Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2010

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: badanie dynamicznej perfuzji mózgu

Sortuj według:

Ogranicz wyniki do:

Komputerowe wspomaganie detekcji zmian chorobowych w badaniach perfuzji mózgowej

Ogiela M. R., Hachaj T.

Pomiary Automatyka Kontrola

2010

R. 56, nr 5

453-456

Autorzy artykułu prezentują nowoczesne podejście do zadania komputerowego wspomagania detekcji zmian chorobowych perfuzji mózgowej. Na podstawie zaprezentowanego w tej pracy algorytmu stworzony został systemu wspomagający diagnozę medyczną, którego działanie zostało sprawdzone na rzeczywistych danych medycznych. Rozmiar zbioru testowego obejmował 75 zestawów zobrazowań pochodzących od 30 różnych pacjentów (w zbiorze tym znajdowały się zarówno zobrazowania pacjentów, u których zdiagnozowano zmiany perfuzyjne o różnym stopniu nasilenia, jak i pacjenci z prawidłowymi wartościami perfuzji). W 77,3% przypadkach opis zdjęcia wygenerowany przez algorytm autorów był taki sam jak opis sporządzony przez lekarza radiologii.

The paper presents a novel approach to analysis of brain perfusion maps based on automatic image understanding. Perfusion-weighted CT (computer tomography) and MR (magnetic resonance) tech-niques, in contrast to MR and CT angiography detecting bulk vessel flow, are sensitive to microscopic, tissue-level blood flow. PCT (perfusion CT) technique enables evaluating total and regional blood flows per unit time. PCT gives a variety of functional maps of cerebral perfusion parameters such as regional Cerebral Blood Flow (CBF), Cerebral Blood Volume (CBV) and Mean Transit Time (MTT). Each pixel of a perfusion map corresponds to the perfusion value at a given point. The colour images help quick diagnosis of an acute stroke in the event of a crisis (Fig. 1). Computer vision at the current development stage offers three types of computer image handling methods [1]: image processing (quality improvement, distinguishing object of interests from the whole complex image), image analysis (defining the features of entire image or particular objects) and pattern recognition. The fusion of those three methods with medical knowledge leads to complete understanding of the visualized symptoms (Fig. 2) [13]. Automatic image understanding of medical images is a new approach that enables drawing con-clusions about the nature of the observed disease process (Fig. 3) as well as deciding on the way in which this pathology can be cured of with use of various therapeutics methods. The validation of the presented algorithms was performed on a set of 75 triplets of medical images acquired from 30 different adult patients (men and women) with suspected ischemia / stroke. In 77.3% cases description generated by the algorithm match the diagnosis made by a physician.