基于非增强计算机断层扫描对自发性脑内出血患者血肿扩张的预测建模Figures and data in Predictive modeling of hematoma expansion from non-contrast computed tomography in spontaneous intracerebral hemorrhage patients | eLife

图1 基于传输的形态测量工作流程示例

(A) NCCT扫描配准与分割。采用基于人群的高分辨率NCCT模板进行NCCT配准，随后进行血肿区域分割。(B) 最优传输。分割后的血肿区域（显示为源图像I1, I2…）通过"推送"质量（表示为像素强度）从源图像到参考图像，转换到传输域。此过程计算最优传输映射，从而将图像表示为高维黎曼流形上的点。(C) 机器学习统计分析。在传输空间中，给定源图像(I1, I2…)之间的差异可表示为计算出的传输映射之间差异的"线性嵌入"。这使得能够有效应用统计分析方法处理高维数据。(D) 判别图像特征可视化。将数据表示为黎曼流形上的点，可对任何点进行查询并从传输域反演到原始图像域，生成统计分析中捕获的判别特征图像。TBM在容积NCCT图像上执行，二维切片仅作说明用途。缩写：PCA=主成分分析，NCCT=非增强计算机断层扫描，LDA=线性判别分析。

图2（含2个补充图） 预处理协议示例

(A) 所有NCCT扫描均经去颅骨处理，并配准至尺寸为256×256×256、体素间距为1×1×1 mm的基于人群的高分辨率NCCT模板。(B) 某血肿扩张患者就诊时的配准NCCT轴位切片示例(C)及其24小时复查结果。(F) 该患者就诊时(G)和24小时的相应分割归一化血肿图像。(D) 无血肿扩张患者就诊时(E)和24小时的配准NCCT轴位切片示例。(H) 该患者就诊时(I)和24小时的相应归一化血肿图像。分割后的就诊非增强计算机断层扫描(NCCT)血肿图像示例，分为(J)血肿扩张组（24小时间隔NCCT扫描中血肿体积增加≥6 mL）和(K)无血肿扩张组（24小时间隔NCCT扫描中血肿体积增加<6 mL），显示两组间无肉眼可辨差异。缩写：NCCT=非增强计算机断层扫描。

图2—图补充1 患者筛选流程图

缩写：NCCT=非增强计算机断层扫描，DICOM=医学数字成像和通信，ICH=脑内出血。

图2—图补充2 模板图像的二维切片示例

用于线性最优传输框架的(A)原始血肿图像数据和(B)位置调整后平移血肿图像数据的内在均值模板图像。

图3（含2个补充图） TBM模型在预测测试数据集24小时血肿体积时的结果（经位置和临床信息校正）

(A) 散点图显示测试数据集中血肿图像特征在传输空间中最相关方向wcorr上的投影与从就诊到24小时NCCT扫描的血肿体积变化之间的关系。(B) 模型发现的与增长增加相关的血肿形态测量特征的二维轴位切片反变换示例，从x轴左侧到右侧显示。(C) 与最小增长（左）和最大增长（右）相关的血肿形态测量特征叠加到轴位NCCT扫描上的反变换。缩写：NCCT=非增强计算机断层扫描，TBM=基于传输的形态测量法，CC=相关系数，σ=沿wcorr的像素强度分布标准差。

图3—图补充1 派生数据集内部验证队列中血肿图像特征与24小时血肿体积变化的关系

(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写：TBM=基于传输的形态测量法，CC=相关系数，σ=沿wcorr的标准差，δ=变化量，mL=毫升。

图3—图补充2 派生数据集训练队列中血肿图像特征与24小时血肿体积变化的关系

(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写同上。

图4（含7个补充图） TBM模型在预测测试数据集24小时血肿扩张时的结果（经位置和临床信息校正）

(A) 测试数据集中血肿图像特征在传输空间中最判别方向w0上的投影的平均概率分布，显示通过学习的pLDA分类器边界实现的扩张组（红色）和无扩张组（蓝色）之间的分离程度。(B) 测试数据集中pLDA分类器性能的AUROC分析及相应的95%置信区间。(C) 模型发现的与扩张可能性增加相关的血肿形态测量特征的二维轴位切片反变换示例，从x轴左侧到右侧显示。(D) 与最小扩张关联（左）和最大扩张关联（右）的血肿形态测量特征叠加到轴位NCCT扫描上的反变换。缩写：NCCT=非增强计算机断层扫描，TBM=基于传输的形态测量法，AUROC=受试者工作特征曲线下面积，pLDA=惩罚线性判别分析，σ=沿w0的像素强度分布标准差。

图4—图补充1 派生数据集内部验证队列中血肿图像特征的平均概率分布

(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写：TBM=基于传输的形态测量法，pLDA=惩罚线性判别分析，σ=沿w0的标准差。

图4—图补充2 pLDA分类器在派生数据集内部验证队列中的AUROC分析

结果来自：(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写：AUROC=受试者工作特征曲线下面积，ROC=受试者工作特征曲线，TBM=基于传输的形态测量法，pLDA=惩罚线性判别分析。

图4—图补充3 派生数据集训练队列中血肿图像特征的平均概率分布

(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写同上。

图4—图补充4 pLDA分类器在派生数据集训练队列中的AUROC分析

结果来自：(A) 仅TBM，(B) TBM经临床信息校正，(C) TBM经位置校正，(D) TBM经位置和临床信息校正。缩写同上。

图4—图补充5 派生数据集内部验证队列中NCCT血肿特征的平均概率分布

显示扩张组（红色）和无扩张组（蓝色）之间分离程度：(A) 初始血肿体积，(B) 密度异质性，(C) 形状离心率，和(D) 图像强度分布。缩写：%=百分比，mL=毫升，HU=亨氏单位。

图4—图补充6 派生数据集训练队列中NCCT血肿特征的平均概率分布

显示扩张组（红色）和无扩张组（蓝色）之间分离程度：(A) 初始血肿体积，(B) 密度异质性，(C) 形状离心率，和(D) 图像强度分布。缩写同上。

图4—图补充7 各视觉识别图像特征作为血肿扩张独立预测因子的AUROC分析

在(A) 派生数据集训练队列、(B) 派生数据集内部验证队列和(C) 测试数据集外部验证队列中，与最终TBM模型比较。缩写：AUROC=受试者工作特征曲线下面积，ROC=受试者工作特征曲线，TBM=基于传输的形态测量法。

图5（含1个补充图） 血肿位置作为24小时血肿扩张预测因子的独立效应

NCCT扫描在轴位（顶行）、矢状位（第二行）和冠状位（第三行）平面上的二维反变换叠加示例，从x轴左侧到右侧显示TBM模型发现的与扩张可能性增加相关的血肿形态测量特征和位置方向。缩写：NCCT=非增强计算机断层扫描，TBM=基于传输的形态测量法，σ=沿w0的像素强度分布标准差。

图5—图补充1 血肿位置作为血肿扩张独立预测因子的AUROC分析

结果：(A) 内部验证队列，(B) 派生数据集训练队列。血肿位置在传输空间中最判别方向w0上投影的平均概率分布，显示在(C) 测试数据集和(D) 训练数据集中通过学习的pLDA分类器边界实现的扩张组（红色）和无扩张组（蓝色）之间的分离程度。缩写：AUROC=受试者工作特征曲线下面积，ROC=受试者工作特征曲线，pLDA=惩罚线性判别分析，σ=沿w0的标准差。

图6（含3个补充图） 现有NCCT血肿扩张预测评分与最终TBM模型在测试数据集中的性能比较

血肿扩张定义为从就诊到24±6小时NCCT扫描的血肿体积增加≥6 mL。缩写：AUROC=受试者工作特征曲线下面积，ROC=受试者工作特征曲线，TBM=基于传输的形态测量法，NCCT=非增强计算机断层扫描，HEAVN=HEAVN评分，Brain=Brain评分，HEP=血肿扩张预测评分，Pt=10分评分，BAT=BAT评分。

图6—图补充1 现有NCCT血肿扩张预测评分与最终TBM模型在(A) 内部验证队列和(B) 派生数据集训练队列中的性能比较

血肿扩张定义同上。缩写同上。

图6—图补充2 森林图显示各NCCT扩张预测评分与24小时血肿增长（从就诊到24小时NCCT扫描的血肿体积变化量，单位为毫升）的平均相关系数及相应95%置信区间

在(A) 派生数据集内部验证队列和(B) 派生数据集训练队列中。缩写：NCCT=非增强计算机断层扫描，Heavn=HEAVN评分，Brain=Brain评分，NAG=NAG量表，PT=10分评分，BAT=BAT评分，TBM=基于传输的形态测量法。

图6—图补充3 替代机器学习和深度学习方法与最终TBM模型在外部验证数据集中的性能比较

血肿扩张定义同上。缩写：KNN=K近邻算法，SVM=支持向量机，Logistic=逻辑回归，ResNet CNN=三维残差网络卷积神经网络。

表1 派生数据集和测试数据集中扩张组与无扩张组的人口统计学和临床信息比较

缩写：INR=国际标准化比值，S.D.=标准差，n=数量，IVH=脑室内出血，NCCT=非增强计算机断层扫描，IQR=四分位距。*为入院时数据。

【全文结束】