基于时空扩散自编码器的脑卒中风险预测
计算机视觉与模式识别
2026-03-03 v1 人工智能
摘要
脑卒中是全球死亡和致残的主要原因。准确的风险和演变预测有潜力通过个体化临床决策来彻底改变脑卒中护理，从而获得更好的结果。然而，尽管已有大量尝试并提供了神经影像学的丰富数据，对大脑组织最终命运的建模仍是一个具有挑战性的任务。本文应用最近在扩散概率模型领域的想法，从计算机断层扫描（CT）图像中生成自监督的语义上有意义的脑卒中表征。我们通过扩展该方法以容纳纵向图像和脑卒中发作后的时间，从而改进了此表征。通过在由两家医疗机构提供的5,824个CT图像（3,573名患者）组成的数据集上进行评估，其中标签最小化。比较实验表明，我们的方法在预测次日严重程度和出院时功能预后方面取得了最佳性能。
引用
@article{arxiv.2603.00756,
title = {Stroke outcome and evolution prediction from CT brain using a spatiotemporal diffusion autoencoder},
author = {Adam Marcus and Paul Bentley and Daniel Rueckert},
journal= {arXiv preprint arXiv:2603.00756},
year = {2026}
}
备注
Accepted in The 6th International Workshop on Machine Learning in Clinical Neuroimaging (MLCN 2023)