急性缺血性卒中的治疗目的是通过静脉溶栓或血管内治疗使闭塞动脉再通，从而挽救低灌注脑组织。数年来，从症状出现到治疗间的时间决定了是否适用于上述治疗方式。最近的临床试验为基于影像选择的超时间窗患者行血管内治疗的有效性提供了证据。灌注成像，多数情况下是CT灌注成像CTP，有助于识别出低灌注损伤体积中减去不可逆的梗死核心后的潜在可挽救组织（例如，半暗带）。目前，可供临床上使用的软件通过去卷积技术计算不同的灌注参数。在DEFUSE 3研究、SWIFT-PRIME研究、DAWN研究和EXTEND研究中，低灌注组织严格定义为相对脑血流量（rCBF）＜30%、团注对比剂后自近端血管最大程度显影至脑组织最大程度显影的延迟时间（Tmax）超过6s。上述试验根据既往定义的核心和低灌注不匹配模式的纳入标准选择患者。然而，基于软件计算出的图像（maps）仍然需要人工输入区分伪影和真正的灌注缺损。此外，这种去卷积技术固有地对噪声敏感，因此改善现有灌注算法，甚至使用无去卷积汇总参数是当前研究的目标。机器学习是估计急性缺血性卒中患者缺血组织结局的另一选择。现有将组织分成半暗带和梗死核心的分类标准和扫描时刻相关，不能反应对患者转院事件有帮助的梗死演进速度。不同患者间的梗死增长速率差异很大，取决于侧支循环。基线灌注成像时得到的低灌注强度比率（hypoperfusion intensity ratio，HIR），范围0-1，和实际梗死增长率相关，HIR值小于0.5表示梗死增长率在5ml/h以下。更好预测个体患者梗死增长可影响综合卒中中心患者转院和时间指标。研究者开发了基于深度学习（deep learning，DL）的从CTP影像直接预测组织状态的无去卷积算法。本研究旨在比较深度神经网络和经典去卷积/阈值分析的最终梗死体积估计值的准确性。另外，研究者提供了急性大血管闭塞个体患者梗死增长速率，并将其与HIR进行分析。