CT 뇌 영상 기반 시공간 확산 자동 인코더를 이용한 뇌졸중 결과 및 경과 예측

Stroke outcome and evolution prediction from CT brain using a spatiotemporal diffusion autoencoder

뇌졸중은 전 세계적으로 사망 및 장애의 주요 원인입니다. 정확한 결과 및 경과 예측은 임상적 의사 결정을 개인화하여 더 나은 결과를 얻을 수 있도록 뇌졸중 치료에 혁신을 가져올 잠재력이 있습니다. 그러나 다양한 시도와 신경 영상이 제공하는 풍부한 데이터에도 불구하고, 뇌 조직의 최종적인 상태를 모델링하는 것은 여전히 어려운 과제입니다. 본 연구에서는 확산 확률 모델 분야의 최신 아이디어를 활용하여, 컴퓨터 단층 촬영(CT) 이미지로부터 자체 지도 학습을 통해 의미 있는 뇌졸중 표현을 생성합니다. 또한, 이 방법을 개선하여 장기적인 이미지와 뇌졸중 발생 시간 정보를 포함할 수 있도록 확장합니다. 제안하는 방법의 효과는 두 개의 의료 기관에서 수집된 3,573명의 환자의 5,824개의 CT 이미지로 구성된 데이터 세트를 사용하여 평가했습니다. 비교 실험 결과, 제안하는 방법은 다음 날의 심각도 및 퇴원 시의 기능적 결과를 예측하는 데 가장 우수한 성능을 보였습니다.

Stroke is a major cause of death and disability worldwide. Accurate outcome and evolution prediction has the potential to revolutionize stroke care by individualizing clinical decision-making leading to better outcomes. However, despite a plethora of attempts and the rich data provided by neuroimaging, modelling the ultimate fate of brain tissue remains a challenging task. In this work, we apply recent ideas in the field of diffusion probabilistic models to generate a self-supervised semantically meaningful stroke representation from Computed Tomography (CT) images. We then improve this representation by extending the method to accommodate longitudinal images and the time from stroke onset. The effectiveness of our approach is evaluated on a dataset consisting of 5,824 CT images from 3,573 patients across two medical centers with minimal labels. Comparative experiments show that our method achieves the best performance for predicting next-day severity and functional outcome at discharge.