XiaoMi-AI文件搜索系统
World File Search System脑出血
不同模式经颅电刺激改善胶原酶诱导的脑出血大鼠运动功能障碍及纹状体组织损伤
摘要背景：在脑出血（ICH）的治疗限制领域，近年来非侵入性经颅电刺激（tES）取得了长足的发展。转化研究推测经颅直流电刺激（tDCS）和其他类型的 tES 仍然是一种潜在的新型治疗选择，可以逆转或稳定认知和运动障碍。目的：本研究旨在比较评估 tDCS、经颅交流（tACS）、脉冲（tPCS）和随机噪声（tRNS）刺激等四种主要 tES 模式对胶原酶诱导的雄性大鼠感觉运动障碍和纹状体组织损伤的影响。方法：为了诱发 ICH，将 0.5 μl 胶原酶注射到雄性 Sprague Dawley 大鼠的右侧纹状体中。手术后一天，对动物连续七天施加 tES。在手术前一天和术后第 3、7 和 14 天通过神经功能缺损评分、转棒和悬线测试评估运动功能。行为测试后，适当准备脑组织以进行立体学评估。结果：结果表明，四种 tES 模式（tDCS、tACS、tRNS 和 tPCS）的应用显著逆转了胶原酶诱导的 ICH 组的运动障碍。此外，tACS 和 tRNS 接受大鼠在悬线和转棒测试中的运动功能改善高于其他两个 tES 接受组。结构变化和立体学评估也证实了行为功能的结果。结论：我们的研究结果表明，除了 tDCS 在 ICH 治疗中的应用外，其他 tES 模式，尤其是 tACS 和 tRNS 可被视为中风的附加治疗策略。关键词：脑出血，纹状体，经颅电刺激，运动功能，体视学
通过成本敏感的机器学习在计算机断层扫描中检测脑出血
一位训练有素的放射科医生确认了这些图像的真实性，并没有发现任何标记错误的图像。因此，没有丢弃任何图像。为了在现实临床场景中最准确地反映模型的性能，图像没有以任何方式增强。随后创建了两个数据集：一个包含 160 幅图像的训练数据集和一个包含 40 幅图像的测试数据集。两个数据集中的出血性和非出血性 CT 扫描数量相等。值得注意的是，该数据集包含从万维网上搜索中获取的图像，因此由于源机器、患者状况、扫描时间、辐射剂量等的差异而引入了高度的异质性。这个问题因数据集较小而变得更加严重，因此这里获得的结果可能只是对所采用技术的实际潜力的保守估计 [17,18]。
创伤性脑出血的自适应图像分割
摘要 - 利用计算机技术建立有效的解决方案来提高创伤性脑损伤 (TBI) 诊断的速度和效率是一项挑战。相关文献中提出了几种涉及不同精度和一定程度工作量的分割方法，并对其进行了详细描述。脑图像分割是重要的临床诊断工具之一。本文提出了一种改进的 (MDRLSE) 算法，用于计算机断层扫描 (CT) 图像上的出血分割。利用消除模糊边缘的图像噪声来描绘出血区域的精确边界。所提出的分割技术实现了 97.16% 的准确率。该技术使用基于边缘的轮廓模型进行图像分割，提供简单的窄带以显着降低计算成本。性能结果表明，它对于具有各种特征的脑图像中的 TBI 图像分割是有效的。
使用简约机器学习CT扫描图像中的脑出血分类
摘要：随着时间的流逝，已为模式分类生成了无数的应用。几个案例研究包括参数分类器，例如多层感知器（MLP）分类器，这是当今使用最广泛的分类器之一。其他人使用非参数分类器，支持向量机（SVM），K-Nearest邻居（K-NN），幼稚的贝叶斯（NB），Adaboost和Random Forest（RF）。但是，仍然几乎没有针对人工智能（AI）的新趋势的工作，该趋势被称为可解释的人工智能（X-AI）。这种新趋势旨在使机器学习（ML）算法越来越简单且易于理解用户。因此，在这项工作中，在这项工作中，作者基于新型极简主义机器学习（MML）范式的实现以及更高的相关性属性选择算法，开发了一种新的模式分类方法，我们称之为DMeans。我们检查并比较了该方法的性能与MLP，NB，KNN，SVM，ADABOOST和RF分类器，以执行计算机断层扫描（CT）脑图像的分类任务。这些灰度图像的面积为128×128像素，并且数据集中有两个类别可用：CT无出血和CT，具有室内出血（IVH）的CT，使用剩余的交叉验证方法对它们进行了分类。大多数通过一对一的交叉验证测试的模型的精度在50％至75％之间，而灵敏度和灵敏度在58％至86％之间。使用我们的方法进行的实验与观察到的最佳分类器相匹配，其精度为86.50％，并且它们的表现优于特定的所有最先进的算法，而91.60％的算法的表现。这种性能是通过简单且实用的方法齐头并进的，这些方法与这种易于解释的算法的趋势并驾齐驱。
研究文章是一种智能机器学习模型，用于检测智能城市中基于脑出血诊断的物联网
一般而言，启用互联网的出现在过去几年中激发了世界的启发，为各种问题提供了针对不同问题的国家和新颖的解决方案。进化场主要由无线传感器网络，射频识别和智能移动技术领导。除其他外，Iotplay在智能医疗设备和可穿戴设备的形式中起关键作用，具有收集多种多样和纵向患者生成的健康数据的能力，同时也可以提供初步诊断选项。在为使用基于物联网的解决方案帮助患者提供帮助的效果方面，专家利用机器学习算法的能力来提供出血诊断中有效的解决方案。为了降低死亡率并提出准确的治疗，本文使用机器学习算法进行了基于智能物联网的智能应用，用于人脑出血诊断。基于用于颅内数据集的计算机层析成像扫描图像，支持向量机和馈电神经网络已用于分类目的。总体而言，分别针对支持向量机和前馈神经网络计算的分类结果为80.67％和86.7％。从结果分析得出的结论是，前馈神经网络在分类颅内图像中的表现优于表现。te输出提供了有关最终有助于验证专家诊断的脑出血类型的信息，并被视为学员放射科医生的学习工具，以最大程度地减少可用系统中的错误。