論文の概要: Beyond Core and Penumbra: Bi-Temporal Image-Driven Stroke Evolution Analysis

• arxiv url: http://arxiv.org/abs/2602.07535v1
• Date: Sat, 07 Feb 2026 13:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.677181
• Title: Beyond Core and Penumbra: Bi-Temporal Image-Driven Stroke Evolution Analysis
• Title（参考訳）: コアとペナブラを超えて - バイテンポラルイメージ駆動ストローク進化分析
• Authors: Md Sazidur Rahman, Kjersti Engan, Kathinka Dæhli Kurz, Mahdieh Khanmohammadi,
• Abstract要約: 本稿では, 統計記述子, 放射線テクスチャ特徴, 深部特徴埋め込みを用いて, 虚血組織を特徴付けるバイテンポラル分析フレームワークを提案する。 特徴は地域ごとに集約され、特徴空間で分析された。 最終的に回復したT1領域は、保存された脳組織と類似性を示したが、梗塞領域は異なるグループを形成した。
• 参考スコア（独自算出の注目度）: 0.7291396653006809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computed tomography perfusion (CTP) at admission is routinely used to estimate the ischemic core and penumbra, while follow-up diffusion-weighted MRI (DWI) provides the definitive infarct outcome. However, single time-point segmentations fail to capture the biological heterogeneity and temporal evolution of stroke. We propose a bi-temporal analysis framework that characterizes ischemic tissue using statistical descriptors, radiomic texture features, and deep feature embeddings from two architectures (mJ-Net and nnU-Net). Bi-temporal refers to admission (T1) and post-treatment follow-up (T2). All features are extracted at T1 from CTP, with follow-up DWI aligned to ensure spatial correspondence. Manually delineated masks at T1 and T2 are intersected to construct six regions of interest (ROIs) encoding both initial tissue state and final outcome. Features were aggregated per region and analyzed in feature space. Evaluation on 18 patients with successful reperfusion demonstrated meaningful clustering of region-level representations. Regions classified as penumbra or healthy at T1 that ultimately recovered exhibited feature similarity to preserved brain tissue, whereas infarct-bound regions formed distinct groupings. Both baseline GLCM and deep embeddings showed a similar trend: penumbra regions exhibit features that are significantly different depending on final state, whereas this difference is not significant for core regions. Deep feature spaces, particularly mJ-Net, showed strong separation between salvageable and non-salvageable tissue, with a penumbra separation index that differed significantly from zero (Wilcoxon signed-rank test). These findings suggest that encoder-derived feature manifolds reflect underlying tissue phenotypes and state transitions, providing insight into imaging-based quantification of stroke evolution.
• Abstract（参考訳）: 腹腔鏡下CT(Computed Tomography Perfusion, CTP)は虚血コアとペナブラの評価に日常的に用いられているが, 術後の拡散強調MRI(DWI)は決定的な梗塞発症をもたらす。 しかし、単一のタイムポイントセグメンテーションは、脳卒中における生物学的不均一性と時間的進化を捉えることができない。 本稿では,2 つのアーキテクチャ (mJ-Net と nnU-Net ) の統計記述器, 放射線テクスチャ特徴, 深部特徴埋め込みを用いて, 虚血組織を特徴付けるバイテンポラル解析フレームワークを提案する。 バイテンポラル(bi-temporal)とは、入院(T1)および治療後フォローアップ(T2)を指す。 全ての特徴はCTPからT1で抽出され、後続のDWIが整列して空間対応が保証される。 T1およびT2における手動で切り離されたマスクは、初期組織状態と最終結果の両方をコードする6つの関心領域(ROI)を構築するために切断される。 特徴は地域ごとに集約され、特徴空間で分析された。 再灌流成功例18例について検討したところ, 地域レベルでの有意なクラスタリングが認められた。 最終的に回復したT1領域は、保存された脳組織と類似性を示したが、梗塞領域は異なるグループを形成した。 底面GLCMと深層埋め込みの両方で同様の傾向がみられた: ペンブラ領域は最終状態によって大きく異なる特徴を示すが、コア領域では大きな違いはない。 深部特徴空間, 特にmJ-Netでは, 保存性組織と非保存性組織を強く分離し, ペンブラ分離指数は0と大きく異なっていた(Wilcoxon sign-rank test)。 これらの結果から,エンコーダ由来の特徴多様体は下層の組織表現型や状態遷移を反映し,脳卒中進行のイメージングに基づく定量化に寄与することが示唆された。

関連論文リスト

• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• PI-RADS v2 Compliant Automated Segmentation of Prostate Zones Using co-training Motivated Multi-task Dual-Path CNN [0.1074267520911262]
  MRIによる詳細な画像は、前立腺癌の診断と治療のための生命クリティカルな情報を提供する。 PI-RADS v2ガイドラインは、複雑なMRI画像の標準化された取得、解釈、使用を提供するために提案された。 ガイドラインに従う自動セグメンテーションは、一貫性と正確な病変の検出、ステージング、および治療を容易にする。
  論文  参考訳（メタデータ） (2023-09-22T16:10:21Z)
• Abdominal Multi-Organ Segmentation Based on Feature Pyramid Network and Spatial Recurrent Neural Network [2.8391355909797644]
  特徴ピラミッドネットワーク(FPN)と空間リカレントニューラルネットワーク(SRNN)を組み合わせた新しい画像分割モデルを提案する。 我々は,FPNを用いて異なるスケールの解剖学的構造を抽出し,腹部超音波像の空間的特徴を抽出するためにSRNNをどのように実装したかについて議論した。
  論文  参考訳（メタデータ） (2023-08-29T09:13:24Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations [0.6733204971296001]
  cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。 生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。 AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-07-14T10:05:37Z)
• Mixed Attention with Deep Supervision for Delineation of COVID Infection in Lung CT [0.24366811507669117]
  新しい深層学習アーキテクチャであるMiADS-Net(Mixed Attention Deeply Supervised Network)を提案する。 MiADS-Netは、COVID-19病変のセグメンテーションタスクにおいて、最先端のアーキテクチャよりも優れています。
  論文  参考訳（メタデータ） (2023-01-17T15:36:27Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• $\Upsilon$-Net: A Spatiospectral Network for Retinal OCT Segmentation [45.84236875366677]
  OCT画像のセグメンテーション性能を向上させるために、周波数領域の特徴と画像領域を組み合わせたアーキテクチャである$Upsilon$-Netを提案する。 改善率は, 液分画ダイススコアが13%, 平均ダイススコアが1.9%であった。
  論文  参考訳（メタデータ） (2022-04-15T18:51:28Z)
• Learning Anatomical Segmentations for Tractography from Diffusion MRI [0.0]
  拡散強調MR画像から直接170個の解剖学的領域の高速深層学習に基づくセグメンテーションを導入する。 組織型によっては0.70～0.87Diceのセグメンテーション結果が一定であった。
  論文  参考訳（メタデータ） (2020-09-09T16:20:02Z)

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。