論文の概要: Regional prediction of hematoma expansion from non-contrast computed tomography in spontaneous intracerebral hemorrhage patients

• arxiv url: http://arxiv.org/abs/2610.34645v1
• Date: Mon, 26 Oct 2026 00:11:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.654187
• Title: Regional prediction of hematoma expansion from non-contrast computed tomography in spontaneous intracerebral hemorrhage patients
• Title（参考訳）: 自然発症脳内出血患者における非コントラストCTによる血腫拡大の局所的予測
• Abstract要約: トランスポートベースの形態計測 (TBM) は, NCCTヘマトマ画像から独自のトランスポートベースの表現を生成する。 地域的TBMモデルは、代替臨床医ベースおよび機械学習手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 3.118793454737251
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background The combination of hematoma location, expansion and final volume influence neurological outcome. The aim of this study was to derive and validate a quantitative and interpretable region-based NCCT image feature model for predicting hematoma expansion. Methods The Ethnic/Racial Variations of Intracerebral Hemorrhage(ERICH) study was used for derivation and the Virtual International Trials in Stroke Archive(VISTA) was used for validation. NCCT images at presentation and 24+/-6hours were pre-processed, segmented and categorized into lobar, basal ganglia or thalamic regions. Hematoma expansion was defined by region and according to its effect on clinical outcome. Transport-based morphometry (TBM) produced a unique transport-based representation from each NCCT hematoma image. Linear classifiers applied to transport representations were used to derive a predictive model. The regional TBM model's performance was compared to alternate methods using AUROC analyses. Results The derivation dataset included 574 patients, comprising 162 lobar, 257 basal ganglia and 155 thalamic hematomas. The validation dataset included 196 patients, comprising 31 lobar, 119 basal ganglia and 46 thalamic hematomas. A combined regional model predicted hematoma expansion in the validation dataset with an AUROC of 0.787. The principal image features which varied by location were size, heterogeneity, eccentricity and density distribution towards the hematoma periphery. The regional TBM model outperformed alternative clinician based and machine-learning methods. Conclusions TBM discriminated and visualized regional features of hematoma expansion from presentation NCCT scans. This provides preliminary evidence for regional radiographic features of hematoma expansion. It has the potential to improve hematoma expansion prediction and understanding of hematoma expansion pathophysiology.
• Abstract（参考訳）: 背景 血腫の位置、膨張、最終体積の組み合わせは神経学的結果に影響を及ぼす。 本研究の目的は,血腫拡大予測のための定量的かつ解釈可能な領域ベースNCCT画像特徴モデルの作成と評価である。 The Ethnic/Racial Variations ofcerebral hemorrhage (ERICH) study was used to derivation and the Virtual International Trials in Stroke Archive (VISTA) was used for validation。 提示時のNCCT画像と24時間/6時間の事前処理を行い,小葉,基底神経節,視床下部に分類した。 血腫拡大は地域によって定義され, 臨床効果にもとづいた。 トランスポートベースの形態計測 (TBM) は, NCCTヘマトマ画像から独自のトランスポートベースの表現を生成する。 輸送表現に適用された線形分類器は予測モデルを導出するために用いられた。 地域TBMモデルの性能をAUROC分析による代替手法と比較した。 結果: 導出データセットは, 162ロバール, 257基底神経節, 155タラマ性血腫の574例であった。 妥当性データセットは,31ロバール,119ベーサル神経節,46タラマ性血腫からなる196例からなる。 AUROCの精度は0.787である。 位置によって異なる主な画像の特徴は, サイズ, 異質性, 偏心性, 血腫周囲への密度分布であった。 地域的TBMモデルは、代替臨床医ベースおよび機械学習手法よりも優れていた。 結語 TBM は NCCT スキャンから血腫拡大の局所的特徴を識別・可視化する。 これは、血腫拡大の局所的X線学的特徴の予備的証拠となる。 血腫拡大予測の改善と血腫拡大病態の理解が期待できる。

関連論文リスト

• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• A Study of Anatomical Priors for Deep Learning-Based Segmentation of Pheochromocytoma in Abdominal CT [3.2784582049471505]
  本研究は,深層学習に基づくPCCセグメンテーションを改善する構成を特定するために,解剖学的先行を体系的に評価する。 フェオクロモサイトーマの正確な3次元セグメンテーションのための11のアノテーション戦略を評価するためにnnU-Netフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-07-21T02:35:29Z)
• Graph Classification and Radiomics Signature for Identification of Tuberculous Meningitis [2.2301876577897968]
  結核性髄膜炎 (TBM) は結核菌による重症脳感染症である。 本研究の目的は,T1-weighted (T1w) non-contrast Magnetic Resonance Imaging (MRI) を用いたTBM患者の分類である。
  論文  参考訳（メタデータ） (2025-04-01T16:28:39Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• Large-scale biometry with interpretable neural network regression on UK Biobank body MRI [1.3439502310822151]
  イギリスのバイオバンクがMRIで3万2000人以上の被験者を画像化 研究の可能性にもかかわらず、この膨大な量のデータは、確立された評価方法への挑戦を示す。 この研究では、ネック・トゥ・クニー・ボディMRIから様々な生物学的指標を自動的に推測するために、画像に基づく回帰のためにニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-02-17T09:47:58Z)

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。