論文の概要: HemExp: Clinically-Guided Latent Diffusion for Modeling Hematoma Expansion

• arxiv url: http://arxiv.org/abs/2606.15304v1
• Date: Sat, 13 Jun 2026 13:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.263506
• Title: HemExp: Clinically-Guided Latent Diffusion for Modeling Hematoma Expansion
• Title（参考訳）: HemExp : 血腫拡張のモデル化のための臨床ガイド下潜時拡散法
• Authors: Orhun Utku Aydin, Satoru Tanioka, Tzu I Chuang, Alexander Koch, Dimitrios Rallios, Marie Gultom, Begum Tahhan, Fujimaro Ishida, Dietmar Frey, Adam Hilbert,
• Abstract要約: 自然発症脳内出血後の血腫拡大は, 急性三徴症と治療決定の主要な要因である。 HemExpは患者特異的な非コントラストCT画像を生成する臨床誘導型潜伏拡散モデルである。
• 参考スコア（独自算出の注目度）: 30.5491665195957
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hematoma expansion (HE) after spontaneous intracerebral hemorrhage (ICH) is a major determinant of acute triage and treatment decisions in neurosurgical care. However, most existing methods provide either a binary expansion risk or a single follow-up volume, limiting uncertainty-aware decisions. We introduce HemExp, a clinically-guided latent diffusion model that generates patient-specific follow-up non-contrast CT images, along with segmentations of intraparenchymal and intraventricular hemorrhage. Generation is conditioned on baseline imaging, clinical variables, and an explicit expansion indicator, enabling controllable simulation of realistic clinical scenarios. HemExp uses a hemorrhage-aware multi-head variational autoencoder and models progression as the difference between baseline and follow-up latent representations with a conditional diffusion model. The model is trained on paired scans from 450 patients across multiple centers and evaluated on 107 patients from a held-out institution. HemExp produces spatial HE probability maps by generating multiple synthetic follow-up images per patient to estimate distributions of plausible follow-up hematoma volumes. Perturbing clinical inputs such as symptom-onset-to-imaging time or anticoagulant status shifts the predicted follow-up volume distribution. HemExp extends binary predictors and demonstrates robust estimation of clinically relevant outcomes in the imaging space, such as hematoma volume, intraventricular involvement, and mass effects. Overall, our results support controllable latent diffusion as a promising direction for uncertainty-aware modeling of early ICH progression.
• Abstract（参考訳）: 自然発症脳内出血(ICH)後の血腫拡大(HE)は、神経外科的治療における急性三徴症と治療決定の主要な要因である。 しかしながら、既存のほとんどの手法は、バイナリ拡張リスクまたは単一のフォローアップボリュームを提供し、不確実性を認識した決定を制限する。 患者特異的な非造影CT像と発作性心内出血と心室中出血のセグメンテーションを同時に生成するHemExpを臨床的に誘導した潜伏拡散モデルとして紹介した。 生成は、ベースラインイメージング、臨床変数、明示的な拡張指標に基づいて、現実的な臨床シナリオの制御可能なシミュレーションを可能にする。 HemExpは出血を意識したマルチヘッド変動オートエンコーダを使用し、条件付き拡散モデルによるベースラインと後続の潜伏表現の差分として進行をモデル化する。 このモデルは、複数のセンターにまたがる450人の患者からペアスキャンを行い、107人の患者から評価される。 HemExpは患者1人当たりの複数の合成フォローアップ画像を生成して空間HEの確率マップを作成し、その分布を推定する。 症状発症から画像化までの時間や抗凝固薬の状態などの摂動性臨床入力は、予測されたフォローアップボリューム分布をシフトさせる。 HemExpは二分予測器を拡張し、血腫容積、心室内関与、質量効果などの画像領域における臨床的に関係のある結果のロバストな評価を示す。 以上より, 早期ICH進行に対する不確実性を考慮したモデリングにおいて, 制御可能な潜伏拡散が期待できる方向として支持された。

関連論文リスト

• Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning [0.23179411766464517]
  RICE-NETは、経時的MRIデータと放射線治療用線量分布を統合して自動病変分類を行うマルチモーダル3Dディープラーニングモデルである。 アブレーション実験では,各時間点とモダリティの寄与を定量化し,信頼性の高い分類が主に放射マップに依存することを示した。
  論文  参考訳（メタデータ） (2026-03-12T11:48:22Z)
• Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma [0.0]
  人工知能(AI)の最近の進歩は、臨床データから条件付きマルチモーダル画像の生成を可能にする。 そこで本研究では, トラクタル内腫瘍におけるAIによる追跡MRIの生成について検討した。
  論文  参考訳（メタデータ） (2026-03-09T13:43:58Z)
• Ordinal Diffusion Models for Color Fundus Images [5.6629123221764965]
  ほとんどの条件拡散モデルは、病気の進行の継続的な性質を無視して、病気のステージを独立したクラスとして扱う。 そこで本研究では,糖尿病網膜症重篤度の順序構造を生成過程に明示的に組み込んだ,色眼底画像生成のための経時的潜時拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-27T13:36:28Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a Fully Personalised Model? [0.2609639566830968]
  グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。 ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。 このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
  論文  参考訳（メタデータ） (2021-11-26T10:16:57Z)
• 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)

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。