Apr, 2024

急性缺血性卒中患者 CT 和 CTA 图像生成灌注图的框架：纵向和横向研究

PDF
TL;DR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。
strokevascular imaging4d perfusion imagingpredicted perfusion mapct and cta images
发现论文，激发创造
  • 基于新颖时空卷积神经网络的定量灌注图

    提出了一种考虑时空信息的灌注参数估计网络 (ST-Net)，该网络结合了设计的物理损失函数，能够准确估计灌注参数，包括脑血容量、脑血流和残差函数的最大时间。

    Dec, 2023

  • APIS: 一个用于脑缺血分割挑战的 CT-MRI 成对数据集

    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

  • 急性卒中监测中的 CT 图像配准

    基于图像配准技术的卒中病人 CT 扫描中的缺血区暂时评估，引入新的相似性指标，快捷、便捷、易于操作。

    Jun, 2018

  • 融合扩散加权磁共振成像和临床数据进行深度对比学习，用于预测急性缺血性卒中后的功能结局

    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

  • CPAISD：核心 - 半影急性缺血性卒中数据集

    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

  • 应用于非对比 CT 中卒中灶分割的同步图像 - 标签扩散概率模型

    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

  • 脑血流动力学信号监测中的卒中预测和诊断模型

    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

  • 基于随机专家抽样的非对比度 CT 图像深度学习分割急性缺血性中风

    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

  • 基于迁移学习的脑部损伤分割元分析

    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

  • 时空图神经网络建模灌注磁共振成像

    这项研究首次尝试使用基于 GNN 的时空模型 PerfGAT 来建模 4D pMRI，通过整合空间信息和时间动力学预测脑胶质瘤患者的异柠檬酸脱氢酶（IDH）基因突变状态，实验结果表明该方法优于其他现有方法，有效地为患者特征建模。

    Jun, 2024