Summary
자동화 된 중간 선 이동 추정 및 intracranial 압력 (ICP) 외상성 뇌 손상 (외상성 뇌 손상) 환자에 대한 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 사전 심사 시스템은 이미지 처리 및 머신 학습 기술을 사용하여 제안합니다.
Abstract
정중선 변화 추정 및 intracranial 압력 (ICP) 사전 심사 시스템 :이 논문에서 우리는 주로 두 가지 구성 요소로 구성된 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 자동화 된 시스템을 제시한다. 이상적인 중간 선에의 추정은 두개골과 뇌 CT 촬영의 해부학 적 기능의 대칭에 따라 수행되는 첫 번째 정중선 변화를 측정합니다. 그런 다음, CT 촬영에서 심실의 세분화 수행과 모양 매칭을 통해 실제 중간 선의 식별을위한 가이드로 사용됩니다. 이 과정은 의사에 의해 측정 과정을 모방하고 평가 긍정적 인 결과를 보여 주었다. 두 번째 구성 요소에서 더 많은 기능도 포함됩니다 같은 연령, ICP를 추정하는 부상 심각도 점수와 같은 중부 표준시 스캔 및 기타 기록 기능의 텍스처 정보, 혈액 금액으로, ICP에 관한 압축이 풀립니다. 이러한 지원 등의 기능 선택과 분류 등의 기계 학습 기법,벡터 머신 (SVMs)는 RapidMiner를 사용하여 예측 모델을 구축하는 고용하고 있습니다. 예측의 평가 모델의 잠재적 인 유용성을 보여줍니다. 예상 이상적인 중간 선 이동 및 ICP 수준을 예측는 또는 침해 ICP 모니터링에 대한 권장 할 수 있도록, 의사 결정을 내릴 수있는 의사에 대한 빠른 사전 심사 단계로 사용할 수 있습니다.
Introduction
매년 미국에서 약 1,400,000 외상성 뇌 부상 (외상성 뇌 손상) 관련 긴급 부서 경우가 있으며, 그 중, 사망 1 50000 결과 이상. 외상성 뇌 손상 심한는 일반적으로 hematomas과 붓기 뇌 조직 등의 증상 intracranial 압력 (ICP)의 증가와 함께합니다. 감소 대뇌 관류 압력 및 추가 위험에 부상당한 뇌를 배치 뇌성 혈액의 흐름에 이러한 결과. 심한 ICP 증가는 치명적이 될 수 외상성 뇌 손상 환자에 대한 ICP를 모니터링하는 것은 매우 중요합니다 그래서. 이것은 일반적으로 직접 압력 모니터링, 만 전문 의료 센터에서 수행 할 수 있습니다 환자에 대한 위험 프로 시저에 대한 뇌에 카테터를 내재의 위치가 필요합니다. 절차는 또한 감염 등의 위험을 가지고 있습니다. 그러나, 고가 ICP의 일부 증상은 의료 영상에서 눈에 띄게 할 수 있습니다. 특히, 정중선 변화는 종종 ICP의 증가와 연결되어 있으며 뇌 계산 t에서 캡처 할 수omography (중부 표준시) 이미지. 따라서 이러한 이미지는 두개골 trepanation 전에 사전 심사 단계로 사용할 수있는 고가 ICP의 비 침습적 검출을위한 기회를 제공합니다. 중부 표준시 영상 때문에 높은 속도와 상대적으로 저렴한 비용 (2)의, 여전히 다른 모든 이미징 modalities, 예를 들어 MRI 간의 초기 외상성 뇌 손상 평가를위한 황금 표준입니다. 또한, 중부 표준시 시험은 엄격한 환자 부동가 필요합니다, 그리고 뼈 골절과 hematomas 등의 심각한 이상을 드러내 장점이 있습니다하지 않습니다. 중부 표준시는 일반적으로 현재의 기술을 바탕으로 뇌 부상의 검출에 사용되는 반면, 중간 선 이동이 자동으로 측정되지 않으며 따라서 의사는 육안 검사하여이 중요한 요소를 평가해야합니다. 부정확하거나 일관성 중부 표준시 해석은 종종 인간의 시각 시스템의 특성과 뇌의 복잡한 구조와 연결되어 있습니다. 작은 중간 선에 변화가 어려운 반면, 그들은 P에 뇌 손상의 평가에 대한 내용들을 귀중한 아르환자의 상태까지 부상 초기 단계의 관절은 더 심각됩니다. 스펙트럼의 다른 쪽, 큰 중간 선 이동은 높은 상승 ICP 및 외상성 뇌 손상 더 심각한을 제안합니다. 그러나, 시각적으로 중부 표준시 이미지를 검사하고 양적 ICP의 수준을 예측하는 인간에 대한 매우 어려운 작업입니다. 자동 계산 기술의 발전으로 인해, 이러한 뇌 중부 표준시 이미지의 정중선 변화, 혈종 량 및 질감 등의 중부 표준시 이미지,에서 추출 기능을 정확하게 측정 할 수 있으며, 자동으로 고급 이미지 처리 방법을 사용합니다. 그러나, ICP 및 중간 선 이동뿐만 아니라 출혈의 정도와 같은 다른 기능 사이의 관계는, CT 이미지에서 질감이 탐색되지 않았습니다. 본 논문에서는 계산 프레임 워크는 정중선 변화 측정뿐만 아니라 뇌 중부 표준시 이미지의 다른 생리학 / 해부학 기능을 측정 한 후 ICP 비 intrusively 기법을 학습 기계를 사용하는 정도를 예측하는 제안되었습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 방법론 개요
제안 된 프레임 워크는 자동으로 병적 인 경우에 정중선 변화를 계산하고 intracranial 압력 (ICP)을 예측하는 데뿐만 아니라 다른 추출 된 정보를 사용하는 외상성 뇌 손상 (외상성 뇌 손상) 환자의 뇌 중부 표준시 이미지를 처리합니다. 그림 1은 전체의 개략도 프레임 워크. 자동 중간 선 이동 측정은 세 단계로 나눌 수 있습니다. 첫째, 뇌의 이상적인 중간 선이 부상하기 전에 중간 선 즉, 두개골 대칭 및 조직 기능 3 기반으로 계층 적 검색을 통해 찾을 수 있습니다. 둘째, 심실 시스템은 각 뇌 중부 표준시 이미지를 4 분할 수 있습니다. 셋째, 실제 중간 선은 방법 5와 일치하는 모양을 사용하여 세그먼트 변형 심실 시스템에서 추정된다. 심실 시스템의 수평 이동은 다음 이상적인 중간 선 및 실제 중간 선의 평가를 기반으로 추정된다. t 후그는 정중선 변화가 연속 정중선 변화, CT 이미지의 텍스처 정보뿐만 아니라 다른 인구 통계 학적 정보를 포함하여 기능이 ICP를 예측하는 데 사용됩니다, 추정된다. 기계 학습 알고리즘은 ICP 및 추출 기능 6 사이의 관계를 모델링하는 데 사용됩니다.
2. 이상적인 중간 선 추정
- 이 단계는 두개골의 대칭을 사용하여 대략적인 이상적인 중간 선을 감지합니다. 첫째, 임계 값 그레이 스케일 사용하여 두개골은 중부 표준시 이미지에있는 콘텐츠의 나머지 부분에서 분할 있어야합니다. 그 이후, 두개골의 질량 중심 주위의 회전 각도를 확인하는 철저한 검색을 수행합니다. 최적의 회전 각도는 두개골의 결과 절반의 대칭을 극대화 각도로 정의됩니다. 대략 이상적인 중간 선은 대량 센터 지점을 통해 선 통과하고 중부 표준시 이미지의 원래 수직 방향에 대해 최적의 회전 천사가 있습니다.
- 이 단계는 P를 감지osterior falx cerebri 및 시상 고랑의 여백에 앞 falx 첨부. 이 단계는 확인 된 대략 이상적인 중간 선을 구체화하기 위해 수행된다. 먼저 대략적인 이상적인 중간 선 및 개관 사이에 두 교차로 지점에 중심이 검색의 사각형을 정의합니다. 다음 경험적 그래서 그들은 아래에 설명했던 것과 같이, 해부학 기능을 감지 할 커버하는 사각형의 크기를 선택합니다. 앞 falx 첨부 파일은 개관과 falx cerebri는 뒤쪽 지역 3 회색 선으로 감지의 능선의 정상 지점으로 검출된다.
- 이 단계는 이상적인 중간 선 위치를 수정 위의 감지 이러한 기능을 사용합니다. calvarum에서 앞 falx 첨부 파일과 뒤쪽 falx cerebri에서 먼 지점의 정상 지점이 지정되면, 세련된 이상적인 중간 선은 두 점을 연결하는 선입니다.
3. 심실 세분화
- 먼저 낮은 르를 적용벨 세분화는 각 중부 표준시 슬라이스 4,7에 대한 가우스 혼합 모델 (GMM)를 사용하여. 뼈 / 피, 뇌척수 (CSF), 회색 물질과 흰색 물질 : 중부 표준시 이미지는 조직의 4 종류로 나눌 수 있습니다. 가우스 혼합 모델의 초기화를 들어, 매개 변수는 중부 표준시 이미지의 K-방법을 반복 세분화 결과를 기준으로하여 계산됩니다. 그런 다음 더 나은 중부 표준시 이미지를 표현하기 위해 반복적으로 GMM을 최적화하기 위해 기대 - 극대화 (EM) 메소드를 사용합니다. 하드 분할 결과는 각 픽셀이 다른 지역 유형에 속해있는 회원의 최대 확률에 따라 지역에 중부 표준시 이미지를 분할하여 얻을 수 있습니다.
- GMM의 낮은 수준의 세분화 후, 심실 영역을 인식하기 위해 세분화 결과에 대한 자세한 제약 조건을 적용 할 수 있습니다. 특정 임계 값 위의 크기 만 심실 영역은 유지됩니다. 잘 뇌 경계 상자와 ventricl 집합을 사용하는 것과 심실 지역의 위치에 제약을 적용전자 템플릿. 표준 뇌 MR 영상에서 뇌실 템플릿의 집합을 추출하고 다른 과목과 병적 인 가지 경우 중 변화를 수용하기 위해 형태학의 팽창를 사용하여 확대.
4. 실제 중간 선 추정
- MR에서 추출 된 심실 템플릿에있는 기능 포인트를 지정합니다.
- 여러 지역 형태는 세그먼트 심실과 MR 템플릿 사이에 5,8 일치 마십시오.
- 형상 검색 기능을 사용하여 심실 모양의 식별 기능 포인트에 따라 실제 중간 선을 추정. 그런 다음 중간 선을 x 좌표를 정의 할 수있는 기능 포인트의 x-좌표의 의미 왼쪽 평균과 오른쪽의 평균을 사용합니다.
5. 더 많은 기능 Extractions
- 중부 표준시 이미지에서 얻은 가우스 혼합 모델 (GMM) 분류 결과에 따라 intracranial 출혈 / 출혈 볼륨을 측정합니다. 분할 결과 5월정맥 굴 혈액과 falx cerebri 등의 작은 지역을 clude 있지만, 일반적으로 혈종의 지역에 비해 무시 될 수 있습니다. 다음 각 슬라이스에 대한 혈액으로 분류 픽셀 수를 계산하고이를 요약. 최종 합계는 중부 표준시 시험의 extravasated 혈액 볼륨을 단정 지을.
- 텍스처 기능을 추출합니다. 먼저 회색과 흰색 물질을 캡처 각 중부 표준시 이미지에 여섯 창을 선택하지만 중부 표준시 이미지에 혈액과 심실 구조를 피하고, 그림 6을 참조하십시오. 회색 레벨 실행 길이 9, 히스토그램 분석, 푸리에 분석, 듀얼 나무 복합 웨이블릿 분석 10 : 다음 방법을 사용하여 해당 질감 기능을 압축을 풉니 다.
- 인구 통계 학적 정보와 부상 심각도 점수도 수집됩니다.
- 각 중부 표준시 이미지의 모든 추출 기능은 전체 중부 표준시 시험을 나타 내기 위해 집계됩니다. 특히, 분 (F), 최대는 (F), 중간 (F), (F), 표준은 (F) 알 사이에 계산됩니다 의미특정 중부 표준시 심사에 속하는 리터 선택한 기능은 정중선 변화 나 질감 기능의 기능 ƒ을 지정할 수있다. intracranial 출혈 금액 기능에 대해 위에 나열된 5 연산자 외에, 합이 (F)도 전체 혈액 양을 기록에 추가됩니다.
6. ICP 추정
ICP 추정의 주요 아이디어는 훈련 샘플 세트를 기반으로 모델을 구축 할 기계 학습 기술을 적용하는 것입니다. 그런 다음 만들어진 모델이 남아있는 테스트 샘플에 평가됩니다. 때문에 중부 표준시 스캔 및 인구 통계 학적 정보에서 포함 추출 기능의 높은 차원의, 기능 선택은 비교적 간단하므로 안정적인 모델 관련이없는 기능을 제거하는 것이 중요합니다. 따라서 ICP 견적 / 예상 수행 할 두 가지 단계가 있습니다. 첫째, ICPs을 예측의 정보를있는 상대 기능을 선택합니다. 두 번째 단계는로 지원 벡터 머신 (SVM)를 사용하는 것입니다알고리즘 훈련 모델을 개발하고 평가합니다. 학습 이 기계 학습 알고리즘의 대부분은 매우 잘 발달 도구와 모델을 교육하고 평가하는 매우 강력한 인터페이스를 제공하기 때문에 같은 RapidMiner 11와 같은 소프트웨어는이 작업에 이상적입니다.
- 두 단계로 기능 선택을 수행합니다. 먼저 상위 50 기능을 선택하려면 첫 번째 단계에서의 정보 이득 비율 기준을 사용합니다. 두 번째 단계에서, 상기 기능 선택을 최적화하기 위해 유전자 알고리즘을 포함하는 SVM을 사용합니다. 다음 단계에서 ICP 예측에 대한 모델을 구축 할 수 선택한 기능의 최종 세트를 사용합니다.
- 기계 학습 기술을 통해 ICP 분류 및 평가를 수행합니다. 교육 및 시험 서비스의 최상위 다이어그램은 그림 8에 RapidMiner에 표시됩니다. 평가를위한 outmost 층으로 10 배 크로스 유효성 검사 방식을 적용합니다. 더 나은 일반화와 모델을 구축하고 t으로 - 피팅 방지하기 위해그는 훈련 데이터, 둥지 각 교육 배 내부 교차 유효성 검사의 또 다른 레이어. 이러한 모듈에 먼저 위에 설명 된 기능 선택 과정을 적용하고 자신의 매개 변수를 선택 모듈 6 분류에 대한 SVM을 사용합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
테스트 중부 표준시 데이터 세트는 기관 검토위원회의 승인 아래 Carolinas 의료 시스템 (CHS)에 의해 제공되었다. 첫번째 병원에 입원했을 때 모든 과목은 심각한 외상성 뇌 손상에 약한 진단했다. 각 환자의 경우 ICP 값을 얻어되기 전에 및 중부 표준시 스캔 후 모두 심실 지역 내에서 ICP 프로브를 사용하여 시간마다 기록되었다. CT 촬영의 시간 내에 모두있는 각 CT 촬영, CT 스캔 시간 평균 ICP의 두 가장 가까운 측정을있는 ICP 값을 연결합니다. 그런 다음 CT 촬영시 예상 ICP 값으로 평균을 할당합니다. 그룹 두 클래스에 ICP 값 : 고가 ICP 경우 ICP> 12mm HG와 일반 ICP 경우 ICP ≤ 12mm HG. 데이터 세트 17 환자가 포함되어 있습니다. 이 세트에서 391 축 CT 촬영 이미지는 쇼 심실 또는 심실를 포함하고 있어야 지역. 그림 2는 이상적인 중간 선 검출의 결과를 보여줍니다 것이 선택됩니다. 그림 3, 통풍구에서ricles는 분할 수 있습니다. 그림 4는 예상 실제 중간 선을 보여줍니다. 그림 5는 정중선 변화의 추정을 보여줍니다. 그림 7은 GMM을 사용하여 혈액의 세분화를 보여줍니다. 성능의 정량적 평가도 수행됩니다. 대부분의 조각 (80 %)에서 프레임 워크에 의해 추정 이상적인 중간 선 및 수동 주석 사이의 오류가 1mm 약 2 픽셀, 주위에 있습니다. 실제 중간 선을 보려면 위의 80 %가 심실 세분화의 품질 (분할 결과의 품질이 실제 midlines의 평가를 사용할 수있을 경우는 "상대적으로 좋은"로 정의됩니다 상대적으로 좋은 한해 미만 2.25 mm 차이가 있습니다 수동으로). ICP 예측의 평가 중부 표준시 05시 07분 검사가 있습니다. 감도, 특이성 및 정확도 : 제안 된 방법의 결과는 다음과 같은 세 가지 조치를 사용하여 평가됩니다. 감도는 다음과 같이 정의됩니다
= # (참 탐지) / # (P 감도ositives).
특이성은 다음과 같이 정의됩니다
특이성 = # (TRUE 제외) / # (제외).
단정 정확도는 다음과 같이 정의됩니다
정확도 = # (총 샘플) (예측 수정) / #.
약 70 %의 정확성은 10 배 크로스 유효성 검사를 사용하여 우리의 연구에 달성되었습니다. 감도는 73 % 정도의 약 65 %와 특이성이 발견되었습니다. 이 데이터 세트에서 제안 된 방법의 특정 예측 전력을 제안 할 수 있습니다. 다음 단계는 다른 독립적 인 데이터 세트에 유사한 결과를 복제 할 것입니다.
1 그림. 방법의 최상위 프레임 워크 원시 중부 표준시 이미지 세 특징 추출 모듈이 있습니다. 중간 선 이동 측정, 텍스처 분석 및 파ood 금액 추정. 모든 추출 기능과 같은 인구 통계 학적 정보와 같은 다른 기록 정보는 ICP 수준을 예측하는 분류 모듈에 공급하고 있습니다.
그림 2. 이상적인 중간 선 검출의 결과. 빨간색 선은 대략적인 이상적인 중간 선입니다. 두 사각형 상자는 각각 뼈 돌출부와 낮은 falx cerebri의을 다룹니다. 이 상자는 관심 영역을 줄이기 위해 사용됩니다. 녹색 대시 라인은 정확하게 뼈 돌출부와 낮은 falx cerebri의를 캡처 최종 감지 이상적인 중간 선입니다.
그림 3. 심실 분할의 결과. 왼쪽 이미지는 원래의 중부 표준시 이미지입니다. 오른쪽 이미지는 follo으로 구성날개 라인 : 두개골, 네 줄, 다른 네 줄에 의해 형성되는 외부 경계 상자에 의해 형성된 내부 경계 상자의 내부 가장자리 일치 확대 뇌실 템플릿의 가장자리가 감지 심실 지역을 대표하는 붉은 지역, 회색 지역 대표 다른 지역은 심실을 인식에 여러 제약 조건을 적용한 후 심실되는 지역을 거부했습니다.
4 그림. 실제 중간 선 추정의 결과.이 그림은 서로 다른 심실 모양을 가진 다른 중부 표준시 이미지의 견적 결과를 보여줍니다. 흰색 지역 분류 심실 지역입니다. 파란색 윤곽은 검색된 심실 템플릿의 가장자리입니다. 빨간색 점은 실제 중간 선을 계산하는 데 사용되는 심실의 내부 가장자리를 대표하는 기능 포인트를 감지합니다. 녹색 선은 최종 추정 actu입니다알 중간 선. 큰 그림을 보려면 여기를 클릭하십시오 .
그림 5. 정중선 변화 추정의 결과는. 왼쪽 이미지는 입력 중부 표준시 슬라이스를 보여줍니다. 오른쪽 이미지는 그림 3과 비슷한 가공 결과를 보여줍니다. 왼쪽 수직 녹색 줄은 예상 이상적인 중간 선을 나타냅니다, 오른쪽 세로 녹색 줄은 예상 실제 중간 선을 나타냅니다. 두 줄 사이의 거리가 예상 중간 선 이동합니다.
6 그림. 텍스처 분석을위한 여섯 선택한 창문이 있습니다. 선택한 창문은 심실을 피 빨간색 사각형입니다.
그림 7. 혈액 세분화가. 왼쪽 이미지는 입력 중부 표준시 이미지입니다. 오른쪽 이미지는 GMM 방법으로 생성 된 세그먼트지도를 보여줍니다. 밝은 지역은 혈액 지역에 해당합니다.
그림 8. RapidMiner의 최상위 교차 유효성 검사가. 왼쪽 창은 교육 과정에서 모듈을 표시하고 오른쪽 창은 테스트 과정에서 모듈을 보여줍니다. 교육 과정에서 먼저 기능을 선택하기 위해 정보 게인 모듈과 유전자 알고리즘 모듈을 사용합니다. 그런 다음 SVM은 분류 작업을 수행하는 데 사용됩니다. SVM의 매개 변수 조정은 최적화 매개 변수 과정에서 교차 검증 중첩을 통해 이루어집니다. 최종 전체 훈련 모델은 모든 trai를 사용하여 OuterSVM 프로세스에서 출력데이터를 닝. 테스트 모듈에서 선택한 기능이 사용되며 훈련 모델이 평가됩니다. 큰 그림을 보려면 여기를 클릭하십시오 .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
중부 표준시 이미지와 추출 기능에 따라 ICP 수준의 예측에 정중선 변화의 추정 : 본 연구에서는 직관적이고 유연한 프레임 워크는 두 도전 문제를 해결하기 위해 제안합니다. 평가 결과는 제안 된 방법의 효과를 보여줍니다. 우리가 아는 한,이 두 문제를 해결에 체계적으로 연구의 첫 번째 시간입니다. 우리는 일반적으로 프레임 워크를 기반으로, 달성 될 수있는 잠재적 인 개선이 있다는 것을 확인합니다. 예를 들어, 제안 된 분류에서, 낮은 수준의 세분화 및 높은 수준의 인식이 분리되어 현재 높은 수준에서 낮은 수준의 세분화는 전혀 의견이 없습니다. 이것은 낮은 수준의 비전과 높은 수준의 인식 사이의 상호 작용이 인간의 육안 검사에서 차이가 있습니다. 함께이 두 수준을 결합하는 한 잠재적 인 접근 방식은 소위 "모델 기반의 낮은 수준의 세분화"입니다. 이 방법에서 낮은 수준의 세분화는 일에 안내되어 있습니다대상 구조의 전자 높은 수준의 아틀라스 모델. 예를 들어, 등록 알고리즘은 표준 중부 표준시 이미지를 중부 표준시 이미지를 정렬하는 첫 번째 단계에서 적용 할 수 있습니다. 이 중부 표준시 이미지 및 표준 중부 표준시 이미지 사이의 뇌 구조에보다 정확한지도를 제공 할 수 있습니다 있기 때문에 더욱뿐만 아니라 정중선 변화의 추정과 같은 심실 인식의 정확성을 향상시킬 수 있습니다. ICP 예측의 경우, 결과는 테스트 데이터 세트에 따라 약속에도 불구하고, 우리는 샘플의 크기가 제한되고 있다는 사실을 알 수해야합니다. 또 다른 독립적 인 데이터 세트에 따라 결과를 확인하고 더 설득력이 될 것입니다. ICP 예측을위한 학습 기계의 응용 프로그램에서 샘플 크기는 매우 중요한 요소입니다. 중부 표준시 이미지와 ICP 신호 모두에 더 많은 다른 패턴을 포함 할 수 있습니다 중부 표준시 시험,의 큰 데이터 세트는 제안 된 프레임 워크의 더 많은 정보를 평가를 제공 할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
관심 없음 충돌이 선언 없습니다.
Acknowledgments
자료는 부분적으로 부여 번호 IIS0758410 아래에있는 국립 과학 재단 (National Science Foundation)의 지원 작업에 기반을두고 있습니다. 데이터는 Carolinas 의료 시스템에 의해 공급되었다.
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).
