arXiv cs.AI· Md Sazidur Rahman, Kjersti Engan, Kathinka D{\ae}hli Kurz, Mahdieh Khanmohammadi·· 9 天前AI 评分22
双时间点影像驱动的急性卒中演化分析
Bi-temporal Image-driven Acute Stroke Evolution Analysis
AI 导读
研究提出一种双时间点组织表型分析框架，用六类结果感知 ROI 将入院 CTP 影像特征与随访 DWI 定义的最终梗死结果关联，特征来自 mJ-Net 和 nnU-Net 表示。
正文 · AI 翻译
摘要：急性缺血性卒中需要快速的治疗决策，而急诊影像在很大程度上指导着这些决策。入院计算机断层扫描灌注（CTP）通常用于估计缺血核心（代表不可逆损伤组织）和半暗带（代表低灌注但可能可挽救的组织）。随后使用随访弥散加权 MRI（DWI）来定义最终梗死灶。现有影像方法主要关注核心-半暗带分割或最终梗死预测，但对异质性半暗带组织在治疗后如何演变提供的见解有限。我们提出了一种双时间点组织表型分析框架，使用六个与结局相关的感兴趣区域类别，将入院 CTP 特征与随访 DWI 定义的组织结局联系起来。入院组织特征通过从 mJ-Net 和 nnU-Net 表示中提取的统计、放射组学和深度学习特征来表征。在内部队列（SUH）上，挽救和梗死的半暗带显示出特征空间的一致分离（$\tilde{\Delta}{\cos}=0.146$，$p<0.05$），而核心组织按后续命运显示出最小分离。最大的分离出现在最初非低灌注但后来梗死的组织与健康对侧组织之间（$\tilde{\Delta}{\cos}=0.460$，$p<0.05$）。在公开可用的 ISLES'24 数据集上的跨数据集评估显示出相似趋势，支持所观察到的特征空间模式的一致性。这些发现表明，入院 CTP 包含超出传统核心-半暗带勾画范围的与结局相关的组织信息。代码可在 此 https URL 获取。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.07535 [cs.CV] |
| （或 arXiv:2602.07535v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.07535 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Md Sazidur Rahman [查看电子邮件]
[v1]
2026年2月7日星期六 13:18:13 UTC（16,229 KB）
[v2]
2026年10月8日星期四 16:41:19 UTC（11,011 KB）
来源：arXiv cs.AI · arxiv.org