NCCT 슬라이스 분류의 영상 영역 푸아송 섭동 강건성
Image-Domain Poisson-Perturbation Robustness of NCCT Slice Classification
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.