用于提升创伤性脑损伤预后预测效率的自动病灶分析
计算机视觉与模式识别
2022-08-09 v1
摘要
对创伤性脑损伤（TBI）患者进行准确预后判断十分困难却至关重要，可指导治疗、患者管理及长期随访。年龄、运动与瞳孔反应、缺氧及低血压，以及计算机断层扫描（CT）上的放射学发现，已被确定为 TBI 预后预测的重要变量。因其采集速度快且普及面广，CT 是临床实践中首选的急性期影像模态。然而，该模态主要用于定性和半定量评估，如 Marshall 评分系统，易受主观性和人为误差影响。本工作探索利用最先进的深度学习 TBI 病灶分割方法，从常规采集的入院 CT 扫描中提取影像生物标志物的预测能力。我们将病灶体积及相应病灶统计量作为扩展 TBI 预后预测模型的输入。我们将所提特征的预测能力与 Marshall 评分进行比较，包括独立比较以及与经典 TBI 生物标志物联合比较。我们发现，自动提取的定量 CT 特征在预测不良 TBI 结局方面表现与 Marshall 评分相当或更好。借助自动图谱配准，我们还确定额叶颅外病灶为不良结局的重要指示因子。我们的工作有助于更好地理解 TBI，并为如何运用自动化神经影像分析改善 TBI 后预后判断提供新见解。
引用
@article{arxiv.2208.04114,
title = {Automatic lesion analysis for increased efficiency in outcome prediction of traumatic brain injury},
author = {Margherita Rosnati and Eyal Soreq and Miguel Monteiro and Lucia Li and Neil S. N. Graham and Karl Zimmerman and Carlotta Rossi and Greta Carrara and Guido Bertolini and David J. Sharp and Ben Glocker},
journal= {arXiv preprint arXiv:2208.04114},
year = {2022}
}
备注
Accepted at MLCN MICCAI 2022 workshop