Deep Enhanced Imaging in der Schlaganfall- und Gefäßneurologie

Die frühzeitige Diagnose eines Hirninfarkts, die Erkennung eines ischämischen Halbschattens, die Bewertung des Kollateralkreislaufs und die Identifizierung vaskulärer Läsionen durch Bildgebung sind entscheidend für die Behandlungsentscheidung und die Verbesserung des Ergebnisses bei einem Hirnschlag. Multimodale Computertomographie (CT) und Magnetresonanztomographie (MR) sind die am weitesten verbreiteten und zugänglichsten Ansätze in klinischen Szenarien. Diese beiden Ansätze werden entweder durch die Strahlenbelastung oder die lange Scanzeit herabgestuft, was eine schnelle Behandlung der Patienten behindern kann. Deep Learning hat erhebliche Erfolge bei der Verbesserung der medizinischen Bildgebung gezeigt. Der Mehrwert der Deep-Learning-Methode in der Schlaganfall- und Gefäßneurologie ist nicht umfassend validiert. In dieser Studie wollten wir die Leistung der verbesserten Computertomographie (CT) oder Magnetresonanz (MR)-Bildgebung durch Deep Learning im Vergleich zur konventionellen CT- oder MR-Bildgebung bei Hirnschlag und vaskulärer Neurologie untersuchen. Wir erwarten, dass das Deep Enhanced Imaging-Verfahren die Verweildauer in der Bildgebungssitzung von Schlaganfallpatienten verkürzen, die Bildqualität insgesamt optimieren und die Versorgung der Patienten in der Bildgebungssitzung verbessern kann.