ischemic stroke
PulseAugur coverage of ischemic stroke — every cluster mentioning ischemic stroke across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的多任务预训练框架增强了脑部MR图像分割
研究人员开发了一种用于脑部MR图像分割的多任务自监督预训练框架，结合了通用的图像修复任务和特定领域的脑龄预测（体素级别）任务。该方法旨在从无标签的神经影像数据中学习可迁移的特征表示，解决了医学分析中带标注数据集稀缺的问题。与单任务预训练模型和从头开始训练的模型相比，预训练模型在多发性硬化症病变、缺血性中风病变和皮层脑结构分割等下游任务上表现出更优越的性能。
-
与临床指南一致的机器学习模型用于卒中预后预测
研究人员开发了一种将机器学习模型与临床推理相结合的方法，用于预测缺血性卒中患者的预后。通过用基于卒中指南的临床信息分类编码替换连续预测器，这些模型在三分之二的治疗队列中表现出与连续预测器相当的性能。该方法保留了预后因素的核心层级结构，表明基于指南的分类是卒中预后预测模型的一种实用设计选择。
-
StrokeTimer 使用 AI 估算缺血性卒中发病时间
研究人员开发了 StrokeTimer，一个使用非对比增强 CT 扫描来估算缺血性卒中发病时间的新框架。该方法采用自监督解耦和能量引导的对比学习，即使在数据不平衡和扫描仪类型各异的情况下，也能识别出卒中的细微迹象。在多中心数据集上，StrokeTimer 的宏观 AUC 达到 0.69，宏观 F1 分数达到 0.57，显著优于现有的基线方法。
-
机器学习模型加速中风模拟研究
研究人员探索了使用机器学习来加速机械取栓（一种用于治疗缺血性中风的手术）的复杂物理模拟。他们对简化的模拟训练了三个代理模型，发现其中两个模型能够准确预测单个模拟步骤，并提供显著的速度提升，尤其是在数据增强的情况下。然而，这些模型在模拟较长时间或更复杂几何形状时遇到了稳定性问题，表明需要进一步开发以处理现实场景。
-
新框架分析视网膜血管几何形状以检测疾病
研究人员开发了一个名为 BTECF 的新框架，用于分析视网膜血管几何形状以检测疾病。该框架将血管网络抽象为贝塞尔曲线段，从而可以显式地操纵曲度、管径等解剖特征。该系统在糖尿病视网膜病变、缺血性中风和阿尔茨海默病的数据集上进行了验证，证明了其分离血管结构与疾病分类之间因果关系的能力。