急性卒中监测中的 CT 图像配准
中风是致残和死亡的主要原因。在有效处理决策中首要是进行早期和信息丰富的血管成像。因此,我们提出了一种从 CT 和 CTA 图像中提取预测灌注图的框架。我们的预测灌注图与 4D-CTP 得到的 T-max 灌注图之间具有显著的空间相似性。通过对 2,110 名患者进行的体素相关性分析,可可靠地将症状与预期的梗塞位置相对应。因此,如果没有 4D 灌注成像,我们的预测灌注图可以作为一种替代方法来研究入院后的前几个小时的血液灌注。
Apr, 2024
本文提出了一种基于深度学习技术的脑卒中损伤分割方法,旨在实现损伤扩展和影响的客观测量,以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割,并同时提供损伤体积和对大脑结构的加权损伤量量化。
Jun, 2023
实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要,本文提出了一种新颖的方法,通过深度学习模型自动定位、标记和生成三维表面,然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展,实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。
Feb, 2024
研究使用深度学习(DL)技术,设计基于计算机断层扫描(CT)的 DL 算法,从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风(AIS)病变,并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响,最佳 DL 方法对病变存在和侧边分类达到了 72%的准确率,对大尺寸病变(80%准确率)和多发病变(87%二个病变、100%三个或以上病变的准确率)检测效果更好。
Sep, 2023
使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型,在前 3 小时内预测死亡,并在短短的 15 分钟内预测卒中复发。
May, 2023
本文提出了一种基于 Transformer 网络的多任务模型,用于同时对脑缺血损伤进行分割和估计时间,该模型利用门控位置自注意力和 CT 专用数据增强来捕捉长距离的空间依赖性,综合评估表明该方法在分割效果、时间分类性能和向先前工作提供的比较方面都表现出色。
Jun, 2023
中风是全球第二大死因,本研究介绍了 APIS 数据集,它包含了 NCCT 和 ADC 研究的急性缺血性中风患者,可用于帮助诊断、定位和分析中风病变。
Sep, 2023
该研究论文提出了一种融合成像系统,利用 3D 相机传感器,将 CT 和 MRI 图像与实时超声波采集进行注册,主要关注系统的便携性和在不同解剖部位的适用性。
Jul, 2023
基于多位专家的深度学习方法,本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案,该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性,并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置,从而在非专业医院中进一步确保对患者进行血管内治疗的选择。
Sep, 2023
机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法,并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示,即使数据集规模较小,结合神经影像和表格数据可实现高精度的中风后分类,可以进一步通过使用医院扫描仪中的图像来提高分类准确性。
Oct, 2023