MARC

 008240221s2023        ulk                      00        kor
■001000016932972
■00520240214101147
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379610869
■035    ▼a(MiAaPQ)AAI30522634
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aZhang,  Haoyue.
■24510▼aImproving  Acute  Ischemic  Stroke  Diagnosis  Using  Medical  Imaging  and  Deep  Learning  Methods▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(157  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Arnold,  Corey  W.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAcute  ischemic  stroke  (AIS)  is  a  cerebrovascular  disease  caused  by  deceased  blood  flow  in  the  brain.  Treatment  of  AIS  is  heavily  dependent  on  the  time  since  stroke  onset  (TSS),  either  by  clock  time  or  tissue  time.  AIS  treatments  aim  to  restore  blood  flow  in  the  stroke-affected  area  to  minimize  infarction.  Current  clinical  guidelines  recommend  thrombolytic  therapies  (e.g.  Intravenous(IV)  or  Intra-arterial  (IA)  tissue  Plasminogen  Activator  (tPA)  for  patients  presenting  within  4.5  hours  of  TSS  and  Mechanical  Thrombectomy  (MTB)  (e.g.  surgical  removal  of  the  clot)  for  patients  with  TSS  up  to  24  hours.  This  research  attempts  to  use  both  CT  and  MRI  to  predict  the  eligibility  of  AIS  patients  and  their  response  to  treatment  while  addressing  several  challenges  in  neuroimaging  and  AIS  diagnosis  in  clinical  settings  using  novel  machine  learning  and  deep  learning  approaches.  A  Self-supervised  Learning  approach,  called  intra-domain  task-adaptive  transfer  learning,  is  the  first  proposed  to  predict  TSS  using  limited  training  data.  A  hybrid  transformer  model  that  utilizes  spatial  neighborhood  information  in  brain  regions  is  proposed  to  predict  MTB  success.  A  pure  transformer  and  a  specifically  designed  Masked  Image  Model  are  developed  to  predict  Large  Vessel  Occlusion  (LVO).  Last,  a  transformer-based  super-resolution  framework  is  proposed  to  generate  synthesized  thin-slice  images  from  thick-slice  images.  Together,  these  models  demonstrate  the  effectiveness  of  the  attention  mechanism  and  the  usefulness  of  self-supervised  learning  for  clinical  deep  learning  applications  given  the  limited  data  resources  compared  to  natural  images.
■590    ▼aSchool  code:  0031.
■650  4▼aMedical  imaging.
■650  4▼aBiomedical  engineering.
■653    ▼aComputer  vision
■653    ▼aDeep  learning
■653    ▼aMachine  learning
■653    ▼aAcute  ischemic  stroke
■653    ▼aTime  since  stroke  onset
■653    ▼aMechanical  Thrombectomy
■690    ▼a0574
■690    ▼a0541
■690    ▼a0800
■71020▼aUniversity  of  California,  Los  Angeles▼bBioengineering  0288.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932972▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서