Summary
ويقترح تحول خط الوسط الآلي تقدير والضغط داخل الجمجمة (ICP) الفرز المسبق نظام يقوم على الصور المحسوبة (CT) التصوير المقطعي للمرضى الذين يعانون إصابات في الدماغ (المصرف التجاري العراقي) باستخدام تقنيات معالجة الصور وآلة التعلم.
Abstract
في هذه الورقة نقدم نظام آلي يعتمد أساسا على الصور المحسوبة (CT) التصوير المقطعي تتكون من عنصرين رئيسيين هما: تقدير تحول خط الوسط والضغط داخل الجمجمة (ICP) نظام الفرز المسبق. لتقدير التحول خط الوسط، أولا يتم تنفيذ ذلك تقدير خط الوسط المثالي يعتمد على التماثل من الجمجمة وملامح تشريحية في الدماغ الاشعة المقطعية. ثم، يتم تنفيذ تجزئة البطينين من الاشعة المقطعية واستخدامها كدليل لتحديد خط الوسط من خلال مطابقة الفعلية الشكل. هذه العمليات تحاكي عملية القياس من قبل الأطباء وأظهرت نتائج واعدة في التقييم. في العنصر الثاني، يتم استخراج المزيد من الميزات المتعلقة ICP، مثل المعلومات الملمس، وكمية الدم من الأشعة المقطعية وغيرها من الميزات المسجلة، مثل العمر وشدة الإصابة نقاط لتقدير ICP مدرجة أيضا. تقنيات التعلم الآلي بما في ذلك اختيار ميزة وتصنيف، مثل دعمويعمل ناقل الآلات (SVMs)، لبناء نموذج التنبؤ باستخدام RapidMiner. تقييم التنبؤ يظهر الفائدة المحتملة للنموذج. ويمكن استخدام المقدرة تحول خط الوسط المثالي وتوقع مستويات ICP كخطوة ما قبل الفحص السريع للأطباء اتخاذ القرارات، وذلك للتوصية لصالح أو ضد الرصد ICP الغازية.
Introduction
كل عام هناك ما يقرب من 1.4 مليون إصابة في الدماغ (TBI) القضايا المتعلقة قسم الطوارئ في الولايات المتحدة، والتي، أكثر من 50،000 نتيجة في الموت 1. ويرافق عادة شديدة TBI زيادة في الضغط داخل الجمجمة (ICP) مع أعراض مثل تورم القيلة وأنسجة المخ. هذه نتيجة انخفاض الضغط في الدماغ ونضح تدفق الدم في الدماغ، ووضع المصاب في الدماغ مخاطر إضافية. زيادة حادة ICP يمكن أن تكون قاتلة، لذلك رصد ICP للمرضى الذين يعانون TBI أمر بالغ الأهمية. هذا عادة ما يتطلب وضع القسطرة سكنى مباشرة الى الدماغ لرصد الضغط، وهو إجراء محفوف بالمخاطر بالنسبة للمرضى أنه لا يمكن أن يؤديها في المراكز الطبية المتخصصة. الإجراء ينطوي أيضا على مخاطر مثل العدوى. ومع ذلك، قد يكون بعض علامات مرتفعة ICP يكون ملحوظا في التصوير الطبي. على وجه الخصوص، وكثيرا ما يرتبط مع خط الوسط التحول زيادة في ICP ويمكن التقاط من الدماغ ر محسوبomography (CT) الصور. على هذا النحو، هذه الصور إتاحة الفرصة لغير الغازية الكشف عن ICP مرتفعة والتي يمكن استخدامها كخطوة ما قبل الفحص قبل نقب في الجمجمة. CT التصوير لا يزال المعيار الذهبي لتقييم TBI الأولي بين جميع طرائق التصوير الأخرى، على سبيل المثال التصوير بالرنين المغناطيسي، وذلك بسبب سرعتها العالية والتكلفة المنخفضة نسبيا 2. وعلاوة على ذلك، إجراء فحص CT لا يتطلب صارمة الجمود المريض، ولها ميزة في الكشف عن تشوهات خطيرة مثل كسور العظام والقيلة. في حين يشيع استخدام CT للكشف عن إصابات في الدماغ، على أساس التكنولوجيا الحالية، لا يتم قياس خط الوسط تحول تلقائيا، وبالتالي يجب على الأطباء أن تقييم هذه العوامل الهامة عن طريق التفتيش البصري. وكثيرا ما يرتبط غير دقيقة أو غير متسقة مع CT تفسير طبيعة النظام البصري الإنسان وبنية معقدة من الدماغ. بينما خط الوسط التحولات الصغيرة هي بعيدة المنال، فإنها غالبا ما تكون لا تقدر بثمن لتقييم إصابات الدماغ، في عمفصلي في المراحل الأولى من الإصابة قبل حالة المريض يصبح أكثر شدة. على الجانب الآخر من الطيف، كبير تحول خط الوسط يوحي ICP راقية جدا وأكثر شدة TBI. ومع ذلك، فإنه هو مهمة صعبة للغاية بالنسبة للبشر لتفقد البصر الصور CT والتنبؤ على مستوى ICP كميا. بسبب التقدم في التقنيات الحاسوبية الآلي، يمكن قياس ميزات المستخرج من الصور CT، مثل تحول خط الوسط، وحجم الورم الدموي، ونسيج من الصور CT الدماغ، وبدقة تلقائيا باستخدام أساليب متقدمة معالجة الصور. ومع ذلك، فإن العلاقة بين ICP وتحول خط الوسط فضلا عن الميزات الأخرى مثل درجة النزيف، لم يتم الملمس من الصور CT استكشافها. في هذه الورقة، تم اقتراح إطار الحسابية لقياس التحول قياس خط الوسط فضلا عن غيرها من الميزات الفيزيولوجية / التشريحية على الصور CT الدماغ ومن ثم التنبؤ درجة ICP غير intrusively باستخدام آلة تقنيات التعلم.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. منهجية نظرة عامة
الإطار المقترح يعالج الدماغ الصور CT من إصابات في الدماغ (المصرف التجاري العراقي) لحساب المرضى تلقائيا تحول خط الوسط في الحالات المرضية واستخدامها فضلا عن غيرها من المعلومات المستخرجة للتنبؤ الضغط داخل الجمجمة (ICP). الشكل 1 يبين الرسم التخطيطي لكامل الإطار. ويمكن تقسيم التحول إلى قياس خط الوسط الآلي ثلاث خطوات. أولا، خط الوسط المثالي من الدماغ، أي قبل إصابة خط الوسط، وجدت من خلال البحث على أساس التسلسل الهرمي التماثل الجمجمة والأنسجة الميزات 3. ثانيا، النظام البطيني هو مجزأة لكل الدماغ CT الصورة 4. ثالثا، ويقدر خط الوسط الفعلي من نظام مجزأة مشوهة البطين باستخدام أسلوب مطابقة شكل 5. ثم يتم التحول الأفقي قدر من النظام البطيني على أساس تقدير خط الوسط المثالي وخط الوسط الفعلي. بعد رويقدر انه تحول خط الوسط على التوالي، وتستخدم الميزات بما في ذلك التحول خط الوسط، والمعلومات نسيج من الصور CT، فضلا عن غيرها من المعلومات الديموغرافية للتنبؤ ICP. وتستخدم خوارزميات تعلم الآلة في تصميم نموذج العلاقة بين ICP والميزات استخراج 6.
2. خط الوسط المثالي تقدير
- هذه الخطوة بالكشف عن خط الوسط المثالي التقريبي باستخدام التماثل من الجمجمة. الأولى، وذلك باستخدام الرمادي العتبة، الجمجمة يجب أن تكون مجزأة عن بقية المحتوى في صورة CT. وبعد ذلك، إجراء بحث شامل للتعرف على زوايا الدوران حول مركز الكتلة من الجمجمة. يتم تعريف زاوية الدوران الأمثل والزاوية التي تعظم من التماثل نصفين الناتجة من الجمجمة. خط الوسط المثالي هو تقريبي وفاة الخط من خلال كتلة ونقطة المركز لديه ملاك التناوب الأمثل فيما يتعلق الاتجاه العمودي الأصلي للصورة CT.
- هذه الخطوة بالكشف عن عosterior منجل المخ الأمامي ومنجل التعلق على هامش التلم السهمي. يتم تنفيذ هذه الخطوة لتحسين خط الوسط المثالي تحديد تقريبي. أولا تعريف المستطيلات البحث تركز على 2 نقطة تقاطع خط الوسط اثنين بين المثل الأعلى تقريبية والقبة و. المقبل، واختيار الأحجام من المستطيلات حتى تجريبيا أنها تغطي ليتم الكشف عن ملامح تشريحية كما هو موضح أدناه. تم الكشف المرفق منجل الأمامي كنقطة ذروة ريدج على القبة ويتم الكشف عن المخي منجل كخط رمادي في المنطقة الخلفية 3.
- هذه الخطوة يستخدم الكشف عن تلك الميزات المذكورة أعلاه لتحسين وضع مثالي خط الوسط. مرة واحدة يتم تحديد نقطة الذروة من المرفق منجل الأمامي وأبعد نقطة في المخي الخلفي من منجل calvarum، خط الوسط المكرر المثالي هو خط يربط بين النقطتين.
3. البطين الإنقسام
- أول تطبيق المنخفضة جنيهVEL تجزئة باستخدام نموذج جاوس الخليط (GMM) لكل شريحة CT 4،7. ويمكن تقسيم الصور إلى 4 CT أنواع من الأنسجة: العظام / الدم، السائل النخاعي (CSF)، المادة الرمادية والمادة البيضاء. لتهيئة نموذج خليط التمويه، وتقدر المعلمات بناء على نتيجة تجزئة متكررة K-سيلة للصورة CT. ثم استخدم توقع-تعظيم (EM) طريقة لتحسين GMM تكراري لتمثيل أفضل صورة CT. ويمكن الحصول على نتيجة تجزئة بشدة من تقسيم الصورة إلى مناطق CT استنادا إلى احتمال الحد الأقصى لعضوية أن كل بكسل ينتمي إلى أنواع مختلفة المنطقة.
- بعد تجزئة على مستوى منخفض من GMM، وتطبيق مزيد من القيود على نتيجة تجزئة من أجل الاعتراف المناطق البطين. يتم الاحتفاظ مناطق البطين فقط مع حجم فوق عتبة معينة. تطبيق قيود على موقع المناطق البطين كما جيدا باستخدام مربع الدماغ المحيط ومجموعة ventriclه القوالب. استخراج مجموعة من القوالب البطين من الدماغ الصور MR القياسية ومن ثم تكبيرها باستخدام تمدد المورفولوجية لاستيعاب الاختلافات بين مواضيع مختلفة والحالات المرضية.
4. خط الوسط تقدير الفعلية
- تحديد نقاط الميزة على القوالب البطين المستخرجة من MR.
- هل الشكل الأقاليم متعددة مطابقة بين البطينين 5،8 مجزأة والقالب MR.
- تقدير خط الوسط الفعلي يعتمد على النقاط المحددة على ميزة الأشكال البطين باستخدام مطابقة الشكل. ثم استخدم متوسط متوسط الجانب الأيسر والجانب الأيمن يعني من إحداثيات-X من هذه النقاط لتحديد ميزة من خط الوسط X-تنسيق.
5. أكثر ميزة الاستخراج
- ورم دموي داخل الجمجمة قياس / النزيف حجم استنادا إلى نموذج جاوس الخليط (GMM) النتائج التي تم الحصول عليها من تجزئة الصور CT. وقد تكون النتيجة مجزأة فيتشمل على مناطق صغيرة بما في ذلك الجيب الوريدي للمخ والدم منجل، ولكن يمكن عادة ما تكون مهملة بالمقارنة مع مناطق ورم دموي. ثم عد عدد البكسل تصنف الدم لكل شريحة وخلاصة القول لهم. مجموع النهائي الكمي حجم الدم extravasated في فحص CT.
- استخراج ميزات الملمس. حدد الستة الأولى النوافذ في كل صورة CT الذي يلتقط المادة الرمادية والبيضاء ولكن تجنب هياكل الدم والبطين في الصورة CT، انظر الشكل 6. ثم استخراج ميزات الملمس المقابلة باستخدام الطرق التالية: رمادي طول تشغيل مستوى 9، وتحليل الرسم البياني، تحليل فورييه، وثنائي تحليل المويجات شجرة مجمع 10.
- كما يتم جمع معلومات ديموغرافية وإصابة نقاط شدة.
- يتم تجميع كافة الميزات المستخرج من كل صورة لتمثيل CT CT الفحص بأكمله. على وجه التحديد، دقيقة (و)، وماكس) و (الوسيط) و (يعني) و (الأمراض المنقولة جنسيا (و) تحسب من بين آلL الميزات المحددة تابعة لفحص CT خاص، مثال: ƒ سمة من سمات التحول خط الوسط أو ميزة الملمس. لميزة نزيف داخل الجمجمة المبلغ، إلى جانب مشغلي 5 المذكورة أعلاه، مبلغ (و) يضاف أيضا لتسجيل حجم الدم الكلي.
6. ICP تقدير
والفكرة الرئيسية لتقدير ICP هو تطبيق تقنيات التعلم الآلي لبناء نموذج يعتمد على مجموعة من عينات التدريب. ثم يتم تقييم النموذج بني على عينات الاختبار المتبقية. بسبب البعد عالية من الميزات بما في ذلك تلك المستخرجة من الأشعة المقطعية والمعلومات الديموغرافية، واختيار الميزة مهمة لإزالة الميزات لا علاقة للنموذج بسيط نسبيا مستقرة الآن. لذلك هناك نوعان من الخطوات التي يتعين القيام بها لتقدير ICP / التنبؤ. أولا، حدد ملامح بالمعلومات ذات الصلة التي تقوم في التنبؤ مركزا آخر. الخطوة الثانية هي استخدام أجهزة المتجهات الإعتمادية (SVM) كماتعلم خوارزمية لتطوير وتقييم نموذج التدريب. البرمجيات مثل RapidMiner 11 هو المثالي لهذه المهمة لأنه هو أداة متطورة جدا بالنسبة لمعظم خوارزميات تعلم الآلة ويوفر واجهات قوية جدا لتدريب وتقييم النماذج.
- أداء اختيار ميزة على مرحلتين. أول استخدام نسبة زيادة معيار المعلومات في المرحلة الأولى لتحديد أهم 50 الميزات. في المرحلة الثانية، استخدم SVM الخوارزمية الجينية لتحسين إدماج مزيد من التحديد الميزة. ثم استخدم المجموعة الأخيرة من ميزات المحددة لبناء نموذج للتنبؤ ICP في الخطوة التالية.
- أداء ICP التصنيف والتقييم من خلال تقنيات التعلم الآلي. وسيتم عرض رسم بياني أعلى مستوى من التدريب والاختبار في RapidMiner في الشكل 8. تطبيق 10 أضعاف عبر التحقق من صحة المخطط كطبقة قصوى للتقييم. من أجل بناء نموذج أفضل مع التعميم وتجنب الإفراط في تركيب ربيانات التدريب انه، عش طبقة أخرى من التحقق من صحة المتبادل داخل كل حظيرة التدريب. في هذه الوحدات، أولا تطبيق عملية اختيار ميزة المذكورة أعلاه وبعد ذلك استخدام SVM للتصنيف مع المعلمة وحدة خاصة بها اختيار 6.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
وقدمت مجموعات البيانات CT اختبار من قبل نظام الرعاية الصحية كارولينا (CHS) تحت المؤسسية استعراض موافقة المجلس. تم تشخيص جميع المواد مع خفيفة الى حادة عندما اعترف TBI أول من المستشفى. لكل مريض، وسجلت قيمة ICP كل ساعة باستخدام ICP تحقيقات داخل المنطقة البطين قبل وبعد الأشعة المقطعية التي تم الحصول عليها. لربط قيمة ICP مع كل الاشعة المقطعية، ومتوسط القياسات اثنين من أقرب ICP إلى وقت الاشعة المقطعية، وكلاهما في غضون ساعة من الاشعة المقطعية. ثم تعيين متوسط كقيمة ICP المقدرة في ذلك الوقت من الاشعة المقطعية. مجموعة القيم ICP إلى فئتين: ICP مرتفعة إذا ICP> 12 ملم زئبق وICP طبيعية اذا ICP ≤ 12 ملم زئبق. مجموعات البيانات تحتوي على 17 مريضا. من هذه المجموعة، ويتم اختيار 391 المحوري CT مسح الصور التي تظهر، أو البطينين المناطق التي كان ينبغي أن يتضمن البطينين. ويبين الشكل 2 نتيجة الكشف خط الوسط المثالي. في، 3 الشكل تنفيسricles مجزأة. ويبين الشكل 4 خط الوسط المقدرة الفعلية. ويبين الشكل 5 تقدير تحول خط الوسط. الشكل 7 يبين تجزئة الدم باستخدام GMM. يتم أيضا تنفيذ A التقييم الكمي لأداء. في معظم شرائح (أكثر من 80٪)، وبين الخطأ خط الوسط المثالي قدر من الشرح وإطار دليل حوالي 2 بكسل، وهي عبارة عن 1MM. لخط الوسط الفعلي، فوق 80٪ أقل من 2،25 ملم الفرق شريطة أن نوعية جيدة تجزئة البطين نسبيا (وتعرف بأنها "جيدة نسبيا" إذا كان يمكن استخدام نوعية نتيجة للتجزئة تقدير midlines الفعلية ) يدويا. هناك 57 المقطعية في تقييم التنبؤ ICP. يتم تقييم نتيجة لاستخدام الطريقة المقترحة ما يلي ثلاثة تدابير: الحساسية، والنوعية والدقة. كما يتم تعريف الحساسية
حساسية = # (ايجابيات صحيح) / # (عositives).
ويعرف خصوصية كما
خصوصية = # (السلبيات الحقيقية) / # (السلبيات).
يتم تعريف دقة توكيد كما
دقة = # (تصحيح توقع) / # (مجموع العينات).
وقد تحقق بدقة من حوالي 70٪ في دراستنا باستخدام 10 التحقق من صحة عبر أضعاف. تم العثور على حساسية أن تكون حوالي 65٪ وخصوصية حوالي 73٪. وهذا قد يوحي قوة التنبؤية لبعض الطريقة المقترحة على هذا مجموعة البيانات. فإن الخطوة التالية تكون تكرار نتائج مماثلة على غيرها من مجموعات البيانات المستقلة.
الشكل 1. إطار المستوى الأعلى من أسلوب وهناك ثلاث وحدات ميزة استخراج للصور الخام CT: خط الوسط قياس التحول، والتحليل والملمس BLالعود مبلغ التقدير. ويتم تغذية كل الميزات وغيرها من استخراج المعلومات المسجلة، مثل المعلومات الديموغرافية داخل الوحدة النمطية للتنبؤ تصنيف مستويات ICP.
الشكل 2. نتيجة لاكتشاف خط الوسط المثالي. الخط الأحمر هو خط الوسط المثالي التقريبي. الصندوقين مستطيلة تغطية بروز العظام والمخ السفلي منجل على التوالي. وتستخدم هذه الصناديق للحد من المناطق المثيرة للاهتمام. خط اندفاعة الأخضر هو خط الوسط المثالي النهائي الكشف، الذي يجسد بروز العظام والمخ السفلي منجل بدقة.
الشكل 3. نتيجة للتجزئة البطين. الصورة اليسرى هي صورة CT الأصلي. الصورة الصحيحة يتألف من لون أسلوخطوط الجناح: حافة الداخلية من الجمجمة، وداخل المربع المحيط شكلتها أربعة خطوط، مربع الخارجي المحيط شكلتها آخر أربعة أسطر، حافة القالب البطين الموسع المتطابقة، والمناطق الحمراء تمثل مناطق البطين الكشف، والمناطق الرمادية رفض مناطق أخرى تمثل مناطق البطين يجري بعد تطبيق عدة قيود على الاعتراف البطينين.
الشكل 4. نتيجة لتقدير خط الوسط الفعلي، وهذا الرقم يدل على تقدير النتائج في صور مختلفة CT مع الأشكال المختلفة البطين. المناطق البيضاء هي المناطق البطين مجزأة. ملامح الزرقاء هي على حافة القوالب البطين المتطابقة. تم الكشف عن النقاط الحمراء تمثل نقطة ميزة الحواف الداخلية للالبطينين المستخدمة لحساب خط الوسط الفعلي. الخط الأخضر هو ACTU النهائي يقدر آل خط الوسط. اضغط هنا لمشاهدتها بشكل اكبر شخصية .
الشكل 5. نتيجة لتقدير التحول خط الوسط. صورة اليسار يظهر شريحة CT الإدخال. الصورة الصحيحة يظهر نتيجة المعالجة مشابهة لشكل 3. اليسار الخط الأخضر العمودي يمثل خط الوسط المثالي المقدرة، والحق الخط الأخضر العمودي يمثل خط الوسط المقدرة الفعلية. المسافة بين الخطين هو التحول خط الوسط المقدرة.
الشكل 6. النوافذ الستة المختارة للتحليل الملمس. اختيار النوافذ هي المستطيلات الحمراء تجنب البطينين.
ther.within صفحة = "دائما"> 
الشكل 7. تجزئة الدم. الصورة اليسرى هي صورة CT الإدخال. الصورة الصحيحة يبين خريطة تجزئة التي تنتجها طريقة GMM. ألمع المنطقة يتوافق مع المنطقة الدم.
الشكل 8. المستوى الأعلى عبر التحقق من الصحة في RapidMiner. الإطار الأيسر يظهر الوحدات في عملية التدريب ويبين الإطار الأيمن وحدات في عملية الاختبار. في عملية التدريب، أولا نستخدم وحدة المعلومات وزيادة وحدة الخوارزمية الجينية لتحديد الميزات. ثم يتم استخدام SVM القيام التصنيف. ويتم ضبط المعلمة من خلال SVM المتداخلة عبر التحقق من الصحة في تحسين عملية معلمة. المباراة النهائية نموذج المدربين الكامل هو الناتج من عملية OuterSVM باستخدام كل TRAIنينغ البيانات. في وحدة الاختبار، يتم استخدام ميزات المحددة ويتم تقييم النموذج المدربين. اضغط هنا لمشاهدتها بشكل اكبر شخصية .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
في هذه الدراسة، يقترح إطار بديهية ومرنة لمعالجة مشكلتين التحدي: تقدير التحول في خط الوسط والصور CT ICP التنبؤ يعتمد على مستوى ميزات المستخرج. نتائج التقييم تظهر فعالية الطريقة المقترحة. بقدر ما نعلم، أن هذه هي المرة الأولى لدراسة منهجية في معالجة هاتين المشكلتين. نلاحظ أنه استنادا إلى الإطار العام، وهناك العديد من التحسينات الممكنة التي يمكن تحقيقها. على سبيل المثال، في تجزئة المقترح، يتم فصل تجزئة مستوى المنخفضة والعالية المستوى والاعتراف حاليا لا يوجد ردود الفعل من المستوى العالي إلى المستوى المنخفض تجزئة. هذا يختلف عن الفحص البصري الإنسان، التي لديها رؤية التفاعلات بين المنخفضة والعالية المستوى الاعتراف المستوى. نهج واحد يمكن أن تجمع بين هذين المستويين معا هو ما يسمى "النموذج القائم على مستوى منخفض تجزئة". في هذه الطريقة، ويسترشد في تجزئة على مستوى منخفض من اله على مستوى عال من الموديلات ATLAS بنية الهدف. على سبيل المثال، يمكن تطبيق خوارزمية تسجيل في الخطوة الأولى لتحقيق المواءمة بين الصور CT CT إلى صورة قياسية. هذا قد تحسين دقة التعرف على البطين وكذلك تقدير للتحول خط الوسط لأنه قد توفر الخرائط أكثر دقة في هياكل الدماغ بين الصور CT وصورة CT القياسية. للتنبؤ ICP، على الرغم من أن النتيجة واعدة استنادا إلى مجموعة البيانات التي تم اختبارها، علينا أن نلاحظ أن يقتصر حجم العينات. سيكون أكثر إقناعا للتحقق من صحة النتائج بناء على بيانات أخرى مستقلة. في تطبيق التعلم آلة للتنبؤ ICP، حجم العينة هو عامل مهم جدا. ويجوز للبيانات أكبر من الامتحانات CT، التي قد تحتوي على أنماط مختلفة أكثر في الصور والإشارات CT كل ICP، وإعطاء تقييم أكثر بالمعلومات عن الإطار المقترح.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
الإعلان عن أي تضارب في المصالح.
Acknowledgments
ويستند المواد على العمل جزئيا بدعم من مؤسسة العلوم الوطنية تحت رقم منحة IIS0758410. تم توفير البيانات عن طريق نظام الرعاية الصحية كارولينا.
References
- Langlois, J. A., Rutland-Brown, W., Thomas, K. E. Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , Centers for Disease Control and Prevention, National Center for Injury Prevention and Control. Atlanta, GA. (2006).
- Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
- Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching. BMC Medical Informatics and Decision Making. 9, Suppl 1. (2009).
- Segmentation of Ventricles in Brain CT Images Using Gaussian Mixture Model Method. Chen, W., Najarian, K. 2009 IEEE/ICME International Conference on Complex Medical Engineering (ICME2009), , 15-20 (2009).
- Actual Midline Estimation from Brain CT Scan Using Multiple Regions Shape Matching. Chen, W., Ward, K. R., Najarian, K. International Conference on Pattern Recognition, , 2552-2555 (2010).
- Intracranial Pressure Level Prediction in Traumatic Brain Injury by Extracting Features from Multiple Sources and Using Machine Learning Methods. Chen, W., Cockrell, C., Ward, K. R., Najarian, K. IEEE International Conference on Bioinformatics & Biomedicine, , 510-515 (2010).
- Greenspan, H., Ruf, A., Goldberger, J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images. IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).
- Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
- Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
- Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
- Yale: Rapid prototyping for complex data mining tasks. Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T. KDD '06: Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, , 935-940 (2006).
