Summary
Автоматизированной оценки сдвига срединной линии и внутричерепного давления (ВЧД) предварительной проверки системы, основанной на компьютерной томографии (КТ) изображения для пациентов с черепно-мозговой травмой (ЧМТ) предлагается использование обработки изображений и машинного обучения.
Abstract
В этой статье мы представляем автоматизированная система основана главным образом на компьютерной томографии (КТ) изображения, состоящего из двух основных компонентов: оценка средней линии сдвига и внутричерепного давления (ВЧД) предварительная проверка системы. Для оценки средней линии сдвига, в первую оценки идеальной средней линии осуществляется на основе симметрию черепа и анатомических особенностей в мозгу КТ. Тогда, сегментация желудочков с КТ выполняется, и использованы в качестве руководства для определения фактической средней линии через форму соответствия. Эти процессы имитировать процесс измерения врачей и показали многообещающие результаты в оценке. Во втором компоненте, больше возможностей извлекаются, связанные с ПМС, такими как текстуры информации, крови размере от КТ и другие записанные функций, таких как возраст, степень тяжести ранения оценка для оценки ПМС также включены. Машинное обучение методы, включая функцию выбора и классификации, такие, как поддержкаВекторные машины (SVMs), которые используются для создания модели прогнозирования использования RapidMiner. Оценка прогноза показывает потенциальную полезность модели. Предполагаемый идеальный сдвиг средней линии и прогнозируемые уровни МСП могут использоваться в качестве быстрого предварительного отбора шаг для врачей принимать решения, с тем чтобы рекомендовать за или против инвазивного мониторинга ВЧД.
Introduction
Каждый год Есть около 1,4 млн. черепно-мозговые травмы (ЧМТ) по делам, связанным отделение неотложной помощи в США, из которых более 50.000 приводят к смерти 1. Тяжелая ЧМТ, как правило, сопровождается повышением внутричерепного давления (ВЧД) с такими симптомами, как гематомы и отека мозговой ткани. Это приводит к снижению церебрального перфузионного давления и мозгового кровотока, размещение потерпевшего мозг дополнительный риск. Тяжелые увеличение ICP может быть фатальным, так что мониторинг ПМС для пациентов с ЧМТ имеет решающее значение. Обычно для этого требуется размещение катетеров непосредственно в мозг для контроля давления, рискованная процедура для пациентов, которые могут быть выполнены только в специализированных медицинских центрах. Эта процедура также предполагает риска, таких как инфекции. Тем не менее, некоторые признаки повышенного ICP может быть заметным в области медицинской визуализации. В частности, средняя линия сдвига часто связано с увеличением ПМС и может быть захвачен от мозга компьютерная тomography (КТ) изображения. Как таковые, эти образы дают возможность для неинвазивного обнаружения повышенного ICP, которые могут быть использованы в качестве предварительного отбора шаг перед трепанацию черепа. КТ-прежнему является золотым стандартом для начальной TBI оценку среди всех других методов визуализации, например, МРТ, из-за его высокой скорости и относительно низкая стоимость 2. Кроме того, КТ не требует строгой неподвижностью пациента, и имеет преимущество в выявлении тяжелых патологий, таких как переломы костей и гематомы. Хотя КТ широко используется для обнаружения повреждений в мозге, основанная на современной технологии, средней линии сдвига не будет автоматически измерять и поэтому врачи должны оценить этот важный фактор при визуальном осмотре. Неточное или не CT интерпретации часто связано с природой зрительной системы человека и сложная структура мозга. В то время как небольшие сдвиги средней линии неуловимым, они часто являются бесценными для оценки травмы головного мозга, в рсуставного на ранних стадиях повреждения, прежде чем состояние пациента становится более серьезным. На другой стороне спектра, большой сдвиг средней линии предложения резко повышенные МСП и более тяжелой ЧМТ. Тем не менее, это очень сложная задача для человека, чтобы визуально осмотреть КТ и прогнозирования уровня ICP количественно. Благодаря достижениям в области автоматизированных вычислительных методов, особенностей, извлеченные из КТ-изображений, такие как сдвиг средней линии, объем гематомы и текстуры головного мозга КТ-изображений, могут быть измерены точно и автоматически с использованием передовых методов обработки изображений. Тем не менее, связь между ПМС и средней линии сдвига, а также другие функции, такие как степень кровотечения, текстуры из КТ не были изучены. В данной работе вычислительных рамках была предложена для измерения средней линии измерения сдвига, а также других физиологических / анатомических особенностей головного мозга КТ-изображений, а затем предсказать степень ПМС ненавязчиво использованием машинного обучения.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Методология Обзор
Предлагаемая система обрабатывает мозг КТ-изображений черепно-мозговой травмы (ЧМТ) пациентов для автоматического расчета средней линии сдвига в патологических случаях и использовать его, а также других извлеченную информацию для прогнозирования внутричерепного давления (ВЧД). На рисунке 1 показана схема всей рамками. Автоматическое измерение сдвига срединной линии можно разделить на три этапа. Во-первых, идеальная средней линии мозга, то есть средней линии до травмы, находится по иерархической поиск, основанный на симметрию черепа и тканей особенности 3. Во-вторых, желудочковой системы сегментирован для каждого изображения КТ головного мозга 4. В-третьих, фактическая средняя линия исчисляется с сегментированной деформирована желудочковых системы с помощью формы для метода 5. Горизонтальное смещение желудочковой системы, затем оцениваются на основе оценки идеальной линии и фактической средней линии. После тОн срединной линии сдвига последовательно оценкам, функции, включая среднюю линию смены, текстуры информацию КТ-изображений, а также другие демографические данные используются для прогнозирования ПМС. Алгоритмы обучения машины используются для моделирования отношений между ПМС и извлеченные признаки 6.
2. Идеально Средняя линия оценка
- Этот шаг определяет приблизительный идеальной средней линии с помощью симметрии черепа. Во-первых, с помощью оттенков серого порога, череп должен быть сегментирован от остального содержания в изображении КТ. После чего, выполнить исчерпывающий поиск для определения углов поворота вокруг центра масс черепа. Оптимальный угол вращения определяется как угол, который максимизирует симметрии в результате половины черепа. Ориентировочная идеальной средней линии является линия, проходящая через точку центра масс и имеет оптимальную ангел вращение по отношению к первоначальному вертикальном направлении изображения КТ.
- Этот шаг обнаруживает рosterior серп и передней мозговой серп привязанность к краям сагиттальной борозды. Этот шаг выполняется для уточнения определили приблизительный идеальной линии. Первые определяют два поиске прямоугольники с центром в двух точек пересечения между приближенным идеальной линии и свода черепа. Затем выберите размер прямоугольников эмпирически так, что они охватывают анатомических особенностей, чтобы быть обнаруженным, как описано ниже. Передняя вложения серп определяется как точка пика хребта на черепа и серп мозговой определяется как серая линия в задней области 3.
- Этот шаг использует эти функции обнаружен выше для уточнения идеальных срединной позиции. Как только пиковая точка переднего привязанность серп и самой дальней точки в задней мозговой серп с calvarum не указано, изысканный идеальной средней линией является линия, соединяющая две точки.
3. Сегментация желудочка
- Сначала нанесите низкой леVel сегментации, используя модель гауссовых смесей (GMM) для каждой КТ 4,7. КТ можно разделить на 4 вида тканей: кость / кровь, спинномозговая жидкость (ликвор), серого вещества и белого вещества. Для инициализации модели Гауссовой смеси, параметры рассчитываются на основе итерационного K-средства сегментации результате изображение КТ. Затем с помощью максимизации ожидания (EM) метод для оптимизации GMM итеративно, чтобы лучше представить образ CT. Жесткий результате сегментации может быть получен путем разбиения изображения КТ в регионах на основе максимальной вероятностью членов, что каждый пиксель относится к различным типам региона.
- После низким уровнем сегментации GMM, применяются дополнительные ограничения на результат сегментации для того, чтобы признать желудочка регионов. Только регионах желудочка с размером выше определенного порога сохраняется. Применение ограничений на расположение желудочков регионов, а использование мозга ограничительной рамки и набор ventriclэлектронной шаблонов. Извлеките набор шаблонов из желудочков мозга стандартной МРТ, а затем увеличить его с помощью морфологического расширения для компенсации изменения среди различных предметов и патологических случаях.
4. Фактический Средняя линия оценка
- Укажите характерных точек на желудочка шаблоны, извлеченные из MR.
- Есть несколько Форма регионов соответствия между 5,8 сегментирован желудочков и шаблонов MR.
- Оценка фактической средней линии на основе выявленных характерных точек на желудочка формы, используя форму соответствия. Затем с помощью средней левой средней и правой стороне среднее х-координаты этих характерных точек для определения х-координаты срединной линии.
5. Больше функций Вытяжки
- Измерьте внутричерепная гематома / кровотечение объема на основе гауссовой модели смеси (GMM) сегментация результатов, полученных КТ-изображений. Сегментирован результате может взаключаем небольших регионах, включая венозных синусов кровью и мозговой серп, но они обычно можно пренебречь в сравнении с регионами гематомы. Затем подсчитать количество пикселей классифицируются как кровь для каждой части и сложить их. Окончательная сумма количественно extravasated объем крови в КТ.
- Извлечение текстуры возможности. Сначала выберите шесть окон в каждом изображении КТ, которая фиксирует серого и белого вещества, но избежать крови и желудочка структур в изображении КТ, см. Рисунок 6. Затем извлеките соответствующий особенностей текстуры с помощью следующих методов: Серый Длина Run Level 9, Гистограмма анализ, анализ Фурье, Dual деревьев Комплексный анализ вейвлет-10.
- Демографическая информация и оценка тяжести травмы, также собираются.
- Все извлеченные особенности каждого изображения CT агрегируются представлять весь КТ. В частности, мин (F), макс (F), средний (F), средние (F), STD (F) вычисляются среди др.л выбранных объектов, принадлежащих данному КТ, например, функция ƒ от средней линии смены или текстуры функцию. Для внутричерепное кровоизлияние количество функций, кроме 5 операторов, перечисленных выше, сумма (F) также добавляется для записи общего объема крови.
6. МСП по оценке
Основная идея оценки ПМС является применение методов машинного обучения для построения модели на основе набора обучающих выборок. Тогда построили модель оценивается на оставшихся образцов. Из-за высокой размерности извлеченные признаки в том числе из КТ и демографической информации, выбор характеристик важно, чтобы удалить несвязанный возможности для относительно простых Таким образом, стабильная модель. Поэтому существуют два шага должны быть выполнены для МСП оценки / прогноза. Во-первых, выберите относительно особенностей, которые являются информативными в прогнозировании МСП. Второй шаг заключается в использовании опорных векторов (SVM) в качествеАлгоритм обучения разрабатывать и оценивать модели обучения. Программное обеспечение таких как RapidMiner 11 идеально подходит для этой задачи, потому что это очень хорошо развита инструментом для большинства алгоритмов машинного обучения и обеспечивает очень мощные интерфейсы для обучения и оценки моделей.
- Выполнять функцию выбора в два этапа. Первое использовать отношение прироста информации критерий на первом этапе, чтобы выбрать 50 лучших возможностей. На втором этапе, используя генетический алгоритм включения SVM в целях дальнейшей оптимизации выбора функции. Затем с помощью окончательного набора выбранных функций для построения модели для прогнозирования МСП в следующем шаге.
- Выполните ICP классификации и оценки посредством методов машинного обучения. Верхняя диаграмма уровня обучения и тестирования приведены в RapidMiner на рисунке 8. Нанесите 10 раз перекрестной проверки схемы, как самый дальний от центра слоя для оценки. Для того, чтобы построить модель с лучшими обобщение и избежать чрезмерного прилегающие к тОн обучающих данных, гнездо еще один слой перекрестной проверки внутри каждого учебного раз. В этих модулях, сначала нанесите на процесс выбора функции описаны выше, а затем использовать SVM для классификации с собственным модулем выбора параметра 6.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Тестирование CT данных были предоставлены Система Каролины Здравоохранения (ЦОН) по институциональной утверждение совета. Все испытуемые были диагностированы с легкой и тяжелой ЧМТ, когда впервые в больницу. Для каждого пациента, значение МСП был записан каждый час, используя ICP датчики внутри желудочка региона как до, так и после компьютерной томографии были получены. Чтобы связать значение МСП друг с КТ, среднее двух ближайших измерений ICP ко времени КТ, оба из которых находятся в пределах часа КТ. Затем назначьте среднем, как оценочная стоимость ПМС во время компьютерной томографии. Группа ПМС значений на два класса: повышенное ICP, если ПМС> 12 мм Hg и нормальной ПМС, если ПМС ≤ 12 мм рт. Наборы данных содержат 17 пациентов. Из этого набора, 391 осевой КТ изображений выбрано, которые показывают желудочков или регионов, которые должны были содержащейся желудочков. Рисунке 2 показан результат идеального обнаружения средней линии. На рисунке 3 вентиляционныхricles на сегменты. рисунке 4 показано предполагаемое фактической средней линии. рисунке 5 показана оценка средней линии смены. рисунке 7 показана сегментация крови с использованием ГММ. Количественной оценки производительности также выполняется. В большинстве ломтиками (более 80%), ошибка между идеалом средней линии оценивается рамки и руководство аннотации около 2 пикселей, что составляет около 1 мм. Для фактической средней линии, выше 80% меньше, чем 2,25 мм разницы при условии, что качество желудочка сегментации является относительно хорошо (он определяется как "относительно хорошо", если качество сегментации результат может быть использован для оценки фактической средней линии вручную). Есть 57 КТ в оценке прогноза ПМС. В результате предложенного метода оценивается с помощью следующих трех способов: чувствительность, специфичность и точность. Чувствительность определяется как
Чувствительность = # (истинно положительных) / # (рositives).
Специфика определяется как
Специфика = # (правда негативов) / # (негативов).
Предикации точность определяется как
Точность = # (скорректированный прогноз) / # (общая образцов).
Точность около 70% было достигнуто в нашем исследовании с использованием 10-кратной проверки крест. Чувствительность было установлено, что около 65% и специфичностью около 73%. Это может означать определенную предсказательную силу предложенного метода на этом наборе данных. Следующий шаг будет репликации аналогичные результаты на других независимых наборов данных.
Рисунок 1. Верхний уровень рамках метода Есть три функции извлечения модулей для сырья КТ-изображений. Средней линии сдвига измерений, текстур анализа и блдревесины суммы оценки. Все извлеченные признаки и другие записанной информации, таких как демографические данные подаются в классификации модуль для прогнозирования ПМС уровнях.
Рисунок 2. В результате идеального обнаружения средней линии. Красной линии приблизительное идеальной линии. Два прямоугольных коробках охватывают выступ кости и нижней серп мозговой соответственно. Эти поля используются для уменьшения регионах, представляющих интерес. Зеленая линия тире является окончательным обнаружены идеальной средней линии, которая захватывает выступ кости и нижней серп мозговой точно.
Рисунок 3. В результате желудочка сегментации. Левое изображение является исходным изображением КТ. Право изображение состоит из ФоллоКрыло линии: внутренние края черепа, внутренний ограничивающий прямоугольник, образованный четырьмя линиями, внешней ограничительной рамки образованного еще четыре линии, края соответствует увеличенной шаблон желудочка, красный регионов, представляющих обнаружены регионов желудочка, серые регионах представляющие другие регионы отклонил быть регионах желудочка после применения ряда ограничений на признании желудочков.
Рисунок 4. В результате фактическая оценка средней линии. Эта цифра показывает результаты оценки в различных КТ-изображений с различными формами желудочка. Белый регионов сегментированных областей желудочка. Синие контуры края соответствующих шаблонов желудочка. Красные точки обнаружения характерных точек представляющих внутренние края желудочков используются для расчета фактической средней линии. Зеленая линия является окончательным приблизительно действительАль средней линии. Нажмите, чтобы увеличить показатель .
Рисунок 5. В результате оценки средней линии смены. Левое изображение показывает срез вход ТТ. Правое изображение показывает обработанный результат, похожий на рисунке 3. Левая вертикальная зеленая линия представляет собой расчетную идеальной средней линии, а правая вертикальная зеленая линия представляет собой оценку фактической средней линии. Расстояние между двумя линиями оценкам, сдвиг средней линии.
Рисунок 6. Шести выбранных окон для текстурного анализа. Выбраны окна красные прямоугольники избежать желудочков.
Рисунок 7. Кровь сегментации. Левом изображении есть образ входа CT. Правое изображение показывает сегментации карты производится методом GMM. Самая яркая область соответствует кровь региона.
Рисунок 8. На верхнем уровне кросс-проверки в RapidMiner. Левом окне отображаются модули в процессе обучения и в правом окне показаны модули в процессе тестирования. В процессе обучения, мы сначала использовать модуль прирост информации и генетический модуль алгоритм выбора функций. Тогда SVM используется, чтобы сделать классификацию. Параметров настройки SVM осуществляется с помощью вложенных перекрестной проверки в процессе оптимизации параметров. Окончательный полный обученные модели выхода из OuterSVM процесс, используя все траиНин данных. В тестировании модулей, выбранных объектов используются и обученные модели оценки. Нажмите, чтобы увеличить показатель .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
В этом исследовании, интуитивно понятной и гибкой структуры, предлагается решить две сложные задачи: оценка средней линии сдвига в КТ и МСП по уровню прогноз, основанный на извлеченные признаки. Результаты оценки показывают эффективность предлагаемого метода. Насколько нам известно, это первый раз систематическое изучение в решении этих двух проблем. Отметим, что на основе общей базы, существует много потенциальных улучшений, которые могут быть достигнуты. Например, в предлагаемой сегментации, низким уровнем сегментации и высокий уровень признания разделяют и в настоящее время нет никакой обратной связи от высокого уровня на низкий уровень сегментации. Это отличается от человеческого визуального осмотра, который имеет взаимодействие между плохим зрением уровень и высокое признание уровня. Один возможный подход, чтобы объединить эти два уровня вместе, так называемая "модель на основе низком уровне сегментации". В этом методе, с низким уровнем сегментации руководствуется йэлектронной высоком уровне атлас моделей целевой структуры. Например, регистрация алгоритм может быть применен на первом этапе, чтобы выровнять CT изображения на стандартный образ CT. Это может еще больше повысить точность желудочка признания, а также оценки средней линии сдвигом, поскольку она может обеспечить более точное отображение в структурах головного мозга между КТ и стандартный образ CT. Для предсказания ПМС, хотя результат обещает основана на наборе данных испытания, мы должны заметить, что размеры образцов ограничено. Это будет более убедительным для проверки результатов на основе другого независимого набора данных. При применении машинного обучения для прогнозирования ПМС, размер выборки является очень важным фактором. Большое набора данных КТ обследований, которые могут содержать несколько различных моделей в обоих КТ изображений и сигналов МСП, может дать более информативной оценки предлагаемой системы.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Нет конфликта интересов объявлены.
Acknowledgments
Этот материал основан на работе, частично поддержана Национальным научным фондом под Грантом Номер IIS0758410. Данные, предоставляемые системой Каролины Healthcare.
References
- Langlois, J. A., Rutland-Brown, W., Thomas, K. E. Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , Centers for Disease Control and Prevention, National Center for Injury Prevention and Control. Atlanta, GA. (2006).
- Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
- Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching. BMC Medical Informatics and Decision Making. 9, Suppl 1. (2009).
- Segmentation of Ventricles in Brain CT Images Using Gaussian Mixture Model Method. Chen, W., Najarian, K. 2009 IEEE/ICME International Conference on Complex Medical Engineering (ICME2009), , 15-20 (2009).
- Actual Midline Estimation from Brain CT Scan Using Multiple Regions Shape Matching. Chen, W., Ward, K. R., Najarian, K. International Conference on Pattern Recognition, , 2552-2555 (2010).
- Intracranial Pressure Level Prediction in Traumatic Brain Injury by Extracting Features from Multiple Sources and Using Machine Learning Methods. Chen, W., Cockrell, C., Ward, K. R., Najarian, K. IEEE International Conference on Bioinformatics & Biomedicine, , 510-515 (2010).
- Greenspan, H., Ruf, A., Goldberger, J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images. IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).
- Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
- Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
- Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
- Yale: Rapid prototyping for complex data mining tasks. Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T. KDD '06: Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, , 935-940 (2006).
