Automatizzato Maiusc Midline e stima della pressione intracranica in base cerebrali Immagini CT

Un automatico stima spostamento della linea mediana e della pressione intracranica (ICP) di pre-screening sistema basato sulla tomografia computerizzata (TC) immagini per i pazienti con danno cerebrale traumatico (TBI) è proposto di utilizzare l'elaborazione delle immagini e di tecniche di apprendimento automatico.

In questo articolo presentiamo un sistema automatizzato basato principalmente sui tomografia computerizzata (CT) immagini costituite da due componenti principali: la stima del cambio linea mediana e della pressione intracranica (ICP) di pre-screening sistema. Per stimare lo spostamento della linea mediana, prima stima della linea mediana ideale viene eseguita in base alla simmetria del cranio e caratteristiche anatomiche del cervello CT scan. Poi, la segmentazione dei ventricoli del TC viene eseguito e utilizzato come guida per l'identificazione della linea mediana effettiva attraverso la forma coniugata. Questi processi imitare il processo di misurazione da parte di medici e hanno mostrato risultati promettenti nella valutazione. Nel secondo componente, più funzionalità vengono estratti correlate a ICP, come le informazioni di tessitura, quantità di sangue da TC e altre caratteristiche registrate, quali l'età, punteggio di gravità della lesione per stimare la ICP sono anche incorporati. Macchine tecniche di apprendimento tra cui la funzionalità di selezione e classificazione, come il sostegnoVector Machines (SVM), sono impiegati per costruire il modello di previsione con RapidMiner. La valutazione della previsione mostra potenziale utilità del modello. Lo spostamento della linea mediana ideale stimato e previsto i livelli di ICP può essere usato come un rapido pre-screening passo per i medici a prendere decisioni, in modo da consigliare o sconsigliare invasivo monitoraggio della pressione intracranica.

Ogni anno ci sono circa 1,4 milioni di lesioni cerebrali traumatiche (TBI) relativi casi di pronto soccorso negli Stati Uniti, di cui, oltre 50.000 provocare la morte ^1. Grave trauma cranico è di solito accompagnata da un aumento della pressione intracranica (ICP) con sintomi come ematomi e tessuto cerebrale gonfiore. Questi risultato ridotta pressione di perfusione cerebrale e del flusso sanguigno cerebrale, mettendo il cervello danneggiato in rischi aggiuntivi. Grave aumento ICP può essere fatale, così il monitoraggio ICP per i pazienti con trauma cranico è fondamentale. Questo in genere richiede il posizionamento di cateteri direttamente nel cervello per il monitoraggio della pressione, una procedura rischiosa per i pazienti che possono essere eseguite in centri medici specializzati. La procedura prevede anche il rischio come l'infezione. Tuttavia, alcuni segnali di elevata ICP può essere osservato in diagnostica per immagini. In particolare, spostamento linea mediana è spesso associato con un aumento della PIC e può essere catturata dal cervello calcolata tomography (CT) immagini. Come tali, queste immagini forniscono un'opportunità per rilevamento non invasivo di elevata ICP che può essere usato come un pre-screening passo prima trapanazione cranica. TC è ancora il gold standard per la valutazione iniziale TBI tra tutte le altre modalità di imaging, ad esempio risonanza magnetica, a causa della sua alta velocità e relativo basso costo ^2. Inoltre, un esame TC non richiede rigorosa immobilità del paziente, e ha un vantaggio nel rivelare anomalie gravi come fratture ossee ed ematomi. Mentre CT è comunemente utilizzato per il rilevamento di lesioni nel cervello, basati sulla tecnologia attuale, spostamento linea mediana non viene misurata automaticamente e pertanto i medici devono valutare questo fattore importante mediante ispezione visiva. Imprecisa o incoerente interpretazione CT è spesso associato con la natura del sistema visivo umano e la complessa struttura del cervello. Mentre piccoli spostamenti della linea mediana sono elusivi, sono spesso preziosi per la valutazione di lesioni cerebrali, in particolare nelle fasi iniziali della lesione prima condizione di un paziente diventa più grave. Sul lato opposto, spostamento linea mediana grande suggerisce molto elevata ICP e più grave TBI. Tuttavia, si tratta di un compito molto impegnativo per l'uomo di ispezionare visivamente le immagini CT e prevedere il livello di ICP quantitativamente. Grazie ai progressi automatizzate tecniche computazionali, caratteristiche estratte da immagini TAC, come spostamento della linea mediana, il volume ematoma, e la struttura del cervello di immagini TC, può essere misurata con precisione e automaticamente utilizzando metodi avanzati di elaborazione delle immagini. Tuttavia, il rapporto tra ICP e lo spostamento della linea mediana, nonché altre caratteristiche quali il grado di sanguinamento, la trama da CT immagini non è stata esplorata. In questo documento, un quadro computazionale è stato proposto di misurare la misurazione linea mediana spostamento così come altre caratteristiche fisiologiche / anatomico su cerebrali immagini CT e quindi prevedere il grado di ICP non intrusivo utilizzando tecniche di apprendimento automatico.

1. Metodologia: presentazione

Il quadro proposto elabora le immagini cerebrali TC di lesione cerebrale traumatica (TBI) pazienti per calcolare automaticamente spostamento linea mediana in casi patologici e usarlo come pure altre informazioni estratte per prevedere pressione intracranica (ICP). Figura 1 mostra lo schema di tutta quadro. La misurazione del cambio automatizzato linea mediana può essere suddiviso in tre fasi. Primo, l'ideale linea mediana del cervello, cioè la linea mediana prima della ferita, viene trovato mediante una ricerca gerarchica basata sulla simmetria cranio e caratteristiche del tessuto ^3. In secondo luogo, il sistema ventricolare è segmentato per ogni immagine cervello CT ^4. In terzo luogo, la linea mediana effettiva è stimato dal sistema segmentato ventricolare deformata utilizzando una forma corrispondente metodo ^5. Lo spostamento orizzontale del sistema ventricolare viene stimato sulla base della stima della linea mediana ideale e la linea mediana effettiva. Dopo tspostamento della linea mediana si è successivamente stimato, funzioni, tra cui spostamento della linea mediana, le informazioni sulle texture delle immagini TC, così come altre informazioni demografiche vengono utilizzati per prevedere ICP. Algoritmi di apprendimento automatico vengono utilizzati per definire la relazione tra la ICP e le caratteristiche estratte ^6.

2. Ideale Stima Midline

1. Questo passaggio rileva la linea mediana approssimata ideale utilizzando simmetria del cranio. Primo, utilizzando scala di grigi soglia, il cranio deve essere segmentato dal resto del contenuto nell'immagine CT. Dopo di che, effettuare una ricerca esaustiva per identificare gli angoli di rotazione attorno al centro di massa del cranio. L'angolo di rotazione ottimale è definito come l'angolo che massimizza la simmetria delle metà risultanti del cranio. La linea mediana approssimata ideale è la linea che passa attraverso il centro di massa e ha l'angelo ottimale rotazione rispetto alla direzione verticale originale dell'immagine CT.
2. Questo passaggio rileva la posterior falce cerebrale e anteriore attaccamento falce ai margini del solco sagittale. Questa operazione viene eseguita per raffinare la linea mediana identificato approssimativa ideale. Definite prima due rettangoli perquisizione centrati nei due punti di intersezione tra la linea mediana approssimativa ideale e la calotta cranica. Quindi, scegliere le dimensioni dei rettangoli empiricamente in modo da coprire le caratteristiche anatomiche da rilevare come spiegato di seguito. L'attacco anteriore falce viene rilevato come il punto di picco della cresta sulla calotta cranica e la falce cerebrale viene rilevato come la linea grigia nella regione posteriore ^3.
3. Questa fase utilizza le caratteristiche rilevate in precedenza per perfezionare la posizione ideale linea mediana. Una volta che il punto di picco della falce attacco anteriore e il punto più lontano nel posteriore falce cerebri dal calvarum sono specificate, la linea mediana raffinato ideale è la linea che collega i due punti.

3. Ventricolo Segmentazione

1. In primo luogo applicare un basso-lesegmentazione vel utilizzando un modello mistura gaussiana (GMM) per ogni sezione CT ^4,7. Immagini TC possono essere suddivisi in 4 tipi di tessuti: osso / sangue, liquido cerebrospinale (CSF), sostanza grigia e sostanza bianca. Per l'inizializzazione del modello mistura gaussiana, i parametri sono stimati in base iterativo K-means risultato della segmentazione dell'immagine CT. Quindi utilizzare l'aspettativa-massimizzazione (EM) per ottimizzare la GMM iterativamente di rappresentare al meglio l'immagine CT. Il risultato della segmentazione rigido può essere ottenuta suddividendo l'immagine CT in regioni in base alla probabilità massima di appartenenza che ogni pixel appartiene alla regione tipi diversi.
2. Dopo il basso livello di segmentazione GMM, applicare ulteriori vincoli sul risultato della segmentazione per riconoscere regioni ventricolari. Regioni ventricolari solo con dimensioni superiori a una certa soglia vengono mantenute. Applicare vincoli sulla posizione delle regioni ventricolari e utilizzando la casella di delimitazione cervello e l'insieme di ventriclposta modelli. Estrarre il set di modelli da un ventricolo del cervello immagini standard MR e poi ingrandirla con la dilatazione morfologica per accogliere variazioni tra diversi soggetti e casi patologici.

4. Stima effettiva Midline

1. Specificare i punti caratteristici nei modelli ventricolo estratti da MR.
2. Non la forma più aree di corrispondenza tra ^5,8 ventricoli segmentati e il modello MR.
3. Stimare la linea mediana effettivo basato su tali punti caratteristici individuati sulle forme ventricolo mediante corrispondente forma. Quindi utilizzare la media dei media lato sinistro e lato destro aritmetica della x-coordinate dei punti caratteristici per definire la coordinata x della linea mediana.

5. Più funzionalità Estrazioni

1. Misurare l'ematoma intracranico / emorragia volume rispetto al modello mistura gaussiana (GMM) risultati di segmentazione ottenuto dalle immagini TC. Il risultato può segmentato include piccole regioni comprese seno venoso sangue e falce cerebri, ma possono solitamente essere trascurata in confronto alle regioni di ematoma. Poi contare il numero di pixel classificati come il sangue per ogni sezione e riassumerle. La somma finale quantifica il volume di sangue travasato in esame TC.
2. Estrarre caratteristiche texture. Per prima cosa selezionare sei finestre in ogni immagine CT che cattura la materia grigia e bianca, ma evitare le strutture sangue e ventricolo nell'immagine CT, vedere la Figura 6. Poi estrarre le caratteristiche di composizione, corrispondenti utilizzando i seguenti metodi: grigio lunghezza Run Livello ^9, analisi Istogramma, analisi di Fourier, analisi wavelet doppio albero Complex ^10.
3. Le informazioni demografiche e di punteggio di gravità della lesione vengono raccolti.
4. Tutte le caratteristiche estratte di ogni immagine CT sono aggregati per rappresentare l'intero esame TC. Specificamente, min (f), max (f), mediana (f), media (f), std (f) sono calcolati al tral le caratteristiche selezionate appartenenti all'esame CT particolare, ad esempio una ƒ funzione dello spostamento linea mediana o una caratteristica texture. Per la funzione di emorragia intracranica importo, oltre ai cinque operatori sopra elencati, sum (f) viene aggiunto anche registrare il volume totale di sangue.

6. ICP Stima

L'idea principale della stima ICP è quello di applicare le tecniche di apprendimento automatico per costruire un modello basato su una serie di campioni di addestramento. Allora il modello costruito viene valutata su campioni di prova rimanenti. A causa della dimensione elevata di caratteristiche estratte in particolare quelli dei TAC e le informazioni demografiche, la funzionalità di selezione è importante per rimuovere le funzioni indipendenti per un modello relativamente semplice così stabile. Quindi ci sono due passaggi da eseguire per ICP stima / previsione. In primo luogo, selezionare le funzioni che sono relative informative nel predire PIC. Il secondo passo è quello di utilizzare Support Vector Machines (SVM) comealgoritmo di apprendimento per sviluppare e valutare il modello di formazione. Software come RapidMiner ¹¹ è l'ideale per questo compito, perché è uno strumento molto ben sviluppato per la maggior parte degli algoritmi di apprendimento automatico e fornisce interfacce molto potenti per la formazione e la valutazione dei modelli.

1. Eseguire la funzione di selezione in due fasi. In primo luogo utilizzare il criterio di informazione di guadagno rapporto nella prima fase per selezionare le prime 50 funzioni. Nella seconda fase, utilizzare un algoritmo genetico che incorpora SVM per ottimizzare ulteriormente la selezione delle caratteristiche. Quindi utilizzare il set finale di funzioni selezionate per costruire il modello per la previsione ICP nel passaggio seguente.
2. Eseguire la classificazione ICP e valutazione attraverso tecniche di apprendimento automatico. Il diagramma di livello superiore della formazione e test sono mostrati nella RapidMiner in Figura 8. Applicare un 10 volte convalida incrociata regime come strato più esterno per la valutazione. Al fine di costruire un modello con una migliore generalizzazione e di evitare un eccesso di raccordo per tegli dati di allenamento, nido un altro strato di cross-validation all'interno di ogni piega formazione. In questi moduli, applicare prima il processo di selezione delle caratteristiche di cui sopra e quindi utilizzare una SVM per la classificazione con il proprio modulo di selezione del parametro ^6.

I set di dati CT test sono stati forniti dal Sistema Carolinas Healthcare (CHS) in corso di approvazione istituzionale Comitato Etico. Tutti i soggetti sono stati diagnosticati con lieve trauma cranico grave al momento della prima ricoverato in ospedale. Per ogni paziente, il valore ICP stata registrata ogni ora usando sonde ICP all'interno della regione ventricolo prima e dopo TC sono stati ottenuti. Per associare il valore di ICP con ogni scansione TC, la media dei due più vicini misure di ICP al tempo di TC, che sono entrambi nel giro di un'ora della TC. Quindi assegnare il medio come valore stimato ICP al momento della TC. Gruppo i valori di pressione intracranica in due classi: elevata ICP ICP se> 12 mm Hg e normale se ICP ICP ≤ 12 mm Hg. I set di dati contengono 17 pazienti. Da questa serie, 391 immagini TC assiali scansione vengono selezionati i ventricoli mostrano o regioni che dovrebbero essere contenute ventricoli. Figura 2 mostra il risultato del rilevamento linea mediana ideale. In figura 3, lo sfiatoricles sono segmentati. Figura 4 mostra la linea mediana stimata effettivo. Figura 5 mostra la stima di spostamento della linea mediana. Figura 7 mostra la segmentazione del sangue utilizzando GMM. Una valutazione quantitativa delle prestazioni viene anche eseguita. Nella maggior parte delle fette (oltre l'80%), l'errore tra la linea mediana ideale stimato dal quadro e l'annotazione manuale sono circa 2 pixel, che è di circa 1 mm. Per la linea mediana effettiva, superiore a 80% ha meno di 2,25 mm di differenza a condizione che la qualità della segmentazione ventricolare è relativamente buona (è definito come "relativamente buona" se la qualità del risultato della segmentazione può essere utilizzato per la stima delle linee mediane effettivi manualmente). Ci sono 57 TC nella valutazione della previsione ICP. Il risultato del metodo proposto è valutata utilizzando le seguenti tre misure: sensibilità, specificità e accuratezza. Sensibilità è definita come

sensibilità = # (veri positivi) / # (positives).

La specificità è definita come

specificità = # (veri negativi) / # (negativi).

La precisione predicazione è definito come

precisione = # (corretta prevista) / # (campioni totali).

Una precisione di circa il 70% è stato ottenuto nel nostro studio utilizzando 10 convalida piega trasversale. La sensibilità è risultata essere di circa il 65% e una specificità del 73% circa. Questo può suggerire un certo potere predittivo del metodo proposto in questa serie di dati. Il passo successivo sarebbe replica di risultati simili in altri insiemi di dati indipendenti.

Figura 1. Il quadro di primo livello del metodo Vi sono tre moduli di funzionalità di estrazione per le crude immagini CT:. Misura spostamento della linea mediana, analisi della tessitura e blimporto ood stima. Tutte le caratteristiche estratte e altre informazioni registrate, come le informazioni demografiche vengono alimentati nel modulo di classificazione per predire i livelli ICP.

Figura 2. Il risultato del rilevamento linea mediana ideale. La linea rossa è la linea mediana approssimativa ideale. Le due scatole rettangolari coprire la sporgenza ossea e la falce cerebrale inferiore, rispettivamente. Queste scatole sono utilizzati per ridurre le regioni di interesse. La linea tratteggiata verde è l'ultima linea mediana rilevata ideale, che cattura la sporgenza ossea e la falce cerebrale minore precisione.

Figura 3. Il risultato della segmentazione del ventricolo. L'immagine a sinistra è l'immagine originale CT. L'immagine a destra è composto dalle seguentiLinee ala: il bordo interno del cranio, la casella di selezione interna formata da quattro linee, la casella di delimitazione esterna formata da altri quattro linee, il bordo del modello corrispondente ventricolo allargata, le regioni rosse che rappresentano le regioni ventricolari rilevate, le regioni grigie che rappresentano le altre regioni respinto regioni ventricolari essere dopo l'applicazione di diversi vincoli sul riconoscimento ventricoli.

Figura 4. Il risultato della stima effettiva linea mediana. Questa figura mostra i risultati della stima in diverse immagini CT con forme diverse ventricolari. Le regioni bianche sono regioni ventricolari segmentati. I contorni blu sono il bordo dei modelli ventricolari trovati. I punti rossi vengono rilevati punti caratteristici che rappresentano i bordi interni dei ventricoli utilizzati per calcolare la linea mediana effettiva. La linea verde è la actu finale stimatoal linea mediana. Clicca qui per ingrandire la figura .

Figura 5. Il risultato della stima spostamento linea mediana. L'immagine a sinistra mostra la fetta ingresso CT. L'immagine a destra mostra il risultato trasformato simile a Figura 3. La sinistra linea verticale verde rappresenta la linea mediana ideale stimato, e il diritto linea verticale verde rappresenta la linea mediana stimata reale. La distanza tra le due linee è lo spostamento della linea mediana stimata.

Figura 6. Le sei finestre selezionate per l'analisi della tessitura. Le finestre selezionati sono i rettangoli rossi evitando i ventricoli.

Figura 7. La segmentazione del sangue. L'immagine a sinistra è l'immagine in ingresso CT. L'immagine di destra mostra la mappa segmentazione prodotta con il metodo GMM. La regione più luminosa corrispondente alla zona sangue.

Figura 8. Il livello superiore la convalida incrociata in RapidMiner. La finestra di sinistra mostra i moduli nel processo di formazione e la finestra di destra mostra i moduli del processo di test. Nel processo di formazione, in primo luogo si usa il modulo di guadagno informazioni e il modulo di algoritmo genetico per selezionare le funzioni. Poi un SVM viene utilizzato per fare classificazione. Il tuning dei parametri del SVM viene fatto attraverso un nidificato convalida incrociata nel processo parametro Ottimizza. L'ultimo modello completo addestrato è l'uscita dal processo OuterSVM utilizzando tutti i traiNing dati. Nel modulo di prova, le caratteristiche selezionate vengono utilizzate e il modello addestrato viene valutato. Clicca qui per ingrandire la figura .

In questo studio, un quadro intuitivo e flessibile si propone di affrontare due problemi di difficile risoluzione: la stima dello spostamento linea mediana in CT immagini e la previsione a livello ICP sulla base di caratteristiche estratte. I risultati della valutazione mostrano l'efficacia del metodo proposto. Per quanto ne sappiamo, questa è la prima volta di uno studio sistematico per affrontare questi due problemi. Notiamo che, sulla base del quadro generale, ci sono molti potenziali miglioramenti che possono essere raggiunti. Per esempio, nella segmentazione proposta, la segmentazione livello basso e alto livello di riconoscimento sono separati e attualmente non c'è feedback dal livello alto al livello basso segmentazione. Questo è diverso da ispezione visiva umana, che ha interazioni tra la visione livello basso e alto livello di riconoscimento. Un approccio potenziale per combinare questi due livelli insieme è il cosiddetto "modello base di basso livello segmentazione". In questo metodo, il basso livello di segmentazione è guidata da thelettronici di alto livello modelli Atlante della struttura di destinazione. Per esempio, un algoritmo di registrazione può essere applicato il primo passo per allineare le immagini CT ad un'immagine standard CT. Questo può migliorare ulteriormente l'accuratezza del riconoscimento ventricolo nonché la stima dello spostamento linea mediana perché può fornire la mappatura più accurata nelle strutture cerebrali tra le immagini CT e l'immagine standard CT. Per la previsione ICP, anche se il risultato è promettente basata sul dataset testato, bisogna notare che la dimensione dei campioni è limitato. Sarà più convincente per convalidare i risultati in base a un altro set di dati indipendenti. Nell'applicazione di apprendimento automatico per la previsione ICP, la dimensione del campione è un fattore molto importante. Un set di dati maggiore di esami TC, che può contenere più modelli diversi in entrambe le immagini TC e segnali ICP, può dare una valutazione più informativo del quadro proposto.

Nessun conflitto di interessi dichiarati.

Il materiale si basa su lavori in parte sostenuto dal National Science Foundation sotto Grant No. IIS0758410. I dati sono stati forniti dal sistema Carolinas Healthcare.