Summary
Otomatik bir orta hat kayması tahmini ve intrakraniyal basınç (ICP) travmatik beyin hasarı (TBI) olan hastalarda bilgisayarlı tomografi (BT) görüntüleri dayalı ön eleme sisteminin görüntü işleme ve makine öğrenme teknikleri kullanılarak önerilmiştir.
Abstract
Orta hat kayması tahmini ve intrakraniyal basınç (ICP) ön eleme sistemi: Bu yazıda esas olarak iki ana bileşenden oluşan bilgisayarlı tomografi (BT) görüntüleri dayalı otomatik bir sistem sunuyoruz. İdeal midline bir tahmin kafatası ve beyin BT anatomik özellikleri simetri esasına dayanılarak yapılır, önce orta hat kayması tahmin etmek. Daha sonra, CT taraması ventriküllerin bölümleme gerçekleştirilir ve şekil eşleme yoluyla gerçek orta hat belirlenmesi için bir kılavuz olarak kullanılır. Bu süreçler hekimler tarafından ölçüm süreci taklit ve değerlendirilmesinde umut verici sonuçlar göstermiştir. İkinci bileşen, daha fazla özellikleri de dahil edilmiştir gibi, yaş, ICP tahmin etmek yaralanma ciddiyet skoru olarak CT taramaları ve diğer kayıtlı özellikleri, gelen doku bilgi, kan miktarı, ICP ilgili ayıklanır. Böyle Desteği gibi özellik seçimi ve sınıflandırılması dahil Makine öğrenme teknikleri,Vektör Makineleri (DVM), RapidMiner kullanarak tahmini model oluşturmak için istihdam edilmektedir. Tahmini değerlendirme modelinin potansiyel yararı gösterir. Tahmini ideal bir orta hat kayması ve ICP seviyeleri tahmin veya invaziv ICP izlenmesi karşı tavsiye etmek, böylece kararlar hekimler için hızlı bir ön tarama adım olarak kullanılabilir.
Introduction
Her yıl Amerika Birleşik Devletleri yaklaşık 1,4 milyon travmatik beyin yaralanması (TBY) ilgili acil serviste durumlar vardır, hangi, ölüm 1 50.000 sonuç üzerinde. TBI Şiddetli genellikle hematom ve şişlik beyin dokusu gibi belirtilerle intrakraniyal basınç (ICP) bir artış eşlik eder. Azaltılmış serebral perfüzyon basıncı ve ek risk incinen beyin yerleştirerek serebral kan akımında bu sonucu. Şiddetli ICP artışı ölümcül olabilir, TBH olan hastalar için ICP izlenmesi çok önemlidir bu yüzden. Bu genellikle doğrudan basınç izleme, yalnızca uzman tıp merkezlerinde yapılabilir hastalar için riskli bir prosedür için beyin içine kateter kalıcı yerleştirme gerektirir. Bu prosedür, aynı zamanda enfeksiyon gibi risk içerir. Ancak, yüksek ICP bazı belirtileri tıbbi görüntüleme alanında belirgin olabilir. Özellikle, orta hat kayması genellikle ICP bir artış ile ilişkilidir ve beyin bilgisayarlı t çekilebiliromography (BT) görüntüleri. Gibi, bu görüntüleri kranial trepanasyon önce bir ön eleme adım olarak kullanılabilir yükseltilmiş ICP non-invaziv tespiti için bir fırsat sağlamaktadır. CT görüntüleme nedeniyle yüksek hız ve nispeten düşük maliyeti 2, hala tüm diğer görüntüleme yöntemleri, örneğin MR arasındaki ilk TBI değerlendirmesi için altın standarttır. Ayrıca, BT incelemesi sıkı hasta hareketsizlik gerektiren ve bu kemik kırıkları ve hematom gibi ciddi anormallikler ortaya avantaj sahip değildir. BT yaygın güncel teknolojiye dayalı beyin yaralanmaları, tespiti için kullanılır iken, orta hat kayması otomatik olarak ölçülür değildir ve bu nedenle hekimler görsel muayene ile bu önemli faktörü değerlendirmek gerekir. Yanlış ya da tutarsız CT yorumlama sık sık insan görme sisteminin yapısı ve beyin karmaşık yapısı ile ilgilidir. Küçük orta hat kaymaları zor olsa da, onlar s, beyin hasarının değerlendirilmesi için genellikle paha biçilmezdirBir hastanın durumunun daha önce yaralanma erken aşamalarında artiküler daha şiddetli olur. Yelpazenin diğer tarafında, büyük orta hat kayması oldukça yüksek ICP ve TBI daha şiddetli göstermektedir. Ancak, görsel BT görüntüleri incelemek ve nicelik ICP düzeyini tahmin etmek insanlar için çok zor bir iştir. Otomatik hesaplama tekniklerindeki gelişmeler nedeniyle, beyin BT görüntülerinin orta hat kayması, hematom hacmi ve doku gibi BT görüntüleri, çıkarılan özelliklerini ölçülebilir ve otomatik gelişmiş görüntü işleme yöntemleri kullanarak. Ancak, ICP ve orta hat kayması yanı sıra kanama derecesi gibi diğer özellikler arasındaki ilişkinin, BT görüntüleri doku araştırılmamıştır. Bu yazıda, bir bilişimsel çerçeve orta hat kayması ölçümü yanı sıra beyin BT görüntülerinde diğer fizyolojik / anatomik özelliklerini ölçmek ve ardından ICP olmayan intrusively tekniklerini öğrenme makinesi kullanmanın derecesi tahmin öne sürülmüştür.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Metodoloji Genel Bakış
Önerilen çerçeve otomatik patolojik durumlarda orta hat kayması hesaplamak ve intrakraniyal basınç (ICP) tahmin etmek için yanı sıra diğer ekstre bilgilerini kullanmak için travmatik beyin hasarı (TBI) hastaların beyin BT görüntüleri işler. Şekil 1 tüm şematik diyagramını göstermektedir çerçeve. Otomatik orta hat kayması ölçümü üç adım ayrılabilir. İlk olarak, beynin ideal midline, sakatlanmadan önce midline yani kafatası simetri ve doku özellikleri 3. dayalı bir hiyerarşik arama üzerinden bulundu. İkincisi, ventriküler sistemde her bir beyin CT görüntü 4 parçalı olduğunu. Üçüncüsü, gerçek orta hat yöntemi 5 uyan bir şekil kullanarak segmente deforme ventriküler sistemi tahmin edilmektedir. Ventriküler sistemin yatay kaydırma sonra ideal bir orta hat ve gerçek midline tahmini esas alınarak tahmin edilir. T sonraO orta hat kayması arda orta hat kayması, BT görüntülerinde doku bilgileri, yanı sıra diğer demografik bilgileri gibi özellikleri ICP tahmin etmek için kullanılır, tahmin edilmektedir. Makine öğrenme algoritması ICP ile ekstre özellikleri 6 arasındaki ilişki modeli için kullanılır.
2. İdeal Midline Tahmini
- Bu adım, kafatası simetri kullanılarak yaklaşık ideal bir orta hat algılar. İlk olarak, gri ölçekli eşik kullanılarak, kafatası CT görüntüsünde içeriğinin geri kalan parçalı olması gerekir. Hangi sonra, kafatasının kütle merkezi etrafında dönme açıları belirlemek için kapsamlı bir arama gerçekleştirin. Optimal dönme açısı kafatası ortaya çıkan yarım simetri maksimize açı olarak tanımlanır. Yaklaşık olarak ideal bir orta hat kütle merkez nokta üzerinden geçen bir çizgi ve CT görüntüsünün orijinal dikey yönüne göre optimum rotasyon meleği vardır.
- Bu adım, p algılarosterior falks serebri ve sagital sulkus marjları anterior falks eki. Bu aşama yaklaşık olarak tanımlanan ideal bir orta hat arıtmak için gerçekleştirilir. İlk yaklaşık ideal bir orta hat ve kalvaryumun arasındaki iki kesişim noktalarında merkezli iki arama dikdörtgenler tanımlayabilirsiniz. Ardından, ampirik yüzden aşağıda açıklandığı gibi anatomik özellikleri tespit edilecek kapsaması dikdörtgenlerin boyutu seçebilirsiniz. Anterior falks eki kalvaryumun ve falks serebri posterior bölgede 3 gri çizgi olarak algılanır üzerindeki sırtın tepe noktası olarak algılanır.
- Bu adım, ideal bir orta hat konumunu iyileştirmek için yukarıda tespit edilen bu özellikleri kullanır. Calvarum gelen anterior falks eki ve posterior falks serebri en ileri noktasının tepe noktası belirlenir sonra, rafine ideal bir orta hat iki noktayı birleştiren hattır.
3. Ventrikül Segmentasyon
- İlk olarak, bir düşük-le uygulamakvel segmentasyon her BT kesit 4,7 için Gauss karışım modeli (GMM) kullanarak. Kemik / kan, beyin omurilik sıvısı (BOS), gri ve beyaz cevher: BT görüntülerinde doku 4 tip ayrılabilir. Gauss Karışım Modeli başlatma için, parametreleri CT görüntü bir K-means iteratif segmentasyon sonucunda dayanarak tahmin edilir. Sonra iyi BT görüntü temsil iteratif GMM optimize beklenti-maksimizasyonu (EM) yöntemini kullanın. Sert bölümleme sonuç, her pikselin bölge farklı türlerine ait üyelik maksimum olasılık dayalı bölgeye CT görüntü bölme ile elde edilebilir.
- GMM düşük seviyeli bölümleme sonra, ventriküler bölgeleri tanımak için segmentasyon sonucu hakkında daha fazla kısıtlamalar geçerlidir. Belli bir eşiğin üstünde boyutu Sadece ventriküler bölgelerinde korunur. De beyin sınırlayıcı kutu ve ventricl kümesini kullanma gibi ventriküler bölgelerin yer kısıtlamalar Uygulae şablonları. Standart bir beyin MR görüntüleri ventrikül şablonları kümesi ayıklayın ve sonra farklı konular ve patolojik durumlar arasında farklılıklar karşılamak için morfolojik dilatasyon kullanarak büyütebilirsiniz.
4. Gerçek Midline Tahmini
- MR çıkarılan ventrikül şablonları özellik noktaları belirtin.
- Birden Bölgeler Şekil segmente ventriküller ve MR şablon arasındaki 5,8 Eşleştirme etmeyin.
- Şekil eşleştirme kullanarak ventrikül şekiller tanımlanan özellik noktaları esas fiili orta hat tahmin. Sonra orta hat x-koordinatı tanımlamak için bu özelliği noktalarının x-koordinatları demek sol tarafında ortalama ve sağ tarafında ortalama kullanın.
5. Daha Özelliği Ekstraksiyonları
- BT görüntüleri elde Gauss karışım modeli (GMM) segmentasyon sonuçlarına dayalı intrakraniyal hematom / kanama hacmi ölçün. Parçalara sonucu Mayısvenöz sinüs kan ve falks serebri gibi küçük bölgeler dışlayacak, ancak genellikle hematom bölgelere kıyasla ihmal edilebilir. Sonra her dilim için kan olarak sınıflandırılmış piksel sayısını saymak ve onları toplamak. Son toplamı BT incelemesinde, ekstravaze kan hacmi rakamlarla.
- Doku özellikleri ayıklayın. Öncelikle gri ve beyaz cevher yakalar her BT görüntüsünde altı pencere seçer ama BT görüntüsünde kan ve ventrikül yapıları önlemek, Şekil 6'ya bakınız. Gri Seviye Run uzunluğu 9, Histogram analizi, Fourier analiz, İkili Ağacı Kompleks Dalgacık analizi 10: Sonra aşağıdaki yöntemleri kullanarak karşılık gelen doku özellikleri ayıklamak.
- Demografik bilgiler ve yaralanma ciddiyet skoru da toplanır.
- Her CT görüntü tüm ekstre özellikleri tüm BT incelemesinde temsil toplanır. Özellikle, min (f), maksimum (f), orta (f), (f), STD (f) diğerleri arasında ortalama hesaplanırÖzellikle BT incelemesinde ait l seçilen özellikler, orta hat kayması veya doku özelliği bir özelliği ƒ örneğin. Intrakraniyal kanama miktar özellik için, yukarıda belirtilen 5 operatörler yanı sıra, toplam (f) 'da, toplam kan hacminin kaydetmek için eklenir.
6. ICP Tahmini
ICP tahmini ana fikri eğitim örneklerinin bir dizi dayalı bir model oluşturmak için makine öğrenmesi tekniklerini uygulamaktır. Sonra inşa modeli kalan test örnekleri üzerinde değerlendirilir. Çünkü CT taramaları ve demografik bilgiler de dahil olmak üzere çıkarılan özniteliklerin yüksek boyut, özellik seçimi nispeten basit bir nedenle istikrarlı modeli için ilgisiz özellikleri kaldırmak için önemlidir. Dolayısıyla ICP tahmini / tahmini için yapılması gereken iki adım vardır. Birincisi, ICPs tahmininde bilgilendirici göreli özellikleri seçin. İkinci adım olarak Destek Vektör Makinesi (DVM) kullanmaktıralgoritması eğitim modeli geliştirmek ve değerlendirmek. öğrenme Bu makine öğrenme algoritmaları çoğu için çok iyi gelişmiş bir araçtır ve modelleri eğitmek ve değerlendirmek için çok güçlü arabirimler sağlar çünkü bu tür RapidMiner 11 olarak Yazılım bu görev için idealdir.
- Iki aşamada özellik seçimi yapın. Önce ilk 50 özellikleri seçmek için ilk aşamada bilgi kazanç oranı ölçüt kullanın. İkinci aşamada, daha fazla özellik seçimi optimize etmek için bir genetik algoritma içeren SVM kullanın. Sonra aşağıdaki adımda ICP tahmini için model oluşturmak için seçilen özellikler son seti kullanın.
- Makine öğrenme teknikleri ile ICP sınıflandırılması ve değerlendirilmesi gerçekleştirin. Eğitim ve test üst düzeyde şeması Şekil 8'de RapidMiner gösterilmiştir. Değerlendirilmesi için dıştaki katman olarak 10 kat çapraz doğrulama düzeni uygulama. Iyi genelleme ile bir model oluşturmak ve t yanına oturan önlemek içinO eğitim verileri, yuva her eğitim kat içindeki çapraz doğrulama başka bir katman. Bu modüller, ilk yukarıda açıklanan işlem seçme özelliği uygulamak ve sonra kendi parametre seçimi modülü 6 ile sınıflandırılması için bir DVM kullanın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Test BT veri kümeleri Kurumsal Değerlendirme Kurulu onayı altında Carolinas Sağlık Sistemi (CHS) tarafından sağlandı. İlk hastaneye bütün konuları şiddetli TBY hafif tanısı konuldu. Her hasta için, ICP değeri elde edildi öncesi ve CT taramaları sonrasında ventrikül bölge içinde ICP problar kullanılarak saatte kaydedildi. BT bir saat içinde her ikisi de her BT, BT tarama zamanı ortalama ICP yakın iki ölçümleri ile ICP değerini ilişkilendirmek için. Sonra, CT taraması sırasında ICP tahmini değer ortalama olarak atanır. Grup iki sınıfa ICP değerleri: Yükseltilmiş ICP eğer ICP> 12 mm Hg ve normal ICP eğer ICP ≤ 12 mm Hg. Veri setleri 17 hasta içerir. Bu set, 391 aksiyel BT görüntüleri göstermek ventriküller veya ventriküllerin içerdiği gerekirdi bölgelerde. Şekil 2 ideal orta hat algılama sonucunu gösterir seçilir. Şekil 3, havalandırma olarakricles bölümlenmiştir. Şekil 4, tahmin edilen asıl orta hat gösterir. Şekil 5, orta hat kayması tahmin gösterir. Şekil 7, GMM kullanılarak kan bölümleme göstermektedir. Performansı nicel bir değerlendirme de gerçekleştirilir. Çoğu dilimleri (% 80'in üzerinde), çerçeve tarafından tahmin ideal orta hatta ve manuel açıklama arasındaki hata 1mm yaklaşık 2 piksel, çevresinde bulunmaktadır. Gerçek orta hat için, yukarıda% 80 ventriküler bölümleme kalitesini (bölümleme nihai ürünün kalitesi gerçek midlines tahmini için kullanılabilir eğer "nispeten iyi" olarak tanımlanan nispeten iyi olması koşuluyla daha az 2.25 mm bir farka sahip manuel). ICP tahmini değerlendirilmesinde 57 CT taramaları vardır. Duyarlılık, özgüllük ve doğruluk: Önerilen yöntemin sonucu aşağıdaki üç önlemler kullanılarak değerlendirilmiştir. Hassasiyet olarak tanımlanır
= # (gerçek pozitifler) / # (p hassasiyetiositives).
Özgüllüğü olarak tanımlanır
özgüllük = # (gerçek negatifler) / # (negatif).
Yüklemleme doğruluğu olarak tanımlanır
doğruluk = # (toplam örnek) (öngörülen düzeltilmiş) / #.
Yaklaşık% 70 bir doğruluk 10 katlı çapraz doğrulama kullanarak bizim çalışmamızda elde edildi. Hassasiyet 73, yaklaşık% 65 ile yaklaşık% özgüllük olduğu bulunmuştur. Bu bu veri kümesi üzerinde önerilen yöntemin belirli bir yordama gücünün önerebilir. Aşağıdaki adım diğer bağımsız veri setleri ile ilgili benzer sonuçlar çoğaltma olacaktır.
Şekil 1. Yöntemin üst düzey çerçeve ham BT görüntüleri için üç özellik çıkarımı modül vardır:. Orta hat kayması ölçümü, doku analizi ve blood miktarı tahmini. Tüm çıkarılan özellikler ve demografik bilgiler gibi diğer kaydedilen bilgiler, ICP seviyelerinin tahmininde sınıflandırma modülü içine beslenir.
Şekil 2. İdeal orta hat algılama sonucu. Kırmızı çizgi yaklaşık ideal bir orta hat olduğunu. Iki dikdörtgen kutu sırasıyla kemik çıkıntı ve alt falks cerebri kapsamaktadır. Bu kutular ilgi bölgeleri azaltmak için kullanılır. Yeşil çizgi çizgi doğru kemik çıkıntısı ve alt falks serebri yakalar nihai tespit idealdir orta hat vardır.
Şekil 3,. Ventrikülün segmentasyonu sonucu. Sol görüntü orijinal CT resimdir. Sağ görüntü Follo oluşurkanat hatları: kafatası, dört satır, bir başka dört satır oluşturduğu dış sınırlayıcı kutusu tarafından oluşturulan iç sınırlayıcı kutunun iç kenarı, eşleşen büyütülmüş ventrikül şablonun kenar, algılanan ventriküler bölgelerini temsilen kırmızı bölgeler, gri bölgeler temsil eden diğer bölgelere ventriküller tanıma konusunda çeşitli kısıtlamalar uygulandıktan sonra olmak ventriküler bölgelerinde reddetti.
Şekil 4. Gerçek orta hat kestirimi sonucu. Bu rakam farklı ventrikül şekli ile farklı BT görüntülerinde tahmin sonuçlarını göstermektedir. Beyaz bölgeler parçalı ventriküler bölgeleridir. Mavi konturları eşleşti ventriküler şablonları kenarı vardır. Kırmızı nokta gerçek orta hat hesaplamak için kullanılan ventriküllerin iç kenarları temsil eden özellik noktaları tespit edilir. Yeşil çizgi nihai tahmin news olduğunuarkadaşları midline. büyük bir rakam görmek için buraya tıklayın .
Şekil 5,. Orta hat kayması kestirim sonucu. Sol görüntü girişi CT dilim gösterir. Sağ görüntü Şekil 3 'e benzer işlenmiş sonucunu gösterir. Sol dikey yeşil çizgi tahmini ideal bir orta hat temsil eder ve sağ dikey yeşil çizgi tahmini gerçek midline temsil eder. İki çizgi arasındaki mesafe tahmini orta hat kayması olduğunu.
Şekil 6. Doku analizi için seçilen altı pencereler. Seçilen pencereler ventriküller kaçınarak kırmızı dikdörtgenler vardır.
Şekil 7. Kan segmentasyon. Sol görüntü girişi CT resimdir. Sağ görüntü GMM yöntemi ile üretilen bölütleme haritasını gösterir. Parlak bölge kan bölgeye karşılık gelir.
Şekil 8. RapidMiner yılında üst düzey çapraz doğrulama. Sol penceresinde eğitim sürecinde modülleri gösterir ve sağ pencerede test sürecinde modülleri gösterir. Eğitim süreci, ilk biz özellikleri seçmek için bilgi kazanç modülü ve genetik algoritma modülünü kullanabilirsiniz. Sonra bir SVM sınıflandırma yapmak için kullanılır. SVM parametre ayarlama Optimize Parametre sürecinde çapraz doğrulama iç içe aracılığıyla yapılır. Nihai tam eğitilmiş modeli bütün TraI kullanılarak OuterSVM işleminden çıktıveri ning. Test modülünde, seçili özellikleri kullanılır ve eğitimli modeli değerlendirilir. büyük bir rakam görmek için buraya tıklayın .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
BT görüntüleri ve çıkarılan özelliklere göre ICP düzeyinde tahmini olarak orta hat kayması tahmini: Bu çalışmada, sezgisel ve esnek bir çerçeve iki zorlu sorunları çözmek için önerilmiştir. Değerlendirme sonuçları önerilen yöntemin etkinliğini göstermektedir. Bildiğimiz gibi, bu iki bu sorunları ele sistematik bir çalışmanın ilk kez. Biz genel çerçeveye dayalı, elde edilebilir birçok potansiyel gelişmeler olduğunu fark. Örneğin, önerilen bölütleme içinde, düşük seviyede bölütleme ve yüksek düzeyde tanıma ayrılır ve halen yüksek seviyeden alçak seviye bölütleme ile de yoktur. Bu alçak seviye görüntü ve yüksek düzeyde tanınması arasındaki etkileşimleri vardır insan gözle muayene, farklıdır. Birlikte bu iki düzeyi birleştiren bir potansiyel yaklaşımı sözde "modeline dayalı düşük seviyeli segmentasyon" dir. Bu yöntemde, düşük-seviyeli bölümleme inci tarafından yönlendirilirhedef yapı e yüksek seviyede atlas modelleri. Örneğin, bir kayıt algoritması, standart bir CT görüntü için BT görüntüleri hizalamak için ilk adım olarak uygulanabilir. O BT görüntüleri ve standart BT görüntü arasındaki beyin yapılarında daha doğru haritalama sağlayabilir, çünkü bu daha da orta hat kayması tahmini olarak ventrikülün tanıma doğruluğunu artırabilir. ICP tahmini için, sonucu test veri kümesine dayalı umut olsa da, biz örneklerin boyutu sınırlı olduğunu fark var. Bu başka bir bağımsız veri kümesine dayalı sonuçları doğrulamak için daha ikna edici olacaktır. ICP tahmini için makina öğrenme uygulamasında, örneklem büyüklüğü çok önemli bir faktördür. BT görüntüleri ve ICP sinyalleri hem de daha fazla farklı desen içerebilir BT incelemeleri, bir büyük veri kümesi önerilen çerçevenin daha bilgilendirici değerlendirme verebilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Çıkar çatışması ilan etti.
Acknowledgments
Materyal kısmen Hibe No IIS0758410 kapsamında Ulusal Bilim Vakfı tarafından desteklenen çalışma dayanır. Veri Carolinas Sağlık Sistemi tarafından sağlandı.
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).
