腔狭窄程度及斑块特征的差异性。应用Pearson相关分析计算壁剪切应力与管腔狭窄程度和斑块特征之间的相关性。结果本研究共纳入34例患者，其中高壁剪切应力组17例，低壁剪切应力组17例。高壁剪切应力组比低壁剪切应力组的血浆同型半胱氨酸水平更低［分别为（11.10±4.96）μmol/L和（16.97±6.98）μmol/L，t=-2.83，P=0.010］、管腔狭窄程度更低（分别为0.56±0.05 和0.66±0.08，t=-4.54，P<0.001）、管腔正性重构的比例更高（分别为12/17和4/17，P=0.015）。Pearson相关分析显示，管腔狭窄程度与壁剪切应力呈负相关（r=-0.44，P=0.011），斑块面积与壁剪切应力没有相关性。结论大脑中动脉狭窄处壁剪切应力与管腔狭窄程度和血管重构方式有关，高壁剪切应力则斑块稳定性较差，低壁剪切应力更容易引起管腔狭窄。

简介：摘要目的探讨基于DWI和液体衰减反转恢复序列（FLAIR）的深度学习技术构建预测急性卒中发病时间模型的效果。方法回顾性分析于2017年1月至2020年5月在南京市第一医院就诊且发病时间明确的急性卒中患者324例。采用7∶3比例按照完全随机法将患者分为训练集226例，测试集98例；再根据发病时间将患者分为≤4.5 h和>4.5 h两组。由医师对DWI图像上急性梗死区及FLAIR相应的高信号区进行轮廓勾勒标注。利用InceptionV3模型作为图像特征提取的基本模型，构建并验证基于单序列（DWI、FLAIR）和多序列（DWI+FLAIR）的深度学习预测模型。比较人工识别、单序列模型及多序列模型预测急性卒中发病时间的ROC曲线下面积（AUC）、准确度等性能。结果发病时间≤4.5 h患者中94例（94/207）存在DWI-FLAIR不匹配，发病时间>4.5 h患者中28例（28/117）存在DWI-FLAIR不匹配。ROC分析显示人工识别DWI-FLAIR不匹配预测急性卒中发病时间的AUC为0.607，准确度为60.2%。基于单序列的深度学习预测模型显示FLAIR序列预测急性卒中发病时间的AUC为0.761，准确度为71.4%；DWI序列预测急性卒中发病时间的AUC为0.836，准确度为81.6%；基于多序列（DWI+FLAIR）深度学习模型预测急性卒中发病时间的AUC为0.852，明显优于人工识别（Z=0.617，P=0.002）、基于FLAIR序列深度学习模型（Z=2.133，P=0.006）和基于DWI序列深度学习模型（Z=1.846，P=0.012）。结论基于DWI和FLAIR的深度学习模型预测急性卒中发病时间明显优于人工识别，可为未知发病时间的卒中患者提供静脉溶栓治疗指导。

简介：摘要颅内动脉粥样硬化性病变是缺血性卒中的常见病因。血流动力学在动脉粥样硬化的形成和发展以及临床缺血性卒中事件的风险评估中具有重要作用。作为一种脑血流动力学评估方法，计算流体力学能直观地获取血流动力学参数，为临床诊断和治疗提供有价值的信息。文章就计算流体力学在评价颅内动脉粥样硬化性病变周围血流动力学的应用进展进行了综述。