automated-midline-shift-intracranial-pressure-estimation-based-on

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

In this paper we present an automated system based mainly on the computed tomography (CT) images consisting of two main components: the midline shift ...

Virginia Commonwealth University

This research proposes to develop a monitoring system which uses Electrocardiograph (ECG) as a fundamental physiological signal, to analyze and predict the presence or lack of cognitive attention in individuals during a task execution. The primary focus of this study is to identify the correlation between fluctuating level of attention and its implications on the cardiac rhythm recorded in the ECG. Furthermore, Electroencephalograph (EEG) signals are also analyzed and classified for use as a benchmark for comparison with ECG analysis. Several advanced signal processing techniques have been implemented and investigated to derive multiple clandestine and informative features from both these physiological signals. Decomposition and feature extraction are done using Stockwell-transform for the ECG signal, while Discrete Wavelet Transform (DWT) is used for EEG. These features are then applied to various machine-learning algorithms to produce classification models that are capable of differentiating between the cases of a person being attentive and a person not being attentive. The presented results show that detection and classification of cognitive attention using ECG are fairly comparable to EEG.

An automated optimal engagement and attention detection system using electrocardiogram.

Cette recherche se propose de d&eacute;velopper un syst&egrave;me de surveillance qui utilise l&#39;&eacute;lectrocardiogramme (ECG) comme un signal physiologique fondamental, d&#39;analyser et de pr&eacute;voir la pr&eacute;sence ou l&#39;absence d&#39;attention cognitive chez les personnes au cours de l&#39;ex&eacute;cution d&#39;une t&acirc;che. L&#39;objectif principal de cette &eacute;tude est de d&eacute;terminer la corr&eacute;lation entre les fluctuation de niveau d&#39;attention et de ses cons&eacute;quences sur le rythme cardiaque enregistr&eacute; dans l&#39;ECG. En outre, &eacute;lectroenc&eacute;phalographe (EEG) signaux sont &eacute;galement analys&eacute;s et class&eacute;s pour servir de r&eacute;f&eacute;rence pour la comparaison avec l&#39;analyse de l&#39;ECG. Plusieurs techniques de traitement du signal avanc&eacute; ont &eacute;t&eacute; mis en place et &eacute;tudi&eacute;s pour d&eacute;river des multiples fonctionnalit&eacute;s clandestines et instructives de ces deux signaux physiologiques. D&eacute;composition et extraction de caract&eacute;ristiques se font &agrave; l&#39;aide de Stockwell-transformation du signal ECG, tandis que Discrete Wavelet Transform (DWT) est utilis&eacute; pour l&#39;EEG. Ces caract&eacute;ristiques sont ensuite appliqu&eacute;s &agrave; divers algorithmes d&#39;apprentissage automatique de produire des mod&egrave;les de classification qui sont capables de diff&eacute;rencier les cas d&#39;une personne &eacute;tant attentif et une personne n&#39;&eacute;tant ne pas attentif. Les r&eacute;sultats pr&eacute;sent&eacute;s montrent que la d&eacute;tection et la classification d&#39;attention cognitive &agrave; l&#39;aide d&#39;ECG sont assez comparables &agrave; l&#39;EEG.

Une optimal l&#39;engagement et l&#39;attention d&eacute;tection syst&egrave;me automatis&eacute; &agrave; l&#39;aide d&#39;&eacute;lectrocardiogramme.

Questa ricerca si propone di sviluppare un sistema di monitoraggio che utilizza elettrocardiografo (ECG) come un fondamentale segnale fisiologico, per analizzare e predire la presenza o la mancanza di attenzione cognitiva in individui durante l&#39;esecuzione di un compito. L&#39;obiettivo primario di questo studio &egrave; quello di identificare la correlazione tra il livello fluttuante di attenzione e le sue implicazioni sul ritmo cardiaco registrate in ECG. Inoltre, i segnali elettroencefalografiche (EEG) sono anche analizzati e classificati per uso come punto di riferimento per il confronto con analisi ECG. Diverse tecniche di elaborazione avanzata del segnale sono state implementate e indagate per derivare molteplici caratteristiche clandestini e informativi da entrambi questi segnali fisiologici. Decomposizione ed estrazione di caratteristiche sono fatte usando Stockwell-trasformazione del segnale ECG, mentre Discrete Wavelet Transform (DWT) &egrave; utilizzato per EEG. Queste caratteristiche vengono poi applicate a vari algoritmi di apprendimento automatico per la produzione di modelli di classificazione che sono in grado di distinguere tra i casi di una persona di essere attento e una persona non sta attento. I risultati presentati mostrano che il rilevamento e la classificazione di attenzione cognitiva mediante ECG sono abbastanza paragonabile a EEG.

Un&#39;ottimo impegno e attenzione rilevamento sistema automatizzato tramite elettrocardiogramma.

Detection of hypovolemia prior to overt hemodynamic decompensation remains an elusive goal in the treatment of critically injured patients in both civilian and combat settings. Monitoring of heart rate variability has been advocated as a potential means to monitor the rapid changes in the physiological state of hemorrhaging patients, with the most popular methods involving calculation of the R-R interval signal's power spectral density (PSD) or use of fractal dimensions (FD). However, the latter method poses technical challenges, while the former is best suited to stationary signals rather than the non-stationary R-R interval. Both approaches are also limited by high inter- and intra-individual variability, a serious issue when applying these indices to the clinical setting. We propose an approach which applies the discrete wavelet transform (DWT) to the R-R interval signal to extract information at both 500 and 125Â Hz sampling rates. The utility of machine learning models based on these features were tested in assessing electrocardiogram signals from volunteers subjected to lower body negative pressure induced central hypovolemia as a surrogate of hemorrhage. These machine learning models based on DWT features were compared against those based on the traditional PSD and FD, at both sampling rates and their performance was evaluated based on leave-one-subject-out fold cross-validation. Results demonstrate that the proposed DWT-based model outperforms individual PSD and FD methods as well as the combination of these two traditional methods at both sample rates of 500Â Hz (p value <0.0001) and 125Â Hz (p value <0.0001) in detecting the degree of hypovolemia. These findings indicate the potential of the proposed DWT approach in monitoring the physiological changes caused by hemorrhage. The speed and relatively low computational costs in deriving these features may make it particularly suited for implementation in portable devices for remote monitoring.

Heart rate variability analysis during central hypovolemia using wavelet transformation.

D&eacute;tection de l&#39;hypovol&eacute;mie avant d&eacute;compensation h&eacute;modynamique manifeste reste un objectif difficile &agrave; atteindre dans le traitement des patients gravement bless&eacute;s civils et param&egrave;tres de combats. Suivi de la variabilit&eacute; de la fr&eacute;quence cardiaque a &eacute;t&eacute; pr&eacute;conis&eacute;e comme un potentiel &agrave; surveiller les changements rapides dans l&#39;&eacute;tat physiologique des patients h&eacute;morragies, avec les m&eacute;thodes les plus populaires concernant le calcul de la densit&eacute; spectrale de puissance de signal intervalle R-R (PSD) ou l&#39;utilisation de dimensions fractales (FD). Cependant, cette derni&egrave;re m&eacute;thode poses d&eacute;fis techniques, tandis que le premier est le meilleur adapt&eacute; aux signaux fixes plut&ocirc;t que de l&#39;intervalle R-R non stationnaires. Les deux approches sont &eacute;galement limit&eacute;es par inter - et intra - individual variabilit&eacute; &eacute;lev&eacute;e, un grave probl&egrave;me lorsque vous appliquez ces indices au milieu clinique. Nous proposons une approche qui s&#39;applique &agrave; la transformation en ondelettes discr&egrave;tes (DWT) le signal d&#39;intervalle R-R pour extraire des informations &agrave; des fr&eacute;quences d&#39;&eacute;chantillonnage de 500 et 125 Hz. L&#39;utilit&eacute; des mod&egrave;les d&#39;apprentissage automatique bas&eacute;e sur ces caract&eacute;ristiques ont &eacute;t&eacute; test&eacute;s dans l&#39;&eacute;valuation des signaux &eacute;lectrocardiographiques de volontaires soumis pour abaisser le corps pression n&eacute;gative induite par hypovol&eacute;mie central comme un substitut de l&#39;h&eacute;morragie. Ces mod&egrave;les &agrave; apprentissage machine bas&eacute;es sur les caract&eacute;ristiques de TPL ont &eacute;t&eacute; compar&eacute;es &agrave; celles fond&eacute;es sur le traditionnel PSD et FD, aux fr&eacute;quences d&#39;&eacute;chantillonnage &eacute;lev&eacute;es tant leur performance a &eacute;t&eacute; &eacute;valu&eacute;e d&#39;apr&egrave;s le pli leave-one-sujet-out la validation crois&eacute;e. Les r&eacute;sultats d&eacute;montrent que le mod&egrave;le propos&eacute; de DWT surpasse les m&eacute;thodes PSD et FD individuelles ainsi que la combinaison de ces deux m&eacute;thodes traditionnelles &agrave; deux fr&eacute;quences d&#39;&eacute;chantillonnage de 500 Hz (valeur p &lt; 0,0001) et 125 Hz (valeur p &lt; 0,0001) pour d&eacute;tecter le degr&eacute; de l&#39;hypovol&eacute;mie. Ces r&eacute;sultats indiquent le potentiel de l&#39;approche propos&eacute;e de TPL &agrave; surveiller les changements physiologiques provoqu&eacute;s par l&#39;h&eacute;morragie. La vitesse et la relativement faibles les co&ucirc;ts en d&eacute;coulant de ces caract&eacute;ristiques peuvent rendre particuli&egrave;rement adapt&eacute; pour la mise en &oelig;uvre des appareils portatifs pour la t&eacute;l&eacute;surveillance.

Analyse de variabilit&eacute; de fr&eacute;quence cardiaque au cours de l&#39;hypovol&eacute;mie centrale &agrave; l&#39;aide de la transformation par ondelettes.

Rilevamento di ipovolemia prima di scompenso emodinamico palese resta un obiettivo sfuggente nel trattamento di pazienti gravemente feriti civili sia le impostazioni di combattimento. Monitoraggio della variabilit&agrave; della frequenza cardiaca &egrave; stato sostenuto come un potenziale strumento per monitorare i rapidi cambiamenti nello stato fisiologico dei pazienti hemorrhaging, con i metodi pi&ugrave; popolari che coinvolgono il calcolo della densit&agrave; spettrale di potenza del segnale di intervallo R-R (PSD) o l&#39;uso di dimensioni frattali (FD). Tuttavia, il metodo quest&#39;ultimo pone sfide tecniche, mentre l&#39;ex &egrave; meglio adatto per segnali stazionari, piuttosto che l&#39;intervallo R-R non-stazionarie. Entrambi gli approcci sono limitati anche dalla alta inter - e intra - individual variabilit&agrave;, un problema serio durante l&#39;applicazione di questi indici in ambito clinico. Proponiamo un approccio che si applica la trasformata wavelet discreta (DWT) il segnale di intervallo R-R per estrarre informazioni a 500 sia 125 Hz frequenze di campionamento. L&#39;utilit&agrave; dei modelli di apprendimento automatico sulla base di queste caratteristiche sono state testate nel valutare segnali elettrocardiogramma da volontari sottoposti per abbassare il corpo pressione negativa indotta da ipovolemia centrale come un surrogato di emorragia. Questi modelli di apprendimento macchina basati su caratteristiche DWT sono stati confrontati con quelli basati sulla tradizionale PSD e FD, a frequenze di campionamento e la loro performance &egrave; stata valutata basata sulla piega leave-one-soggetto-out cross-validazione. Risultati dimostrano che il modello basato su DWT proposto supera singoli metodi FD e PSD cos&igrave; come la combinazione di questi due metodi tradizionali a due frequenze di campionamento di 500 Hz (valore p &lt; 0,0001) e 125 Hz (valore p &lt; 0,0001) nella rilevazione del grado di ipovolemia. Questi risultati indicano le potenzialit&agrave; dell&#39;approccio proposto DWT nel monitorare i cambiamenti fisiologici provocati da emorragia. La velocit&agrave; e costi relativamente bassi computazionali di derivazione di queste caratteristiche possono rendere particolarmente adatto per la realizzazione di dispositivi portatili per il monitoraggio remoto.

Analisi di variabilit&agrave; di frequenza cardiaca durante ipovolemia centrale mediante trasformazione wavelet.

The volumes of current patient data as well as their complexity make clinical decision making more challenging than ever for physicians and other care givers. This situation calls for the use of biomedical informatics methods to process data and form recommendations and/or predictions to assist such decision makers. The design, implementation, and use of biomedical informatics systems in the form of computer-aided decision support have become essential and widely used over the last two decades. This paper provides a brief review of such systems, their application protocols and methodologies, and the future challenges and directions they suggest.

Biomedical informatics for computer-aided decision support systems: a survey.

Les volumes de donn&eacute;es actuelles du patient, mais aussi leur complexit&eacute; rendre des d&eacute;cisions cliniques plus difficile que jamais pour les m&eacute;decins et autres soignants. Cette situation n&eacute;cessite l&#39;utilisation de m&eacute;thodes d&#39;informatique biom&eacute;dicale &agrave; traiter des donn&eacute;es et des recommandations de forme et/ou des pr&eacute;dictions afin d&#39;aider ces d&eacute;cideurs. La conception, impl&eacute;mentation et utilisation des syst&egrave;mes d&#39;informatique biom&eacute;dicale sous forme d&#39;aide &agrave; la d&eacute;cision assist&eacute;e par ordinateur sont devenus essentiels et largement utilis&eacute; au cours des deux derni&egrave;res d&eacute;cennies. Ce document pr&eacute;sente un bref aper&ccedil;u de ces syst&egrave;mes, leurs protocoles d&#39;application et m&eacute;thodologies et les d&eacute;fis futurs et orientations qu&#39;ils sugg&egrave;rent.

Informatique biom&eacute;dicale pour les syst&egrave;mes de support de d&eacute;cision assist&eacute;e par ordinateur : une enqu&ecirc;te.

I volumi di dati attuali del paziente, come pure la loro complessit&agrave; rendono clinico decisionale pi&ugrave; impegnativo che mai per i medici e altri care givers. Questa situazione richiede l&#39;uso di metodi di informatica biomedica per elaborare dati e raccomandazioni di forma o previsioni per assistere tali decisori. Progettazione, implementazione e utilizzo di sistemi di informatica biomedica sotto forma di computer-aided decision support sono diventati essenziali e ampiamente utilizzato negli ultimi due decenni. Questo libro fornisce una breve rassegna di tali sistemi, loro protocolli di applicazione e metodologie e le sfide future e indicazioni che suggeriscono.

Informatica biomedica per sistemi di supporto decisionale di computer-aided: un&#39;indagine.

La segmentation et la quantification des noyaux cellulaires sont deux t&acirc;ches tr&egrave;s importantes dans l&#39;analyse des images histologiques. Des r&eacute;sultats pr&eacute;cis de segmentation de noyaux cellulaires sont souvent adapt&eacute;s &agrave; une vari&eacute;t&eacute; d&#39;applications telles que la d&eacute;tection des noyaux des cellules canc&eacute;reuses et l&#39;observation des &eacute;v&eacute;nements cellulaires qui se chevauchent, se produisant au cours de plaie des processus de gu&eacute;rison dans le corps humain. Dans cet article, un syst&egrave;me automatis&eacute; de seuillage ax&eacute;e sur l&#39;entropie pour la segmentation et quantification des noyaux de cellules d&#39;images color&eacute;es sur le plan histologique a &eacute;t&eacute; pr&eacute;sent&eacute;. Le syst&egrave;me de calcul translationnelle propos&eacute; vise &agrave; int&eacute;grer la perspicacit&eacute; clinique et analyse computationnelle en identifiant et segmenter les objets d&#39;int&eacute;r&ecirc;t au sein des images histologiques. Objets d&#39;int&eacute;r&ecirc;t et fond des r&eacute;gions on distingu&eacute;s automatiquement d&eacute;terminer dynamiquement les 3 valeurs de seuil optimal pour les composants 3 couleur d&#39;une image d&#39;entr&eacute;e. Les valeurs seuils sont d&eacute;termin&eacute;s au moyen de calculs d&#39;entropie qui reposent sur les distributions de probabilit&eacute; de l&#39;intensit&eacute; des couleurs des pixels et la similarit&eacute; spatiale des intensit&eacute;s des pixels dans les quartiers. L&#39;efficacit&eacute; du syst&egrave;me propos&eacute; a &eacute;t&eacute; test&eacute;e sur 21 images histologiquement teint&eacute;s contenant des noyaux environ 1800, et la performance globale de l&#39;algorithme s&#39;est av&eacute;r&eacute;e prometteur, avec une pr&eacute;cision et des valeurs de pr&eacute;cision.

Base d&#39;entropie automatique segmentation des noyaux cellulaires et quantification : application &agrave; l&#39;analyse des processus de cicatrisation.

The segmentation and quantification of cell nuclei are two very significant tasks in the analysis of histological images. Accurate results of cell nuclei segmentation are often adapted to a variety of applications such as the detection of cancerous cell nuclei and the observation of overlapping cellular events occurring during wound healing process in the human body. In this paper, an automated entropy-based thresholding system for segmentation and quantification of cell nuclei from histologically stained images has been presented. The proposed translational computation system aims to integrate clinical insight and computational analysis by identifying and segmenting objects of interest within histological images. Objects of interest and background regions are automatically distinguished by dynamically determining 3 optimal threshold values for the 3 color components of an input image. The threshold values are determined by means of entropy computations that are based on probability distributions of the color intensities of pixels and the spatial similarity of pixel intensities within neighborhoods. The effectiveness of the proposed system was tested over 21 histologically stained images containing approximately 1800 cell nuclei, and the overall performance of the algorithm was found to be promising, with high accuracy and precision values.

An entropy-based automated cell nuclei segmentation and quantification: application in analysis of wound healing process.

La segmentazione e la quantificazione dei nuclei delle cellule sono due attivit&agrave; molto significativo nell&#39;analisi di immagini istologiche. Risultati accurati di segmentazione nuclei delle cellule sono spesso adattati a una variet&agrave; di applicazioni come il rilevamento dei nuclei delle cellule cancerose e l&#39;osservazione degli eventi cellulari sovrapposti che si verificano durante il processo di guarigione della ferita nel corpo umano. In questo libro, &egrave; stato presentato un sistema automatizzato basato su entropia la soglia per la segmentazione e quantificazione dei nuclei delle cellule da immagini istologicamente macchiati. Il sistema di calcolo traslazionale proposto mira a integrare comprensione clinica e analisi computazionale di identificare e segmentare gli oggetti di interesse all&#39;interno delle immagini istologiche. Gli oggetti di interesse e sfondo delle regioni automaticamente si distinguono per determinare dinamicamente 3 valori di soglia ottimale per i componenti di 3 colori di un&#39;immagine di input. I valori di soglia sono determinati mediante calcoli di entropia che si basano su distribuzioni di probabilit&agrave; dell&#39;intensit&agrave; di colore dei pixel e la somiglianza spaziale di intensit&agrave; di pixel all&#39;interno di quartieri. L&#39;efficacia del sistema proposto &egrave; stato testato oltre 21 immagini istologicamente colorati contenente nuclei di circa 1800 cell, e le prestazioni dell&#39;algoritmo &egrave; stata trovata per essere promettente, con elevata accuratezza e precisione valori.

Un&#39;entropia-based automatizzato segmentazione nuclei delle cellule e quantificazione: applicazione nell&#39;analisi del processo di guarigione di ferite.

Ashwin Belle

Department of Computer Science

Virginia Commonwealth University

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images