Multimodal magnetic resonance imaging (MRI) has emerged as a promising tool for diagnosing ischemic stroke and for determining treatment strategies in the acute phase. The detection and quantification of the penumbra and the infarct core regions aid the assessment of the potential risks and benefits of thrombolysis by providing information on salvageable tissue or ischemic lesion age. In this study, we proposed a fully automated and real-time algorithm to compute parameter maps of perfusion-weighted images (PWIs) and to identify an infarct core from diffusion-weighted images (DWIs). DWI and PWI were obtained using a 1.5 Tesla MRI scanner for 15 patients with acute ischemic stroke. Parameter maps of PWI were computed using restricted gamma-variate curve fitting and Fourier-based deconvolution. The ischemic penumbra was identified using time-to-maximum (Tmax) > 6 s as the mutual optimal threshold, while the infarct core was segmented using an adaptive thresholding on DWI. When the penumbra on PWI was compared with that generated using commercial software Pearson's linear correlation coefficient between penumbra volumes was 0.601 (p = 0.030), and the Dice coefficient was 0.51 ± 0.15. The infarct core on DWI was compared with the manually segmented gold standard. Dice coefficient between the manually drawn and automated segmented infarct cores was 0.62 ± 0.18. The processing times for PWI and DWI were 222.9 ± 16.4 and 53.4 ± 4.8 s, respectively. In conclusion, we demonstrate a fully automated and real-time algorithm to segment the penumbra and the infarct core regions based on PWI and DWI.

中文翻译：

---

超急性中风患者的弥散和灌注加权MRI中的梗塞核心和半影的全自动实时体积测量。

多峰磁共振成像（MRI）已成为诊断缺血性中风和确定急性期治疗策略的有前途的工具。对半影和梗塞核心区域的检测和量化通过提供有关可挽救组织或缺血性病变年龄的信息，有助于评估溶栓的潜在风险和益处。在这项研究中，我们提出了一种全自动的实时算法来计算灌注加权图像（PWI）的参数图，并从弥散加权图像（DWI）识别梗塞核心。使用1.5 Tesla MRI扫描仪对15例急性缺血性中风患者进行了DWI和PWI。使用受限的伽玛变量曲线拟合和基于傅里叶的反卷积计算PWI的参数图。使用最大时间（Tmax）> 6 s作为相互最佳阈值来识别缺血性半影​​，而使用DWI上的自适应阈值对梗塞核心进行分割。将PWI上的半影与使用商业软件生成的半影进行比较时，Pearson的半影体积之间的线性相关系数为0.601（p = 0.030），而Dice系数为0.51±0.15。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。6 s作为相互最佳阈值，而梗塞核心在DWI上使用自适应阈值分割。将PWI上的半影与使用商业软件生成的半影进行比较时，Pearson的半影体积之间的线性相关系数为0.601（p = 0.030），而Dice系数为0.51±0.15。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。6 s作为相互最佳阈值，而梗塞核心在DWI上使用自适应阈值分割。将PWI上的半影与使用商业软件生成的半影进行比较时，Pearson的半影体积之间的线性相关系数为0.601（p = 0.030），而Dice系数为0.51±0.15。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。将PWI上的半影与使用商业软件生成的半影进行比较时，Pearson的半影体积之间的线性相关系数为0.601（p = 0.030），而Dice系数为0.51±0.15。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。将PWI上的半影与使用商业软件生成的半影进行比较时，Pearson的半影体积之间的线性相关系数为0.601（p = 0.030），而Dice系数为0.51±0.15。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。将DWI上的梗塞核心与手动分割的金标准进行了比较。手动绘制和自动分段的梗塞核心之间的骰子系数为0.62±0.18。PWI和DWI的处理时间分别为222.9±16.4和53.4±4.8 s。总之，我们演示了一种基于PWI和DWI的全自动实时算法来分割半影和梗塞核心区域。