APIS: 一个用于脑缺血分割挑战的 CT-MRI 成对数据集
介绍了 CPAISD 数据集,旨在通过使用非对比增强计算机断层扫描(NCCT),提高对缺血性中风的早期检测和分割。该数据集解决了在早期阶段诊断急性缺血性中风时常常无法揭示原发性 CT 结果的挑战,提供一系列分割的 NCCT 图像。这些图像包括缺血核心和半明区域的注释,对于开发机器学习模型以实现快速中风识别和评估至关重要。通过提供一个经过精心收集和注释的数据集,旨在促进先进诊断工具的开发,为中风管理中的患者护理和结果改善做出贡献。我们的数据集的独特之处在于它专注于缺血性中风的急性阶段,并包括一个基准模型来展示数据集的应用,鼓励在医学影像和中风诊断领域的进一步研究和创新。
Apr, 2024
2022 年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像 (DWI) 图像进行准确分析,与专家相媲美,并具有临床应用的潜力。
Mar, 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
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
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扩散概率模型的非对比 CT 扫描中卒中病灶分割方法,该方法完全基于隐变量模型,在噪声预测流的帮助下能够高效地推断出最终标签,经多组数据集验证,证实其达到了最先进的性能。
Jul, 2023
基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求,在训练集上达到 0.87 的 AUC,0.80 的 F1 得分和 80.45% 的准确率,超过了目前医学领域中整合图像和结构化数据的现有模型,并且扩散加权磁共振成像能够与其他临床变量结合,在预测准确性上达到可比较的水平,从而更好地推广应用。
Feb, 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
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