Early hematoma growth is a devastating neurological complication after intracerebral hemorrhage. We aim to report and evaluate the usefulness of computed tomography (CT) black hole sign in predicting hematoma growth in patients with intracerebral hemorrhage.Patients with intracerebral hemorrhage were screened for the presence of CT black hole sign on admission head CT performed within 6 hours after onset of symptoms. The black hole sign was defined as hypoattenuatting area encapsulated within the hyperattenuating hematoma with a clearly defined border. The sensitivity, specificity, and positive and negative predictive values of CT black hole sign in predicting hematoma expansion were calculated. Logistic regression analyses were used to assess the presence of the black hole sign and early hematoma growth.A total of 206 patients were enrolled. Black hole sign was found in 30 (14.6%) of 206 patients on the baseline CT scan. The black hole sign was more common in patients with hematoma growth (31.9%) than those without hematoma growth (5.8%; P<0.001). The sensitivity, specificity, positive predictive value, and negative predictive value of back hole sign in predicting early hematoma growth were 31.9%, 94.1%, 73.3%, and 73.2%, respectively. The time-to-admission CT scan, baseline hematoma volume, and the presence of black hole sign on admission CT independently predict hematoma growth in multivariate model.The CT black hole sign could be used as a simple and easy-to-use predictor for early hematoma growth in patients with intracerebral hemorrhage.

Background and Purpose— The aim of the study was to investigate the usefulness of the computed tomography (CT) island sign for predicting early hematoma growth and poor functional outcome. Methods— We included patients with spontaneous intracerebral hemorrhage (ICH) who had undergone baseline CT within 6 hours after ICH symptom onset in our hospital between July 2011 and September 2016. Two readers independently assessed the presence of the island sign on the admission noncontrast CT scan. Multivariable logistic regression analysis was used to analyze the association between the presence of the island sign on noncontrast admission CT and early hematoma growth and functional outcome. Results— A total of 252 patients who met the inclusion criteria were analyzed. Among them, 41 (16.3%) patients had the island sign on baseline noncontrast CT scans. In addition, the island sign was observed in 38 of 85 patients (44.7%) with hematoma growth. Multivariate logistic regression analysis demonstrated that the time to baseline CT scan, initial hematoma volume, and the presence of the island sign on baseline CT scan independently predicted early hematoma growth. The sensitivity of the island sign for predicting hematoma expansion was 44.7%, specificity 98.2%, positive predictive value 92.7%, and negative predictive value 77.7%. After adjusting for the patients’ age, baseline Glasgow Coma Scale score, presence of intraventricular hemorrhage, presence of subarachnoid hemorrhage, admission systolic blood pressure, baseline ICH volume, and infratentorial location, the presence of the island sign (odds ratio, 3.51; 95% confidence interval, 1.26–9.81; P =0.017) remained an independent predictor of poor outcome in patients with ICH. Conclusions— The island sign is a reliable CT imaging marker that independently predicts hematoma expansion and poor outcome in patients with ICH. The noncontrast CT island sign may serve as a potential marker for therapeutic intervention.

Abstract To estimate dynamic functional connectivity for functional magnetic resonance imaging (fMRI) data, two approaches have dominated: sliding window and change point methods. While computationally feasible, the sliding window approach has several limitations. In addition, the existing change point methods assume a Gaussian distribution for and linear dependencies between the fMRI time series. In this work, we introduce a new methodology called Vine Copula Change Point (VCCP) to estimate change points in the functional connectivity network structure between brain regions. It uses vine copulas, various state-of-the-art segmentation methods to identify multiple change points, and a likelihood ratio test or the stationary bootstrap for inference. The vine copulas allow for various forms of dependence between brain regions including tail, symmetric and asymmetric dependence, which has not been explored before in the dynamic analysis of neuroimaging data. We apply VCCP to various simulation data sets and to two fMRI data sets: a reading task and an anxiety inducing experiment. In particular, for the former data set, we illustrate the complexity of textual changes during the reading of Chapter 9 in Harry Potter and the Sorcerer’s Stone and find that change points across subjects are related to changes in more than one type of textual attributes. Further, the graphs created by the vine copulas indicate the importance of working beyond Gaussianity and linear dependence. Finally, the R package vccp implementing the methodology from the paper is available from CRAN.