論文の概要: A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage

• arxiv url: http://arxiv.org/abs/2408.00940v1
• Date: Thu, 1 Aug 2024 22:08:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 14:56:17.894481
• Title: A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage
• Title（参考訳）: 血栓摘出後脳出血予測のためのデュアルタスク相互学習フレームワーク
• Authors: Caiwen Jiang, Tianyu Wang, Xiaodan Xing, Mianxin Liu, Guang Yang, Zhongxiang Ding, Dinggang Shen,
• Abstract要約: 患者の初回CT検査のみを用いて術後脳出血を計測するための新しい予測枠組みを提案する。 本手法では, 最新診断法よりも追跡CTの精度が向上し, 追跡診断ラベルの精度が86.37%向上した。
• 参考スコア（独自算出の注目度）: 42.24368372333753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ischemic stroke is a severe condition caused by the blockage of brain blood vessels, and can lead to the death of brain tissue due to oxygen deprivation. Thrombectomy has become a common treatment choice for ischemic stroke due to its immediate effectiveness. But, it carries the risk of postoperative cerebral hemorrhage. Clinically, multiple CT scans within 0-72 hours post-surgery are used to monitor for hemorrhage. However, this approach exposes radiation dose to patients, and may delay the detection of cerebral hemorrhage. To address this dilemma, we propose a novel prediction framework for measuring postoperative cerebral hemorrhage using only the patient's initial CT scan. Specifically, we introduce a dual-task mutual learning framework to takes the initial CT scan as input and simultaneously estimates both the follow-up CT scan and prognostic label to predict the occurrence of postoperative cerebral hemorrhage. Our proposed framework incorporates two attention mechanisms, i.e., self-attention and interactive attention. Specifically, the self-attention mechanism allows the model to focus more on high-density areas in the image, which are critical for diagnosis (i.e., potential hemorrhage areas). The interactive attention mechanism further models the dependencies between the interrelated generation and classification tasks, enabling both tasks to perform better than the case when conducted individually. Validated on clinical data, our method can generate follow-up CT scans better than state-of-the-art methods, and achieves an accuracy of 86.37% in predicting follow-up prognostic labels. Thus, our work thus contributes to the timely screening of post-thrombectomy cerebral hemorrhage, and could significantly reform the clinical process of thrombectomy and other similar operations related to stroke.
• Abstract（参考訳）: 脳虚血性脳卒中は、脳血管の閉塞によって引き起こされる重篤な疾患であり、酸素欠乏による脳組織の死につながる可能性がある。 血栓摘出術は即時効果のため虚血性脳梗塞の一般的な治療法となっている。 しかし、術後の脳出血のリスクも伴う。 臨床的には、術後0-72時間以内に複数のCTスキャンを用いて出血をモニターする。 しかし、このアプローチは患者に放射線を照射し、脳出血の検出を遅らせる可能性がある。 このジレンマに対処するために,患者のCTスキャンのみを用いて術後脳出血を測定するための新しい予測枠組みを提案する。 具体的には、初回CTスキャンを入力とし、術後脳出血の発生を予測するために、後続CTスキャンと予後ラベルの両方を同時に推定するデュアルタスク相互学習フレームワークを提案する。 提案手法は,2つの注意機構,すなわち自己注意と対話的注意を含む。 具体的には、自己注意機構により、画像内の高密度領域(すなわち潜在的な出血領域)により集中することができる。 対話型アテンション機構は、関連した生成タスクと分類タスクの依存関係をさらにモデル化し、個別に実行される場合よりも、両方のタスクがより良く実行されるようにする。 本手法は, 臨床データに基づいて, 最新診断法よりも追跡CTを精度良く生成し, 予後ラベルの予測に86.37%の精度を達成できる。 本研究は,血栓摘出後脳出血の経時的スクリーニングに寄与し,血栓摘出術および他の脳卒中関連手術の経過を著しく改善する可能性がある。

関連論文リスト

• Machine learning for cerebral blood vessels' malformations [38.524104108347764]
  脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。 脳血流のパラメータは、リスクアセスメントと治療予後のための機械学習支援プロトコルに利用できる可能性がある。
  論文  参考訳（メタデータ） (2024-11-25T12:58:00Z)
• Concurrent ischemic lesion age estimation and segmentation of CT brain using a Transformer-based network [8.80381582892208]
  本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。 従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
  論文  参考訳（メタデータ） (2023-06-21T13:00:49Z)
• Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
  術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。 我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
  論文  参考訳（メタデータ） (2023-02-08T15:41:21Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Deep-ASPECTS: A Segmentation-Assisted Model for Stroke Severity Measurement [1.3814679165245243]
  脳卒中は、脳内の動脈が破裂して出血したり、脳への血液供給が遮断されたときに起こる。 本研究では,ASPECTSにおけるCTスキャンの深層学習に基づくスコアリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-05T06:12:49Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo [55.04215695343928]
  大動脈血管木は大動脈とその枝枝動脈からなる。 大動脈弁木の自動・半自動セグメンテーションのための計算手法を体系的に検討した。
  論文  参考訳（メタデータ） (2021-08-06T08:18:28Z)
• DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。 腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
  論文  参考訳（メタデータ） (2020-08-26T22:51:24Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。