コアとペンムブラを超えた：時系列画像駆動脳卒中進化分析

arXiv:2602.07535v1 Announce Type: new 要約：入院時のコンピューター断層画像侵襲（CTP）は通常、虚血コアとペンムブラの推定に使用され、フォローアップの拡散強調磁気共鳴画像（DWI）は確定された虚血症の結果を提供します。しかし、単一時点のセグメンテーションでは、脳卒中の生化学的多様性と時系列的進化する過程を捉えられないままです。私たちは、統計記述子、放射画像テクスチャ特徴、および 2 つのアーキテクチャ（mJ-Net と nnU-Net）からの深層学習特徴埋め込みを用いた時系列分析フレームワークを提案します。「時系列」とは、入院時（T1）と治療後のフォローアップ（T2）を意味します。すべての特徴は CTP から T1 で抽出され、空間的対応を確保するため、フォローアップの DWI に対齊されます。手動で定義された T1 と T2 のマスクを交差させることで、初期組織状態と最終結果を両方とも符号化し、6 つの関心領域（ROI）が構築されます。特徴は各領域ごとに集約され、特徴空間において解析されました。18 名のある再通を成功した患者に対する評価では、領域レベルの表現の有意なクラスタリングが示されました。T1 においてペンムブラまたは健康として分類された地域が最終的に回復した場合は、その特徴は保存された脳組織と類似性を示し、虚血症のbound 地域は明確なグループ形成を示しました。ベースラインの GLCM と深層埋め込みの両方において、同じ傾向が観察されました：ペンムブラ地域は最終状態によって特徴が有意に異なり、一方、コア地域ではその差は有意ではありませんでした。深層特徴空間、特に mJ-Net は、救出可能な組織と非救出可能な組織の間に明確な分離を示し、ペンムブラ分離指数がゼロから有意に異なる値を示しました（Wilcoxon 符号付けランク和検定）。これらの発見は、エンコーダー導出の特徴多様体が潜在的な組織表現型と状態転移を反映していることを示唆しており、影像ベースの脳卒中進化の定量化への洞察を提供します。

arXiv:2602.07535v1 Announce Type: new Abstract: Computed tomography perfusion (CTP) at admission is routinely used to estimate the ischemic core and penumbra, while follow-up diffusion-weighted MRI (DWI) provides the definitive infarct outcome. However, single time-point segmentations fail to capture the biological heterogeneity and temporal evolution of stroke. We propose a bi-temporal analysis framework that characterizes ischemic tissue using statistical descriptors, radiomic texture features, and deep feature embeddings from two architectures (mJ-Net and nnU-Net). Bi-temporal refers to admission (T1) and post-treatment follow-up (T2). All features are extracted at T1 from CTP, with follow-up DWI aligned to ensure spatial correspondence. Manually delineated masks at T1 and T2 are intersected to construct six regions of interest (ROIs) encoding both initial tissue state and final outcome. Features were aggregated per region and analyzed in feature space. Evaluation on 18 patients with successful reperfusion demonstrated meaningful clustering of region-level representations. Regions classified as penumbra or healthy at T1 that ultimately recovered exhibited feature similarity to preserved brain tissue, whereas infarct-bound regions formed distinct groupings. Both baseline GLCM and deep embeddings showed a similar trend: penumbra regions exhibit features that are significantly different depending on final state, whereas this difference is not significant for core regions. Deep feature spaces, particularly mJ-Net, showed strong separation between salvageable and non-salvageable tissue, with a penumbra separation index that differed significantly from zero (Wilcoxon signed-rank test). These findings suggest that encoder-derived feature manifolds reflect underlying tissue phenotypes and state transitions, providing insight into imaging-based quantification of stroke evolution.