급성 허혈성 뇌졸중은 응급 영상에 크게 의존하는 신속한 치료 결정을 필요로 합니다. 입원 시 시행하는 컴퓨터 단층촬영 관류영상(CTP)은 비가역적으로 손상된 조직을 나타내는 허혈성 중심부(ischemic core)와, 관류는 저하되었으나 잠재적으로 회생 가능한 조직을 나타내는 반음영(penumbra)을 추정하는 데 흔히 사용됩니다. 이후 추적 확산강조 MRI(DWI)를 사용하여 최종 경색 부위를 정의합니다. 기존의 영상 기반 접근법은 주로 중심부-반음영 분할이나 최종 경색 예측에 초점을 맞추고 있어, 치료 후 이질적인 반음영 조직이 어떻게 진행하는지에 대한 통찰은 제한적으로만 제공합니다. 본 논문에서는 6개의 결과 인지 관심 영역(ROI) 클래스를 사용하여 입원 시 CTP 특징 신호와 추적 DWI로 정의된 조직 결과를 연결하는 이시점(bi-temporal) 조직 표현형 분석 프레임워크를 제안합니다. 입원 시 조직 특징 신호는 mJ-Net 및 nnU-Net 표현에서 추출한 통계적 특징, 라디오믹스(radiomic) 특징 및 딥러닝 특징을 사용하여 특성화됩니다. 내부 코호트(SUH)에서 회생된 반음영과 경색된 반음영은 일관된 특징 공간 분리를 보인 반면($\tildeΔ{\cos}=0.146$, $p<0.05$), 중심부 조직은 이후의 운명에 따른 분리가 미미하게 나타났습니다. 가장 큰 분리는 초기에 관류 저하가 없었으나 나중에 경색된 조직과 정상 대측 조직 사이에서 관찰되었습니다($\tildeΔ{\cos}=0.460$, $p<0.05$). 공개 데이터셋인 ISLES'24에 대한 교차 데이터셋 평가에서도 유사한 경향이 나타나 관찰된 특징 공간 패턴의 일관성을 뒷받침했습니다. 이러한 결과는 입원 시 CTP에 기존의 중심부-반음영 묘사를 넘어선 결과 관련 조직 정보가 포함되어 있음을 시사합니다. 코드는 https://github.com/yokko123/bi-temporal-ctp-dwi-code 에서 확인할 수 있습니다.
영상 영역 푸아송 섭동은 정규화된 NCCT 외형과 하위 모델을 변화시킬 수 있다. 우리는 다섯 가지 시뮬레이션 설정에서 허혈 코어/페넘브라를 포함하는 비조영 CT(NCCT) 슬라이스의 분류를 평가했다. 원본 코호트는 CPAISD(초급성 허혈성 뇌졸중 환자 112명)였으며, 테스트 분할은 환자 10명과 슬라이스 809장으로 구성되었다. 첫째, 고정 체크포인트 감사에서는 직접 ResNet-18 분류(P1)와 잔차 U-Net 디노이징 후 분류기(P2)를 비교했다. P1의 평균 정밀도(AP)는 0.694에서 0.901 범위였던 반면, P2 AP는 0.509에서 0.797 범위였다(설정 10–40에서 상당히 낮음). 고정 임계값 0.5에서 민감도는 P1이 0–12.8%, P2는 0%였다. 둘째, 전향적으로 고정된 de novo 실험에서는 직접 노이즈 분류(DNC), 결합 디노이징-분류(JDC-0), 그리고 학습 전용 특권 병변 경계 감독을 추가한 동일 결합 모델(JDC-B)을 비교했다. 설정 전반 평균 AP는 DNC 0.861 ± 0.028, JDC-0 0.840 ± 0.038, JDC-B 0.856 ± 0.031이었다. 계층적 대응 부트스트랩 차이는 JDC-0 마이너스 DNC가 −0.021(95% CI −0.063에서 0.019), JDC-B 마이너스 JDC-0이 0.016(−0.019에서 0.054), JDC-B 마이너스 DNC가 −0.005(−0.041에서 0.026)였으며, 어느 것도 0을 배제하지 않았다. 환자 52명의 AISD 분할에 대한 동결 스트레스 테스트에서도 제한된 전이성이 나타났다. 따라서 일반 결합 학습은 분류 이득을 입증하지 못했고, 경계 항은 점 추정 손실의 일부를 회복했으나 통계적으로 지지되는 이점은 없었다. 영상 충실도, 순위, 보정, 임상 유용성은 각각 별도로 평가해야 한다. 본 연구는 실제 저선량·휴대형·콘빔 CT 획득이나 환자 수준 뇌졸중 진단을 검증하지 않는다.