Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Medicine

Shift אוטומטי קו אמצע והערכה לחץ תוך גולגולתי מבוססת על תמונות CT מוח

Published: April 13, 2013 doi: 10.3791/3871
* These authors contributed equally

Summary

הערכה אוטומטית קו אמצע משמרת ומערכת הקרנה טרום מבוססת על תמונות טומוגרפיה ממוחשבת (CT) למטופלים עם פגיעה מוחית טראומטית (TBI) לחץ תוך גולגולתי (ICP) מוצעת באמצעות עיבוד תמונה ומכונת טכניקות למידה.

Abstract

במאמר זה אנו מציגים מערכת אוטומטית המתבססת בעיקר על תמונות טומוגרפיה הממוחשבת (CT), מורכבות משני מרכיבים עיקריים: הערכת שינוי קו האמצע ומערכת הקרנה טרום לחץ תוך גולגולתי (ICP). כדי לאמוד את שינוי קו האמצע, תחילה הערכה של קו האמצע האידיאלי מתבצעת על בסיס הסימטריה של הגולגולת ותכונות אנטומיות במוח בדיקת CT. ואז, פילוח של חדרים מבדיקת CT מבוצע ומשמש כמדריך לזיהוי של קו האמצע בפועל באמצעות התאמת צורה. תהליכים אלה לחקות את תהליך המדידה על ידי רופאים והראו תוצאות מבטיחות בהערכה. ברכיב השני, יותר תכונות מופקות קשור לICP, כגון מידע המרקם, כמות דם מסריקות CT ותכונות שנרשמו אחרות, כגון גיל, ניקוד חומרת פציעה להעריך ICP משולבות. מכונת טכניקות למידה, כולל בחירת תכונה וסיווג, כגון תמיכהמכונה וקטור (SVMs), מועסקים לבנות מודל החיזוי באמצעות RapidMiner. ההערכה של התחזית מראה תועלת פוטנציאלית של הדגם. שינוי האומדן האידיאלי קו האמצע וניבא רמות ICP יכול לשמש כצעד לפני הקרנה מהירה לרופאים כדי לקבל החלטות, כדי להמליץ ​​בעד או נגד ניטור ICP פולשנית.

Introduction

בכל שנה יש כ 1,400,000 פגיעות טראומטיות במוח (TBI) במקרים הקשורים לרפואה דחוף בארצות הברית, מתוכם, מעל 50,000 בתוצאה 1 מוות. חמור TBI הוא בדרך כלל מלווה בעלייה בלחץ תוך גולגולתי (ICP) עם תסמינים כגון שטפי דם ונפיחות רקמת מוח. זה גורם ללחץ מופחת מוחות זלוף וזרימת דם במוח, הצבת המוח הפגוע בסיכון נוסף. עליית ICP חמורה יכולה להיות קטלנית, ולכן ניטור ICP עבור חולים עם TBI הוא קריטי. זה בדרך כלל דורש מיקום של שכינת צנתרים ישירות לתוך המוח לניטור של לחץ, הליך מסוכן לחולים שיכולים להתבצע רק במרכזים רפואיים מיוחדים. ההליך כרוך גם בסיכון כגון זיהום. עם זאת, כמה סימנים של ICP הגבוה עשויים להיות מורגשים בתחום הדמיה רפואית. בפרט, שינוי קו אמצע קשור לעתים קרובות עם עלייה בICP ויכול להיות שנתפס מהמוח הממוחשב tomography (CT) תמונות. ככזה, דימויים אלה מספקים הזדמנות לזיהוי בלתי פולשני של ICP הגבוה אשר יכול לשמש כצעד לפני הקרנה לפני הניקור גולגולתי. הדמיית CT היא עדיין את תקן הזהב להערכת TBI ראשונית בין כל שיטות הדמיה האחרות, כגון MRI, בגלל המהירות הגבוהה שלו והמחיר נמוך יחסית 2. יתר על כן, בדיקת ה-CT אינה דורשת חוסר תנועת חולה מחמיר, ויש יתרון בחשיפת ליקויים חמורים, כגון שברים בעצמות והמטומות. בעוד CT משמש בדרך כלל לאיתור פציעות במוח, המבוססות על הטכנולוגיה הנוכחית, שינוי קו האמצע אינו נמדד באופן אוטומטי ולכן רופאים צריכים להעריך גורם חשוב זה על ידי בדיקה חזותית. פרשנות CT לא מדויקת או לא עקבית קשורה לעתים קרובות עם אופיו של מערכת הראייה האנושית ומבנה המורכב של המוח. בעוד משמרות קו אמצע קטנות הן חמקמקות, לעתים קרובות הם לא יסולאו בפז להערכת פגיעה מוחית, בעמ 'מפרק בשלבים מוקדמים של פציעה לפני מצבו של חולה הופך חמור יותר. בצד השני של הספקטרום, שינוי קו אמצע גדול מרמז ICP הגבוה ביותר וחמור יותר TBI. עם זאת, הוא משימה מאתגרת מאוד עבור בני אדם חזותי לבדוק תמונות CT ולחזות את הרמה של ICP כמותית. בשל התקדמות בטכניקות חישוב אוטומטיות, תכונות חולצו מתמונות CT, כגון שינוי קו אמצע, נפח שטף דם, ומרקם של תמונות מוח CT, ניתן למדוד במדויק ובאופן אוטומטי תוך שימוש בשיטות עיבוד תמונה מתקדמות. עם זאת, הקשר בין ICP ושינוי קו אמצע, כמו גם תכונות נוספות כגון מידת הדימום, המרקם מתמונות CT לא נחקר. במאמר זה, מסגרת חישובית הוצעה למדוד מדידת תזוזת קו האמצע, כמו גם תכונות פיסיולוגיות / אנטומי אחרות בתמונות CT מוח ולחזות את מידת השימוש במכשיר ICP הלא חודרני לימוד טכניקות.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. סקירת מתודולוגיה

המסגרת המוצעת מעבדת את תמונות CT המוח של פגיעה מוחית טראומטית (TBI) חולים כדי לחשב באופן אוטומטי שינוי קו אמצע במקרים פתולוגיים ולהשתמש בו, כמו גם מידע שחולץ אחר לנבא לחץ תוך גולגולתי (ICP). איור 1 מציג את התרשים סכמטי של כל מסגרת. מדידת שינוי קו האמצע האוטומטית ניתן לחלק לשלושה שלבים. ראשית, קו האמצע האידיאלי של המוח, כלומר קו האמצע, לפני פציעה, הוא מצא באמצעות חיפוש היררכי המבוסס על סימטרית גולגולת ותכונות רקמות 3. שנית, מערכת חדרית היא מפולחת עבור כל תמונת CT מוח 4. שלישית, קו האמצע בפועל מוערך מהמערכה המפולחת המעוותת חדרית באמצעות צורת התאמת שיטה 5. השינוי האופקי של מערכת חדרית הוא אז הוערך בהערכת קו האמצע האידיאלי וקו האמצע בפועל. לאחר tהוא שינוי קו אמצע מוערך ברציפות, תכונות, כולל שינוי קו אמצע, מרקם מידע של תמונות CT, כמו גם מידע דמוגרפי אחר משמשות כדי לחזות ICP. אלגוריתמי למידת מכונה משמשים למודל היחסים בין ICP והתכונות חולצו 6.

2. הערכת קו אמצע אידיאלית

  1. שלב זה מאתר קו האמצע האידיאלי המשוער באמצעות סימטריה של הגולגולת. ראשית, שימוש בגוונים האפורים thresholding, הגולגולת צריכה להיות מקוטע משאר התוכן בתמונת CT. לאחר ש, לבצע חיפוש מקיף כדי לזהות את זוויות הסיבוב סביב מרכז המסה של הגולגולת. זווית הסיבוב האופטימלית מוגדרת כזווית שממקסם את הסימטריה של חצי תוצאה של הגולגולת. קו האמצע האידיאלי המשוער הוא פטירת השורה דרך נקודת מרכז המסה ויש מלאך הסיבוב אופטימלי מבחינת הכיוון האנכי המקורי של תמונת CT.
  2. שלב זה מאתר עמosterior החרמש cerebri וקשר קדמי חרמש לשולי מענית sagittal. צעד זה נעשה על מנת לחדד את קו האמצע המשוער האידיאלי המזוהה. ראשית להגדיר שני מלבני חיבוטים התרכזו בשתי נקודתי ההצטלבות בין קו האמצע האידיאלי המשוער וcalvarium. לאחר מכן, בחר בגדלים של המלבנים אמפיריים כך שהם מכסים את התכונות אנטומיות כדי להיות מזוהות כמוסבר להלן. הקובץ המצורף החרמש הקדמי מתגלה כנקודת השיא של הרכס על calvarium וחרמש cerebri הוא זוהה כקו האפור באזור האחורי 3.
  3. צעד זה משתמש בתכונות אלה זוהו לעיל כדי לחדד את עמדת קו האמצע האידיאלית. ברגע שנקודת השיא של קובץ המצורף הקדמיים חרמש והנקודה הרחוקה ביותר בחרמש cerebri האחורי מcalvarum מצוינת, קו האמצע האידיאלי המעודן הוא הקו המחבר את שתי נקודות.

3. פילוח החלל

  1. ראשית מרחי נמוכים leפילוח vel באמצעות מודל תערובת גאוס (GMM) לכל פרוסת CT 4,7. תמונות CT ניתן לחלק ל 4 סוגי רקמות: עצם / דם, נוזל השדרתי (CSF), חומר אפור וחומר לבן. לאתחול של דגם תערובת גאוס, הפרמטרים מוערכים בהתבסס על איטרטיבי K-אמצעי תוצאת פילוח של תמונת CT. לאחר מכן השתמשתי בציפייה-מקסום השיטה (EM) כדי לייעל GMM ערוך את יותר טוב כדי לייצג את תמונת CT. תוצאת הפילוח הקשה ניתן להשיג על ידי מחיצות תמונת CT לאזורים המבוססים על ההסתברות המרבית של חברות שכל פיקסל שייך לסוגי אזורים שונים.
  2. לאחר הפילוח ברמה נמוכה של GMM, יחול מגבלות נוספות על תוצאת הפילוח כדי לזהות אזורי חדרית. אזורי חדרית רק עם גודל מעל סף מסוים נשמרים. תחול מגבלות על המיקום של האזורים כחדרית באמצעות תיבת המוח התוחם וקבוצה של ventricl גםתבניות ה. חלץ את הקבוצה של תבניות חדר לב מתמונות MR מוח הרגילות ולאחר מכן להגדילו באמצעות התרחבות מורפולוגי כדי להכיל וריאציות בין נושאים שונים ומקרים פתולוגיים.

4. הערכת קו אמצע בפועל

  1. ציין את נקודתי תכונה על תבניות החלל שחולצו מMR.
  2. האם צורת אזורי התאמה המרובה בין 5,8 חדרי לב מפולחים ותבנית MR.
  3. להעריך את קו האמצע בפועל, על פי את נקודתי התכונה שזוהו על צורות החלל באמצעות התאמת צורה. ואז משתמש בממוצע ממוצע צד שמאל וצד ימין אומר של-X הקואורדינטות של נקודתי תכונה אלה להגדיר קואורדינטת x של קו האמצע.

5. עקירות תכונה יותר

  1. מדוד את עוצמת שטף דם / דימום תוך מוחי המבוססת על תוצאות מודל פילוח תערובת גאוס (GMM) שמתקבל מתמונות CT. התוצאה המפולחת ברשאיתclude אזורים קטנים כולל ורידי סינוס דם והחרמש cerebri, אבל הם בדרך כלל יכולים להיות מוזנחים בהשוואה לאזורים של שטף דם. ואז לספור את מספר הפיקסלים שסווגו כדם לכל פרוסה ולסכם אותם. הסכום הסופי מכמת את נפח דם extravasated בבדיקת CT.
  2. תמצית תכונות מרקם. ראשית בחר שישה חלונות בכל תמונת CT אשר לוכדת את החומר אפור ולבן אלא למנוע את מבני הדם וחלל בתמונת ה-CT, ראה איור 6. לאחר מכן לחלץ את תכונות המרקם המתאימות באמצעות השיטות הבאות: אורך גריי רמת הפעלה 9, ניתוח היסטוגרמה, פורה ניתוח, ניתוח כפול עץ מורכב Wavelet 10.
  3. מידע דמוגרפי וניקוד חומרת פציעה גם נאספו.
  4. כל התכונות חולצו של כל תמונת CT הם מגובשים לייצג את בדיקת ה-CT כולו. באופן ספציפי, דקות (ו), מקס (ו), חציון (ו), אומרות (ו), סטנדרטי (ו) מחושבים בקרב אלl התכונות שנבחרו השייכים לבדיקת CT, לדוגמא ƒ תכונה של קו אמצע המשמרת או תכונת מרקם. לתכונת כמות הדימום תוך גולגולתי, מלבד 5 המפעילים שפורטו לעיל, סכום (ו) הוא הוסיף גם להקליט את נפח הדם הכולל.

6. ICP הערכה

הרעיון המרכזי של הערכת ICP הוא ליישם טכניקות למידת מכונה כדי לבנות מודל המבוסס על סדרה של דוגמאות אימון. אז המודל הבנוי מוערך על דגימות בדיקה הנותרות. בגלל הממד הגבוה של תכונות חולצו כוללים אלה מסריקות CT והמידע דמוגרפי, בחירת תכונה חשובה להסיר תכונות שאינן קשורות לכך מודל יציב יחסית פשוט. לכן יש שני צעדים שבוצעו עבור ICP הערכה / ניבוי. ראשית, בחר את התכונות היחסיות אשר אינפורמטיבי בניבוי ICPs. הצעד השני הוא להשתמש במכונות וקטור תמיכה (SVM) כלמידת אלגוריתם כדי לפתח ולהעריך את מודל אימון. תוכנות כגון 11 RapidMiner הן אידיאליות למשימה הזאת, כי זה כלי מאוד מפותח למרבית אלגוריתמי למידת מכונית ומספק ממשקים מאוד חזקים כדי לאמן ולהעריך מודלים.

  1. בצע את בחירת התכונה בשני שלבים. הראשון להשתמש בקריטריון היחס הרווח המידע בשלב הראשון כדי לבחור את 50 תכונות המובילות. בשלב השני, משתמש בשילוב SVM אלגוריתם גנטי כדי לייעל את בחירת תכונה נוספת. לאחר מכן השתמשתי בסט האחרון של תכונות שנבחרה כדי לבנות את מודל חיזוי עבור ICP בשלב הבא.
  2. לבצע סיווג והערכת ICP באמצעות טכניקות למידת מכונה. תרשים הרמה העליונה של אימונים ובדיקות מוצגים בRapidMiner באיור 8. להחיל ערכה פי 10-אימות צולבת כשכבת קצוני ביותר להערכה. על מנת לבנות מודל עם הכללה טובה יותר ולהימנע מעל לגוף לtהוא נתוני אימון, קן שכבה נוספת של אימות צולבת בתוך כל קיפול אימונים. במודולים אלה, להחיל תחילה את תהליך בחירת התכונה שתואר לעיל ולאחר מכן להשתמש SVM לסיווג עם מודול בפני עצמו פרמטר הבחירה 6.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

את מערכי נתוני בדיקת CT נמסרו על ידי מערכת בריאות קרוליינה (CHS) באישור מועצה לביקורת מוסדי. כל הנבדקים אובחנו עם TBI קל עד חמור כאשר הודו תחילה לבית חולים. לכל חולה, ערך ICP נרשם בכל שעה באמצעות בדיקות ICP בתוך חדר לב האזור לפני ואחרי סריקות CT התקבלו. כדי לשייך את ערך ICP עם כל בדיקה CT, ממוצע שתי המדידות הקרובות של ICP לזמן של הבדיקה CT, אשר שניהם בתוך שעה מבדיקת CT. לאחר מכן להקצות את הממוצע כערך ICP המשוער בעת הבדיקה CT. קבוצת ערכי ICP לשני סוגים: ICP הגבוה אם ICP> 12 מ"מ כספי והנורמלי ICP אם ICP ≤ 12 מ"מ כספי. את מערכי הנתונים מכילים 17 חולים. מתוך קבוצה זו, 391 תמונות ציריות בדיקת CT נבחרות שחללי תצוגה או אזורים שהיו אמור להיות כלולים חדרים. איור 2 מראים את התוצאה של זיהוי קו האמצע האידיאלי. באיור 3, האוורורricles מפולח. איור 4 מראה את קו האמצע בפועל המשוער. איור 5 מראה את ההערכה של שינוי קו אמצע. איור 7 מציג את פילוח הדם באמצעות GMM. הערכה כמותית של ביצועים היא גם בצעה. ברוב הפרוסות (מעל 80%), את השגיאה שבין קו האמצע האידיאלי מוערך על ידי המסגרת והביאור הידני סביב 2 פיקסלים, שזה בערך 1 מ"מ. לקו האמצע בפועל, מעל 80% יש הבדל פחות מ 2.25 מ"מ בלבד שאיכות פילוח חדרית היא טובה יחסית (הוא מוגדר "טוב יחסית" אם איכות תוצאת הפילוח יכול לשמש להערכה של midlines בפועל באופן ידני). ישנן 57 סריקות CT בהערכת ניבוי ICP. התוצאה של השיטה המוצעת מוערכת באמצעות שלושת הצעדים הבאים: רגישות, סגוליים ודיוק. רגישות מוגדרת כ

רגישות = # (חיוביים אמיתיים) / # (עמ 'ositives).

הספציפיות מוגדרות כ

הספציפיות = # (נגטיבים) אמיתיים / # (נגטיבים).

הדיוק בסוס מוגדר

דיוק = # (תקן חזה) / # (דגימות כלל).

דיוק של כ 70% הושג במחקר שלנו באמצעות אימות צולבת פי 10. הרגישות נמצאה כ 65% וסגוליים של כ 73%. זה עשוי להציע יכולת ניבוי מסוימת של השיטה המוצעת במערך נתונים זה. הצעד הבא יהיה שחזור תוצאות דומות על ערכות נתונים עצמאיות אחרות.

איור 1
איור 1. המסגרת ברמה העליונה של השיטה יש שלושה מודולים חילוץ תכונה לתמונות CT הגלם:. מדידת קו אמצע המשמרת, ניתוח מרקם וblכמות ood הערכה. את כל התכונות שחולצו ומידע אחר נרשם, כגון מידע דמוגרפי מוזנות למודול הסיווג לחזות את רמות ICP.

איור 2
איור 2. התוצאה של גילוי קו האמצע האידיאלי. הקו האדום היא קו האמצע האידיאלי המשוער. שתי התיבות המלבניות לכסות את בליטת העצם וcerebri החרמש הנמוך בהתאמה. תיבות אלה משמשים כדי לצמצם את האזורים של עניין. הקו הירוק הוא הקו המפריד קו האמצע הסופי זוהה האידיאלי, אשר לוכד את בליטת העצם וcerebri החרמש הנמוך באופן מדויק.

איור 3
איור 3. התוצאה של פילוח החלל. התמונה השמאלית היא תמונת CT המקורית. התמונה מהימין מורכב מfolloקווי כנף: הקצה הפנימי של הגולגולת, התיבה התוחמת הפנימית שהוקמה על ידי ארבעה קווים, התיבה התוחמת החיצונית שהוקמה על ידי ארבע שורות נוספות, בקצה חדר הלב המוגדלת התבנית המתאימה, האזורים האדומים המייצגים את אזורי חדרית אותר, אזורים האפורים אזורים אחרים מייצגים דחו אזורי חדרית להיות לאחר ההחלה כמה מגבלות על הכרה בחדרי לב.

איור 4
איור 4. התוצאה של הערכת קו האמצע בפועל. נתון זה מראה את התוצאות האמידות בתמונות CT שונות עם צורות שונות חדרית. האזורים הלבנים הם אזורי חדרית מפולחות. קווי המתאר הכחולים הם היתרון של תבניות חדרית המתאימות. הנקודות האדומות מזוהות נקודתי תכונה המייצגות את הקצוות הפנימיים של חדרי הלב ששמשו לחישוב קו האמצע בפועל. הקו הירוק הוא העניינים פה נאמדו סופיים אל קו אמצע. לחץ כאן לצפייה בדמות גדולה.

איור 5
איור 5. התוצאה של הערכת שינוי קו האמצע. התמונה השמאלית מראה את פרוסת CT קלט. התמונה מהימין מראה תוצאה דומה לאיור 3 המעובד. הקו הירוק האנכי השמאלי מייצג את קו האמצע האידיאלי המשוער, והקו הירוק האנכי הימני מייצג את קו האמצע בפועל המשוער. המרחק בין שני הקווים הוא קו אמצע המשמרת המשוערת.

איור 6
איור 6. ששת החלונות שנבחרו לניתוח מרקם. החלונות שנבחרו הם המלבנים האדומים הימנעות חדרי לב.

ther.within עמודים = "תמיד"> איור 7
איור 7. פילוח הדם. התמונה השמאלית הוא תמונת CT הקלט. התמונה מהימין מציגה את מפת פילוח המיוצרת על ידי שיטת GMM. האזור הבהיר מתאים לאזור הדם.

איור 8
איור 8. הרמה העליונה האימות צולבת בRapidMiner. החלון השמאלי מציגה את המודולים בתהליך ההכשרה והחלון הימני מציג את המודולים בתהליך הבדיקה. בתהליך האימון, תחילה אנו משתמשים במודול רווח המידע ומודול האלגוריתם הגנטי כדי לבחור תכונות. אז SVM משמש לעשות סיווג. כוונון הפרמטר של SVM נעשה באמצעות-אימות צולבת מקונן בתהליך פרמטר מטב. מודל ההכשרה המלא הסופי הוא הפלט מתהליך OuterSVM באמצעות כל traiנינג נתונים. במודול הבדיקות, את התכונות שנבחרו ומשמשות המודל המאומן מוערך. לחץ כאן לצפייה בדמות גדולה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

במחקר זה, מסגרת אינטואיטיבית וגמישה מוצעת להתייחס לשתי בעיות מאתגרות: ההערכה של השינוי בקו אמצע CT תמונות וחיזוי רמת ICP מבוסס על תכונות שחולצו. את תוצאות ההערכה להראות את האפקטיביות של השיטה המוצעת. עד כמה שאנחנו יודעים, זו הפעם הראשונה של מחקר שיטתי בהתמודדות עם שתי בעיות אלה. אנו מבחינים כי בהתבסס על המסגרת הכללית, יש הרבה שיפורים פוטנציאליים שניתן להשיג. לדוגמה, בפילוח המוצע, פילוח הרמה הנמוכה והכרה ברמה גבוהה מופרד וכרגע אין משוב מהרמה הגבוהה לפילוח ברמה הנמוך. זה שונה מבדיקת ראייה אנושית, שבו יש אינטראקציה בין חזון הרמה הנמוך והכרה ברמה גבוהה. גישה אפשרית אחת לשלב בין שתי הרמות האלה יחד היא "פילוח המודל המבוסס ברמה נמוכה", כביכול. בשיטה זו, הפילוח ברמה נמוכה מונחה על ידי הדואר מודלים ברמה גבוה אטלס של מבנה היעד. לדוגמה, אלגוריתם רישום ניתן ליישם בשלב הראשון כדי ליישר את תמונות CT לתמונת CT רגילה. זה עשוי לשפר עוד יותר את הדיוק של זיהוי החלל, כמו גם ההערכה של קו אמצע המשמרת כי זה עשוי לספק מיפוי מדויק יותר במבני המוח בין תמונות CT ותמונת CT הרגילה. לניבוי ICP, למרות שהתוצאה היא מבטיחה מבוססת על מאגר הנתונים נבדק, אנו חייבים לשים לב שגודל הדגימות מוגבל. זה יהיה יותר משכנע כדי לאמת את התוצאות המבוססות על מערך עצמאי אחר. ביישום של למידה חישובית לחיזוי ICP, גודל המדגם הוא גורם חשוב מאוד. מערך גדול יותר של בדיקות ה-CT, שעשוי להכיל דפוסים שונים עוד בשני אותות ICP-CT ותמונות, יכול לתת הערכה אינפורמטיבי יותר של המסגרת המוצעת.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

אין ניגודי האינטרסים הכריזו.

Acknowledgments

החומר מבוסס על העבודה הנתמכת בהחלק על ידי הקרן הלאומית למדע תחת גרנט מס IIS0758410. הנתונים סופקו על ידי מערכת בריאות קרוליינה.

References

  1. 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).
  2. Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
  9. Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
  10. Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
  11. 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).

Tags

רפואה גיליון 74 הנדסה ביו רפואית ביולוגיה מולקולרית נוירוביולוגיה ביופיסיקה פיזיולוגיה אנטומיה מוח CT עיבוד תמונה CT Shift קו האמצע לחץ תוך גולגולת טרום הקרנה דגם תערובת גאוס התאמת צורה למידת מכונית פגיעה מוחית טראומטית TBI הדמיה טכניקות קליניות
Shift אוטומטי קו אמצע והערכה לחץ תוך גולגולתי מבוססת על תמונות CT מוח
Play Video
PDF DOI

Cite this Article

Chen, W., Belle, A., Cockrell, C.,More

Chen, W., Belle, A., Cockrell, C., Ward, K. R., Najarian, K. Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images. J. Vis. Exp. (74), e3871, doi:10.3791/3871 (2013).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter