Desvio da linha média automatizada e Estimativa Pressão Intracraniana com base em imagens do cérebro CT

Uma estimativa mudança automática linha média ea pressão intracraniana (PIC) pré-seleção com base no sistema de tomografia computadorizada (TC) para pacientes com lesão cerebral traumática (TCE) é proposto usando processamento de imagens e técnicas de aprendizado de máquina.

Neste artigo apresentamos um sistema automatizado baseado principalmente a tomografia computadorizada (TC) consiste de dois componentes principais: a estimativa de desvio da linha média e da pressão intracraniana (PIC), pré-triagem do sistema. Para estimar o desvio da linha média, primeiro uma estimativa da linha média ideal é realizada com base na simetria do crânio e características anatômicas no cérebro CT scan. Em seguida, a segmentação dos ventrículos do TC é realizado e utilizado como um guia para a identificação da linha média real através de correspondência de forma. Estes processos imitar o processo de medição por médicos e têm mostrado resultados promissores na avaliação. No segundo componente, mais recursos são extraídos relacionado ao ICP, como a informação de textura, quantidade de sangue de tomografia computadorizada e outras características registradas, tais como a idade, escore de lesão de gravidade para estimar o ICP também são incorporados. Técnicas de aprendizagem de máquina, incluindo a seleção de recurso e classificação, como o apoioVector Machines (SVMs), são utilizados para a construção do modelo de previsão usando RapidMiner. A avaliação da predição mostra potencial utilidade do modelo. O desvio da linha média estimada ideal e previu PIC pode ser usado como uma etapa de pré-triagem rápida para os médicos para tomar decisões, de modo a recomendar a favor ou contra a monitorização da PIC invasivo.

Todos os anos há cerca de 1,4 milhão de lesões cerebrais traumáticas (TBI) casos de emergência relacionadas departamento nos Estados Unidos, dos quais, mais de 50 mil resultam em morte ^1. TCE grave é geralmente acompanhada por um aumento na pressão intracraniana (ICP) com sintomas tais como hematomas e inchaço do tecido cerebral. Estes resultam da pressão de perfusão cerebral reduzida e fluxo sanguíneo cerebral, colocando o cérebro lesado em risco adicional. Aumento da PIC grave pode ser fatal, por isso a monitorização da PIC em pacientes com TCE é crucial. Isso normalmente requer a colocação de cateteres directamente no cérebro para a monitorização de pressão, um procedimento de risco para os pacientes que só podem ser realizados em centros médicos especializados. O processo também envolve um risco, tais como a infecção. No entanto, alguns sinais de elevada ICP pode ser visível em imagens médicas. Em particular, desvio da linha média é muitas vezes associada a um aumento da ICP e podem ser capturados a partir do cérebro t computadorizadaomography (TC). Como tal, estas imagens proporcionam uma oportunidade para a detecção não invasiva de ICP elevada, que pode ser utilizado como um passo de pré-triagem antes trepanação craniana. TC ainda é o padrão ouro para avaliação TCE inicial entre todos os outros métodos de imagem de ressonância magnética, por exemplo, por causa de sua alta velocidade e baixo custo relativo ^2. Além disso, um exame de tomografia computadorizada não exige imobilidade paciente estrito, e tem vantagem em revelar anomalias graves, como fraturas ósseas e hematomas. Enquanto a TC é normalmente usado para a detecção de lesões no cérebro, com base na tecnologia actual, desvio da linha média não é automaticamente medido e, portanto, os médicos devem avaliar este factor importante, por inspecção visual. Impreciso ou inconsistente interpretação CT é frequentemente associada com a natureza do sistema visual humano e a complexidade da estrutura do cérebro. Enquanto pequenas mudanças de linha média são tímidas, são muitas vezes de valor inestimável para a avaliação dos danos cerebrais, em particular nas fases iniciais da lesão antes a condição do paciente se torna mais severa. No outro lado do espectro, desvio da linha média grande sugere ICP muito elevado e mais grave TBI. No entanto, é uma tarefa muito difícil para os seres humanos para inspecionar visualmente imagens de TC e prever o nível do ICP quantitativamente. Devido aos avanços em técnicas computacionais automatizados, características extraídas de imagens de CT, como desvio da linha média, o volume do hematoma, e textura das imagens cerebrais de CT, pode ser medido com precisão e automaticamente utilizando métodos de processamento avançado de imagem. No entanto, a relação entre o ICP e desvio da linha, bem como outras características, tais como o grau de hemorragia, a textura de CT imagens não tem sido explorado. Neste trabalho, uma estrutura computacional tem sido proposto para medir a medição desvio da linha média, bem como outras características fisiológicas / anatômicas cerebrais em imagens de tomografia computadorizada e, em seguida, prever o grau de ICP não intrusiva usando a máquina de técnicas de aprendizagem.

1. Resumo metodologia

O quadro proposto processa as imagens cerebrais de CT de lesão cerebral traumática (TBI) pacientes para calcular automaticamente desvio da linha média em casos patológicos e usá-la, assim como outras informações extraídas para prever a pressão intracraniana (PIC). A Figura 1 mostra o diagrama esquemático da totalidade quadro. A medição de mudança automática da linha média pode ser dividido em três passos. Em primeiro lugar, a linha média ideal do cérebro, isto é, a linha média antes da lesão, é encontrada por meio de uma pesquisa hierárquica baseada na simetria do crânio e características do tecido ^3. Em segundo lugar, o sistema ventricular é segmentado para cada imagem CT do cérebro ^4. Em terceiro lugar, a linha média real é calculado a partir do sistema ventricular segmentado deformada utilizando uma forma de combinar o método ^5. O deslocamento horizontal do sistema ventricular é então estimado com base na estimativa da linha média ideal e a linha média real. Depois de tele é sucessivamente desvio da linha média estimada, funcionalidades, incluindo desvio da linha média, a informação de textura de imagens de CT, bem como outras informações demográficas são utilizados para prever ICP. Algoritmos de aprendizagem de máquina são usados ​​para modelar a relação entre o ICP e os recursos extraídos ^6.

2. Estimativa Midline ideal

1. Esta etapa detecta a linha média aproximada ideal utilizando simetria do crânio. Em primeiro lugar, utilizando escala de cinzentos de limiar, o crânio deve ser segmentada a partir do resto do conteúdo da imagem CT. Após o que, realizar uma busca exaustiva para identificar os ângulos de rotação em torno do centro de massa do crânio. O ângulo de rotação óptimo é definido como o ângulo que maximiza a simetria das metades resultantes do crânio. A linha média aproximada ideal é a linha que passa no ponto de centro de massa e tem a anjo rotação óptima em relação à direcção vertical original da imagem CT.
2. Esta etapa detecta a posterior foice cerebral e anterior apego foice às margens do sulco sagital. Este passo é executado para refinar a linha média aproximada identificada ideal. Primeiro definir dois rectângulos pesquisando centradas nos dois pontos de intersecção entre a linha média aproximada ideal e o calvarium. Em seguida, escolha os tamanhos dos retângulos empiricamente de forma a cobrir as características anatômicas de ser detectado como explicado abaixo. A penhora foice anterior é detectado como o ponto culminante da serra na calota craniana e da foice cerebral é detectado como a linha cinza na região posterior ^3.
3. Esta etapa usa esses recursos detectados acima para refinar a posição ideal da linha média. Uma vez que o ponto culminante da penhora foice anterior eo ponto mais distante no posterior foice cerebral do calvarum são especificados, a linha média refinado ideal é a linha que conecta os dois pontos.

3. Segmentação do ventrículo

1. Primeiro aplique um baixo-lesegmentação vel utilizar um modelo de mistura Gaussiana (GMM) para cada fatia CT ^4,7. TC pode ser dividida em quatro tipos de tecido: osso / sangue, líquido cefalorraquidiano (LCR), a matéria cinzenta ea substância branca. Para a iniciação do modelo de mistura Gaussiana, os parâmetros são calculados com base num resultado da segmentação iterativa K-means da imagem CT. Em seguida, use a expectativa de maximização de método (EM) para otimizar GMM iterativamente para melhor representar a imagem CT. O resultado da segmentação rígido pode ser obtido por separação da imagem CT em regiões com base na probabilidade máxima da composição que cada pixel pertence a região tipos diferentes.
2. Após a segmentação de baixo nível do GMM, aplicar restrições adicionais sobre o resultado da segmentação, a fim de reconhecer regiões ventriculares. Regiões ventriculares únicos com tamanho acima de um certo limiar, são retidos. Aplicar restrições sobre a localização das regiões ventriculares também usar a caixa delimitadora do cérebro e do conjunto de ventriclmodelos e. Extraia o conjunto de modelos de ventrículo de um padrão de imagens cerebrais de RM e depois aumentá-la usando a dilatação morfológica para acomodar variações entre diferentes sujeitos e casos patológicos.

4. Estimativa Midline real

1. Especificar os pontos característicos nos modelos ventrículo extraídos de MR.
2. Não a Forma várias regiões Matching ^5,8 entre os ventrículos segmentados e do modelo MR.
3. Estimar a linha média real com base nos pontos característicos identificados nas formas ventrículo usando correspondência forma. Em seguida, use a média da média do lado esquerdo e lado direito de dizer as coordenadas x dos pontos característicos para definir a coordenada x da linha média.

5. Mais recursos Extrações

1. Medir o volume do hematoma / hemorragia intracraniana com base no modelo de mistura Gaussiana (GMM) resultados de segmentação obtidos a partir das imagens de CT. O resultado segmentado pode, emcluir pequenas regiões incluindo seio venoso e arterial foice cerebral, mas geralmente pode ser negligenciada, em comparação com as regiões de hematoma. Em seguida, contar o número de pixels classificados de sangue para cada fatia e resumir-se-lhes. A soma final quantifica o volume de sangue extravasado no exame de tomografia computadorizada.
2. Extrair características de textura. Primeiro, selecione seis janelas em cada imagem CT, que capta a substância cinzenta e branca, mas evitar as estruturas de sangue e ventrículo na imagem CT, ver Figura 6. Em seguida, extrair as características de textura correspondentes, utilizando os seguintes métodos: comprimento Run Cinza Nível ^9, a análise do histograma, análise de Fourier, Dual Árvore análise Wavelet Complexo ^10.
3. Informações demográficas e gravidade das lesões também são coletados.
4. Todos os recursos extraídos de cada imagem CT são agregados para representar o exame de tomografia computadorizada inteiro. Especificamente, min (f), max (f), a mediana (f), média (f), std (f) são calculadas entre all os recursos selecionados pertencentes ao exame de tomografia computadorizada particular, por exemplo, um ƒ característica do desvio da linha média ou uma característica textura. Para a função de hemorragia intracraniana quantidade, para além dos cinco operadores listados acima, a soma (f) é também adicionado para registrar o volume total de sangue.

6. ICP Estimação

A idéia principal do ICP estimativa é aplicar técnicas de aprendizado de máquina para construir um modelo baseado em um conjunto de amostras de treinamento. Em seguida, o modelo construído é avaliada em amostras de ensaio restantes. Devido à elevada dimensão dos recursos extraídos incluindo as da tomografia computadorizada e informações demográficas, a seleção de recurso é importante para remover recursos alheios para um modelo relativamente simples, portanto, estável. Portanto, há duas etapas a serem realizadas para a ICP estimativa / previsão. Primeiro, selecione os recursos relativos que são informativas na previsão do ICP. O segundo passo é usar Support Vector Machines (SVM), como oalgoritmo de aprendizagem para desenvolver e avaliar o modelo de formação. Software como o RapidMiner ¹¹ é ideal para esta tarefa, pois é uma ferramenta muito bem desenvolvida para a maioria dos algoritmos de aprendizado de máquina e fornece interfaces muito poderosas para treinar e avaliar modelos.

1. Realizar a seleção de recursos em duas etapas. Primeiro, use o critério de relação de ganho de informação na primeira etapa para selecionar os 50 melhores características. Na segunda fase, utilizar um algoritmo genético incorporando SVM para optimizar ainda mais a característica de selecção. Em seguida, use o conjunto final de recursos selecionados para a construção do modelo de previsão de ICP na etapa seguinte.
2. Realizar ICP classificação e avaliação através de técnicas de aprendizagem de máquina. O diagrama de nível superior do treinamento e teste são mostrados na RapidMiner na Figura 8. Aplicar um esquema de validação cruzada 10 vezes como a camada mais externa para avaliação. A fim de construir um modelo com melhor generalização e evitar o excesso de encaixe para tele dados de treinamento, ninho outra camada de validação cruzada dentro de cada dobra formação. Nestes módulos, primeiro aplique o processo de seleção de características descritas acima e, em seguida, usar uma SVM para classificação com seu próprio módulo parâmetro de seleção ^6.

Os conjuntos de dados de teste CT foram fornecidos pelo Sistema Único de Saúde Carolinas (CHS), sob aprovação Institucional Review Board. Todos os indivíduos foram diagnosticados com TCE leve a grave quando a primeira entrada no hospital. Para cada paciente, o valor da ICP foi registada a cada hora usando sondas de PIC no interior do ventrículo região, tanto antes como depois de TC foram obtidas. Para associar o valor ICP com cada TC, a média dos dois melhores medidas de ICP com o tempo de tomografia computadorizada, sendo que ambos são dentro de uma hora da tomografia computadorizada. Em seguida, atribuir a média como o valor estimado ICP no momento da tomografia computadorizada. Grupo os valores ICP em duas classes: ICP elevada se PIC> 12 mm Hg e normal se ICP ICP ≤ 12 mm Hg. Os conjuntos de dados contêm 17 pacientes. A partir deste conjunto, 391 tomografias axiais são seleccionados que apresentam ventrículos ou regiões que deve ter contido ventrículos. Figura 2 mostra o resultado da detecção da linha média ideal. Na Figura 3, a aberturaricles são segmentados. Figura 4 mostra a linha média estimada real. Figura 5 mostra a estimativa do desvio da linha média. A Figura 7 mostra a segmentação do sangue usando GMM. Uma avaliação quantitativa do desempenho é também realizada. Na maioria das fatias (mais de 80%), o erro entre a linha média ideal estimado pelo quadro ea anotação manual são em torno de 2 pixels, que é de cerca de um milímetro. Para a linha média real, acima de 80% tem menos de 2,25 mm, desde que a diferença na qualidade da segmentação ventricular é relativamente bom (isto é definido como "relativamente boa" se a qualidade do resultado de segmentação pode ser utilizado para estimar as linhas médias reais manualmente). Há 57 tomografias na avaliação de previsão de ICP. O resultado do método proposto é avaliado utilizando os três seguintes medidas: especificidade, sensibilidade e precisão. A sensibilidade é definida como

sensibilidade = # (verdadeiros positivos) / # (positives).

A especificidade é definida como

especificidade = # (verdadeiros negativos) / # (negativos).

A precisão é definida como predicação

precisão = # (corrigido previsto) / # (total de amostras).

Uma precisão de cerca de 70% foi alcançada em nosso estudo utilizando 10 vezes validação cruzada. A sensibilidade foi encontrado para ser cerca de 65% e uma especificidade de cerca de 73%. Isso pode sugerir um certo poder preditivo do método proposto sobre este conjunto de dados. O passo seguinte seria a replicação de resultados semelhantes em outros conjuntos de dados independentes.

Figura 1. O quadro de nível superior do método Há três módulos de recursos de extração para as imagens de CT-primas:. Linha média medição mudança, análise de textura e blood quantidade de estimação. Todas as características extraídas e informações inscritas por outros, tais como informação demográfica são alimentados para dentro do módulo de classificação para predizer os níveis de PIC.

Figura 2. O resultado da detecção de linha média ideal. A linha vermelha é a linha média aproximada ideal. As duas caixas rectangulares cobrir a saliência óssea e da foice cerebral inferior, respectivamente. Estas caixas são usados ​​para reduzir as regiões de interesse. A linha traço verde é a linha média detectada final, ideal, que capta a saliência óssea e menor foice cerebral precisão.

Figura 3. O resultado da segmentação do ventrículo. A imagem da esquerda é a imagem CT original. A imagem da direita consiste na follolinhas de asa: a borda interior do crânio, a caixa delimitadora interna formada por quatro linhas, a caixa delimitadora externa formada por mais quatro linhas, a borda do modelo ventrículo combinado ampliado, as regiões vermelhas representam as regiões ventriculares detectadas, as regiões de cinza representando outras regiões rejeitado regiões ventriculares sendo após a aplicação de várias restrições sobre como reconhecer ventrículos.

Figura 4. O resultado da estimativa da linha média real. Esta figura mostra os resultados da estimativa em diferentes imagens de CT, com formas diferentes ventriculares. As regiões brancas são as regiões ventriculares segmentados. Os contornos azuis são a borda dos modelos ventriculares emparelhados. Os pontos vermelhos são detectados pontos característicos que representam as arestas interiores dos ventrículos utilizadas para calcular a linha média real. A linha verde é o actu última estimadaal linha média. Clique aqui para ver maior figura .

Figura 5. O resultado da estimativa desvio da linha média. A imagem da esquerda mostra a entrada de fatia CT. A imagem da direita mostra o resultado processado semelhante a Figura 3. A linha vertical esquerda verde representa a linha média estimada ideal, ea linha vertical direita verde representa a linha média estimada real. A distância entre as duas linhas é o desvio da linha média estimada.

Figura 6. As seis janelas selecionadas para análise de textura. As janelas selecionados são os retângulos vermelhos evitando os ventrículos.

Figura 7. A segmentação de sangue. A imagem da esquerda é a entrada da imagem de TC. A imagem da direita mostra o mapa de segmentação produzida pelo método GMM. A região mais brilhante corresponde à região do sangue.

Figura 8. O nível mais alto de validação cruzada no RapidMiner. A janela esquerda mostra os módulos do processo de treinamento e na janela da direita mostra os módulos do processo de testes. No processo de formação, primeiro usamos o módulo de ganho de informação e do módulo de algoritmo genético para selecionar os recursos. Em seguida, uma SVM é usado para fazer a classificação. O ajuste de parâmetros da SVM é feito através de uma aninhada validação cruzada no processo de parâmetro Optimize. O modelo final completo treinado é que a saída do processo de OuterSVM usando toda a training dados. No módulo de teste, os recursos selecionados são usados ​​eo modelo treinado é avaliada. Clique aqui para ver maior figura .

Neste estudo, um quadro intuitivo e flexível é proposto para resolver dois problemas desafiadores: a estimativa do desvio da linha média no CT imagens e previsão nível ICP com base em características extraídas. Os resultados da avaliação mostram a eficácia do método proposto. Tanto quanto sabemos, esta é a primeira vez de um estudo sistemático na resolução desses dois problemas. Notamos que, com base no quadro geral, há muitos potenciais melhorias que podem ser alcançados. Por exemplo, na segmentação proposto, a segmentação de nível baixo e de nível elevado de reconhecimento são separadas e actualmente não existe realimentação do nível alto para o nível baixo de segmentação. Isto é diferente de uma inspecção visual humano, que tem as interacções entre a visão de nível baixo e de alto nível de reconhecimento. Uma abordagem potencial para combinar estes dois níveis de juntas é o assim chamado "modelo de segmentação de baixo nível de base". Neste método, a segmentação de baixo nível é guiado por thmodelos de nível E do Alto Atlas da estrutura alvo. Por exemplo, um algoritmo de registo pode ser aplicado no primeiro passo para alinhar as imagens de CT CT a uma imagem padrão. Isto pode melhorar ainda mais a precisão do reconhecimento ventrículo, bem como a estimativa do desvio da linha média, porque pode fornecer um mapeamento mais preciso das estruturas do cérebro entre as imagens de CT e a imagem padrão CT. Para a previsão ICP, mesmo que o resultado é promissora baseada no conjunto de dados de teste, temos de notar que o tamanho das amostras é limitada. Vai ser mais persuasivos para validar os resultados com base em outro conjunto de dados independente. Na aplicação de aprendizado de máquina para a previsão ICP, o tamanho da amostra é um fator muito importante. Um grande conjunto de dados de exames de TC, que pode conter mais padrões diferentes em ambos CT imagens e sinais ICP, pode dar uma avaliação mais informativa do quadro proposto.

Não há conflitos de interesse declarados.

O material é baseado em trabalho parcialmente financiado pela National Science Foundation, Grant No. IIS0758410. Os dados foram fornecidos pela Carolinas Healthcare System.