XiaoMi-AI文件搜索系统
World File Search System内出血
新生儿的颅内出血：原因，诊断和管理
新生婴儿中有症状性颅内出血（ICH）的发生率可能是1：2,000自发性出生，1：850真空提取和1：650镊子辅助递送。颅内出血经常与新生儿的不良神经发育结局有关，因为围产期是脑发育的关键窗口。在术语新生儿中，ICH通常由于机械损伤而发生在分娩期间。另一方面，由于血液动力学不稳定性和生发基质（GM）脉管系统的脆弱性，早产儿经常出现ICH。基于出血的位置，ICH通常被描述为硬膜外，硬膜下，蛛网膜下腔，脑室室内和实质性出血。新生儿ICH的原因是多因素，包括与早产，出血性中风，感染，血管畸形，出血性疾病和遗传原因有关的出血。肠道旁路/体外膜氧合（ECMO）期间的凝血病也可能是原因。大多数患者可以在没有手术干预的情况下进行管理。某些有症状的婴儿可能需要神经外科手术，例如外部室引流和/或心室术分流（S）。神经发育结果因大脑，病因，位置和出血程度的成熟而有所不同。在临床上有关并发症可能包括发育延迟，白细胞，抽搐，脑瘫和其他神经系统疾病。在本文中，我们回顾了新生儿ICH的类型，病因，严重性和临床结果。新生儿（2024）：10.5005/jp-journals-11002-0097关键字：硬膜外，生发基质脉管系统，出血性中风，婴儿，感染，脑室室内，新生儿，实质，硬膜下，蛛网膜下腔。
与混合模型的无监督急性颅内出血分割
摘要 - 当血管在脑组织内或颅骨内部的其他地方破裂或泄漏时，会发生颅内出血。这可能是由身体创伤或各种医疗状况引起的，在许多情况下会导致死亡。必须尽快开始治疗，因此应准确，快速诊断出出血。诊断通常是由放射科医生进行的，他分析了计算机断层扫描（CT）扫描，该扫描包含整个大脑的大量横截面图像。手动分析每个图像可能非常耗时，但是自动化技术可以帮助加快流程。尽管最近的许多研究都通过使用监督的机器学习算法来解决此问题，但由于隐私问题，公开可用的培训数据仍然很少。可以通过无监督的算法来缓解此问题。在本文中，我们提出了一种基于混合模型的完全无监督算法。我们的算法利用了这样一个事实，即出血和健康组织的性质遵循不同的分布，因此，对这些分布的适当表述使我们能够通过预期最大化的过程将它们分开。此外，我们的算法能够自适应地确定簇的数量，从而在不包括嘈杂的体素的情况下可以找到所有出血区域。我们在公共可用数据集上演示了我们的算法结果，这些数据集包含各种大小和强度的所有不同出血类型，我们的结果与早期的无监督和监督算法进行了比较。结果表明，我们的算法可以胜过大多数出血类型的其他算法。索引术语 - 计算机辅助诊断，颅内下摆，计算机断层扫描，混合模型，无监督的机器学习
CT旋转符号在脑内出血和血肿膨胀的关联
背景与目标：血肿的扩张是原发性急性脑内出血（ICH）临床结果不佳的重要预测指标。旋流符号被描述为一个被超密集急性出血包围的缺陷或同管的区域。这项研究旨在描述ICH中的漩涡迹象，其流行率，并确定漩涡迹象，漩涡体积以及漩涡与初始血肿的比率是否与血肿的扩张相关，并预测ICH中的临床结果。方法：包括96小时内具有初始ICH（CT1）和重复CT（CT2）的163例患者。使用“ ITK SNAP”的半自动分割计算了旋流符号，其体积和旋流体积与血肿体积的比率与血肿体积的比率相比。统计分析以评估血肿扩展的数据参数以及1个月的功能结果和死亡率之间的关系。结果：卡方检验表明，漩涡符号与血肿的膨胀（P <0.001）与MRS分数（p <0.05）之间存在显着关联。Spearman相关性显示漩涡迹象与血肿膨胀体积之间存在显着的中等相关性（r = 0.518，p <0.001）。漩涡体积/初始血肿的比例表现出低相关性，但随着血肿膨胀而显着（r = 0.28 p <0.05）。结论：漩涡符号，其体积以及旋流体积与初始血肿的比率与血肿的膨胀有关。它可以用作一个月的死亡率和功能结果的预测指标。
从脑室内出血的早产儿的脑脊液中检索生发区域神经干细胞
图2从IVH患者的CSF中分离NSC样细胞。A分离后不同日期（DIV）的CSF衍生的NSC培养物的相位对比度显微照片。比例尺：100μm。 B，在Matrigel上生长的3种代表性NSC线的指数生长动力学。c，早期（0）和晚期（10）段的细胞的相对对比显微照片，在基质中生长。d，通过对早期（3）和晚期（7）通道的KI-67表达进行定量评估增殖。显示了代表性共焦部分。比例尺25μm。 E，早期（3）和晚（7）通道的CD133，CD24，CD34和CD45的流式细胞仪分析。条件之间没有显着差异。数据显示为5-7个独立生物样品的平均值±SEM。42周大的病例（粉红色符号）被排除在进一步分析之外。f，在早期和晚期与CD133共表达与CD24和CD34的共表达。g，从CSF获得的NSC样细胞和分离后13天后从CSF获得的代表性显微照片。比例尺：100μm。 H，通过从CSF获得的NSC样细胞流式细胞术和通过CSF和通道3的灌洗液进行的CD133分析。* p <.05
基于深度学习的人工智能诊断系统在自发脑内出血体积测量
抽象背景：准确测量出血体积对于预测和自发性脑内出血（ICH）后的预测和选择适当的临床治疗至关重要。这项研究旨在评估具有有或没有脑室内出血（IVH）延伸的自发性自发性分割脑出血（ICH）体积时，基于深度学习的分割算法的性能和准确性。我们将此自动管道与两种手动分割技术进行了比较。方法：我们回顾性地审查了105例急性自发ICH患者。根据IVH延伸的存在，将患者分为两组：ICH没有（n = 56）和IVH（n = 49）。ICH进行分割并测量，并使用ABC/2评分来测量ICH中ICH中没有IVH组的出血量。相关性和协议分析用于分析三种分割方法之间的处理时间和处理时间长度的差异。结果：在没有IVH组的ICH中，使用AI和ABC/2分数测量的ICH量与CTP分割相当。在三种分割方法中观察到了强相关性（r = 0.994，0.976，0.974; p <0.001;一致性相关系数[CCC] = 0.993，0.968，0.967）。但是，通过ABC/2分数测量的ICH体积的绝对误差大于算法的绝对误差（p <0.05）。在ICH中，IVH组中，算法和CTP之间没有发现显着差异（p = 0.614）。CTP和AI之间的相关性和一致性很强（r = 0.996，p <0.001； CCC = 0.996）。AI分割比CTP的时间明显短（p <0.001），但略长于ABC/2分数技术（P = 0.002）。结论：与CTP测量相比，基于深度学习的AI诊断系统具有高忠诚度和更高效率的急性自发ICH，并且比ABC/2分数更准确。我们认为这是一种有前途的工具，可以帮助医生在实践中实现精确的ICH量化。关键字：脑内出血，自发性脑内出血，体积，人工智能，深度学习
col4a1基因突变和新生儿围产期颅内出血：病例报告和文献综述
颅内出血可能代表影响新生儿发病率和死亡率的围产期并发症。存在非常差的数据，关于IV型胶原蛋白A1链（COL4A1）基因的突变与颅内出血的发展之间存在可能的关联，并且只有零星的报告侧重于子宫内发生的脑出血，或者是在具有这种突变的婴儿的新生儿期间已经发展的。这项研究提出了一系列受颅内出血影响的术语新生儿，没有明显的风险因素来发展这种情况，它们是COL4A1基因变异的载体。这项研究还提供了有关该主题的最新科学文献的回顾，该文献尤其焦点是与围产期有关的可用科学数据。
使用深度卷积模型进行数据描述颅内出血分割
摘要：创伤性脑损伤可能导致颅内出血 (ICH)。如果不能及时准确诊断和治疗，ICH 可能导致残疾或死亡。目前诊断 ICH 的临床方案是放射科医生检查计算机断层扫描 (CT) 扫描以检测 ICH 并定位其区域。然而，这个过程在很大程度上依赖于有经验的放射科医生。在本文中，我们设计了一个研究方案来收集 82 个创伤性脑损伤患者的 CT 扫描数据集。接下来，由两位放射科医生协商一致决定在每个切片中手动划定 ICH 区域。该数据集在 PhysioNet 存储库中公开在线，以供将来分析和比较。除了发布数据集（这是本文的主要目的）之外，我们还实施了一个深度全卷积网络 (FCN)，称为 U-Net，以全自动方式从 CT 扫描中分割 ICH 区域。作为概念验证，该方法基于 5 倍交叉验证的 ICH 分割实现了 0.31 的 Dice 系数。
深度学习融合用于脑 CT 成像中的颅内出血分类
摘要 —脑出血的特征是由于血液凝结或高血压导致脑动脉破裂，存在严重的创伤甚至死亡风险。这种出血会导致脑细胞损伤，常见原因包括脑肿瘤、动脉瘤、血管异常、淀粉样血管病、创伤、高血压和出血性疾病。当发生出血时，氧气无法再到达脑组织，如果脑细胞缺氧和营养物质超过三四分钟，就会开始死亡。受影响的神经细胞及其控制的相关功能也会受到损害。早期发现脑出血至关重要。本文提出了一种有效的混合深度学习 (DL) 模型，用于从脑 CT 图像中检测颅内出血 (ICH)。所提出的方法集成了 DenseNet 121 和长短期记忆 (LSTM) 模型，以准确分类 ICH。DenseNet 121 模型用作特征提取模型。实验结果表明，该模型的准确率、精确率、召回率和 F1 分数分别为 97.50%、97.00%、95.99% 和 96.33%，证明了其在准确识别和分类 ICH 方面的有效性。
用于检测和分类颅内出血的全自动基于正弦图的深度学习模型
摘要目的：提出一种使用深度学习框架直接从正弦图中检测和分类颅内出血 (ICH) 的自动化方法。该方法旨在通过消除耗时的重建步骤并最大限度地减少计算机断层扫描 (CT) 重建过程中可能出现的潜在噪音和伪影来克服传统诊断的局限性。方法：本研究提出了一种使用深度学习框架从正弦图中检测和分类 ICH 的两阶段自动化方法。该框架的第一阶段是强度变换正弦图合成器，它合成与强度变换 CT 图像等效的正弦图。第二阶段包括级联卷积神经网络-循环神经网络 (CNN-RNN) 模型，该模型可从合成的正弦图中检测和分类出血。 CNN 模块从每个输入的正弦图中提取高级特征，而 RNN 模块提供正弦图中邻域区域的空间相关性。在一个包含 8652 例患者的大型样本的公开 RSNA 数据集上对所提出的方法进行了评估。结果：结果表明，与 ResNext-101、Inception-v3 和 Vision Transformer 等最新方法相比，所提出的方法在患者准确率上显着提高了 27%。此外，与基于 CT 图像的方法相比，基于正弦图的方法对噪声和偏移误差的鲁棒性更高。还对所提出的模型进行了多标签分类分析，以从给定的正弦图中确定出血类型。还使用激活图检查了所提出模型的学习模式的可解释性。结论：所提出的基于正弦图的方法可以准确、高效地诊断 ICH，无需耗时的重建步骤，并有可能克服基于 CT 图像的方法的局限性。结果显示，使用基于正弦图的方法检测出血的效果良好，进一步的研究可以探索该方法在临床环境中的潜力。
脑部死亡因怀疑Bothrops蛇咬后的儿童颅内出血而导致的脑死亡
由巴西最普遍的毒蛇产生的毒素通常会增加血管通透性和白细胞浸润。这与毒液成分的其他作用相结合，导致水肿，起泡，局部出血和疼痛，有时会发展为缺血，坏死和全身并发症。炎症反应和凝结疾病的触发（例如去纤维化和血小板减少症）可能会对脑毛细血管造成内皮损害，从而导致脑内出血1,2。毒液的组成受栖息地，性别，饮食或个性发育的影响。同一物种的年轻动物可能会产生更多的抗凝毒素，而成年人则主要表现出炎症和蛋白水解作用3,4。某些物种的毒液以更高的死亡率5而闻名。