論文の概要: Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography

• arxiv url: http://arxiv.org/abs/2512.09393v1
• Date: Wed, 10 Dec 2025 07:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.436148
• Title: Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography
• Title（参考訳）: 深部CTによる硬膜下血腫の検出と局在
• Authors: Vasiliki Stoumpou, Rohan Kumar, Bernard Burman, Diego Ojeda, Tapan Mehta, Dimitris Bertsimas,
• Abstract要約: 硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。 マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。 我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 3.5333115085185614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background. Subdural hematoma (SDH) is a common neurosurgical emergency, with increasing incidence in aging populations. Rapid and accurate identification is essential to guide timely intervention, yet existing automated tools focus primarily on detection and provide limited interpretability or spatial localization. There remains a need for transparent, high-performing systems that integrate multimodal clinical and imaging information to support real-time decision-making. Methods. We developed a multimodal deep-learning framework that integrates structured clinical variables, a 3D convolutional neural network trained on CT volumes, and a transformer-enhanced 2D segmentation model for SDH detection and localization. Using 25,315 head CT studies from Hartford HealthCare (2015--2024), of which 3,774 (14.9\%) contained clinician-confirmed SDH, tabular models were trained on demographics, comorbidities, medications, and laboratory results. Imaging models were trained to detect SDH and generate voxel-level probability maps. A greedy ensemble strategy combined complementary predictors. Findings. Clinical variables alone provided modest discriminatory power (AUC 0.75). Convolutional models trained on CT volumes and segmentation-derived maps achieved substantially higher accuracy (AUCs 0.922 and 0.926). The multimodal ensemble integrating all components achieved the best overall performance (AUC 0.9407; 95\% CI, 0.930--0.951) and produced anatomically meaningful localization maps consistent with known SDH patterns. Interpretation. This multimodal, interpretable framework provides rapid and accurate SDH detection and localization, achieving high detection performance and offering transparent, anatomically grounded outputs. Integration into radiology workflows could streamline triage, reduce time to intervention, and improve consistency in SDH management.
• Abstract（参考訳）: 背景。 硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。 タイムリーな介入を誘導するためには、迅速かつ正確な識別が不可欠であるが、既存の自動化ツールは、主に検出に集中し、限定的な解釈可能性や空間的位置付けを提供する。 リアルタイム意思決定を支援するためにマルチモーダルな臨床・画像情報を統合する透明でハイパフォーマンスなシステムが必要である。 メソッド。 我々は、構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと、SDHの検出とローカライゼーションのためのトランスフォーマー強化2Dセグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。 ハートフォード・ヘルスケア(2015年-2024年)の25,315人の頭部CT研究を用い、そのうち3,774人(14.9 %)が臨床で確認されたSDHを含んでいた。 イメージングモデルはSDHを検出し、ボクセルレベルの確率マップを生成するように訓練された。 強欲なアンサンブル戦略は相補的な予測器を組み合わせた。 発見。 臨床変数だけでは、控えめな差別力(AUC 0.75)が提供された。 CTボリュームとセグメンテーション由来の地図に基づいて訓練された畳み込みモデルは、AUCs 0.922, 0.926)。 すべてのコンポーネントを統合するマルチモーダルアンサンブルは、最高の全体的な性能(AUC 0.9407; 95\% CI, 0.930--0.951)を達成し、既知のSDHパターンと整合した解剖学的意味のあるローカライゼーションマップを作成した。 解釈。 このマルチモーダル・解釈可能なフレームワークは、高速かつ正確なSDH検出とローカライゼーションを提供し、高い検出性能を実現し、透過的で解剖学的に基礎付けられた出力を提供する。 放射線学ワークフローへの統合はトリアージを効率化し、介入までの時間を短縮し、SDH管理の一貫性を向上させる。

関連論文リスト

• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis [32.83724094606554]
  医用画像分類に特化した最初の解剖学的インフォームドMOEフレームワークであるRegional Expert Networks (REN)を紹介した。 RENは解剖学の先行技術を利用して7人の専門専門家を訓練し、それぞれ異なる肺葉と両側の肺の組み合わせに特化している。 厳密な患者レベルのクロスバリデーションを通じて、RENは強力な一般化性と臨床解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-10-06T15:35:08Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Classification of Heart Sounds Using Multi-Branch Deep Convolutional Network and LSTM-CNN [7.136933021609078]
  本研究は, 心臓疾患の自動診断のための, 迅速かつ正確かつ費用対効果の高い手法を提供する新しいディープラーニングアーキテクチャを開発し, 評価する。 まず,多様な畳み込みフィルタサイズを利用して人間の聴覚処理をエミュレートするマルチブランチディープ畳み込みニューラルネットワーク(MBDCN)と,特徴抽出のためのパワースペクトル入力の2つの革新的な手法を提案する。 第二に、LSTMブロックをMBDCNに統合し、時間領域の特徴抽出を改善するLong Short-Term Memory-Convolutional Neural (LSCN)モデルである。
  論文  参考訳（メタデータ） (2024-07-15T13:02:54Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• UNesT: Local Spatial Representation Learning with Hierarchical Transformer for Efficient Medical Segmentation [29.287521185541298]
  我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。 我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:14:38Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)

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。