خط الوسط التحول الآلي وتقدير الضغط داخل الجمجمة يعتمد على الصور CT الدماغ

الهدف العام من هذه التجربة هو اكتشاف التحولات في خط الوسط من صور التصوير المقطعي المحوسب للدماغ للمرضى الذين يعانون من إصابات الدماغ الرضحية وبالتالي تقدير الضغط داخل الجمجمة داخل الدماغ. في هذا المشروع ، قمنا بتطوير طريقة حسابية لتحليل صور التصوير المقطعي المحوسب والتنبؤ بالضغط داخل الجمجمة أو برنامج المقارنات الدولية. الحافز لهذا المشروع هو حقيقة أنه في كثير من الحالات التي يعاني فيها الأشخاص من إصابات في الرأس ، هناك دائما شك في أن برنامج المقارنات الدولية أو الضغط داخل الجمجمة قد يكون مرتفعا ، لذلك التصوير المقطعي المحوسب ، يمكننا تقييم تورم الدماغ ، ويمكننا تقييم الأورام الدموية ، ويمكننا تقييم تحولات خط الوسط أو ، أو التحولات في الدماغ ، لكن ما لا يمكننا التنبؤ به بشكل موثوق هو تأثير ذلك على الضغط داخل الجمجمة بخلاف ما هو بشكل عام ، فهو يرفعه إلى حد ما ، وهذا هو المكان الذي تكون فيه الطرق الحسابية التي كنا نعمل عليها مفيدة

يمكنه التنبؤ بمستوى معقول من الدقة بالضبط بتأثيرات التغيرات التشريحية على الضغط داخل الجمجمة. يقدم هذا الرسم التخطيطي نظرة عامة على المنهجية المستخدمة في هذا البحث. يعرف التصوير المقطعي المحوري المحوسب أكثر شيوعا بأسمائه المختصرة أو التصوير المقطعي المحوسب أو التصوير المقطعي المحوسب.

تم تطوير فحوصات التصوير المقطعي المحوسب من سلسلة كبيرة من صور الأشعة السينية ثنائية الأبعاد التي تم التقاطها حول محور دوران واحد. في الخطوة الأولى من نهجنا ، يتم الحصول على فحوصات التصوير المقطعي المحوسب للمرضى الذين يعانون من إصابات الدماغ الرضحية أو إصابات الدماغ الرضية وتحليلها للكشف عن تحول خط الوسط. تتضمن الخطوة التالية استخراج وتحليل الميزات الأخرى مثل معلومات النسيج المختلفة لصور التصوير المقطعي المحوسب وتقدير كمية الدم.

نهجنا أيضا الميزات المستخرجة بالإضافة إلى المعلومات الديموغرافية الأخرى للتنبؤ بخوارزميات التعلم الآلي لبرنامج المقارنات الدولية لنمذجة العلاقة بين برنامج المقارنات الدولية والميزات المستخرجة. يتم الكشف عن خط الوسط المثالي التقريبي باستخدام تناسق الجمجمة. أولا باستخدام عتبة المقياس الرمادي ، يتم تقسيم الجمجمة من شريحة الصورة.

ثم تبحث الخوارزمية في كل زاوية دوران بشكل شامل حول مركز كتلة الجمجمة للعثور على الخط الذي يزيد من تناسق النصفين الناتجين من الجمجمة. خط الوسط المثالي التقريبي هو الخط الذي يمر عبر نقطة مركز الكتلة بزاوية الدوران. تعظيم التماثل ، قد لا يوفر لنا اكتشاف خط الوسط المثالي بناء على التماثل وحده دائما نتائج ذات مغزى تلقائيا.

لذلك ، في طريقتنا ، نتخذ خطوة أخرى إلى الأمام للعثور على ميزات إلكترونية محددة مثل نظرية الصندوق الخلفي ومرفق الثعلب الأمامي لتحسين مواقع خط الأمين. بعد ذلك ، يتم تحديد رأس الثعلب الخلفي ومرفق الثعلب الأمامي بهوامش التلم السهمي لتحسين خط الوسط المثالي التقريبي من أجل اكتشاف هذه السمات التشريحية بسرعة ودقة. ثانيا ، يتم تحديد المستطيلات البحثية بناء على خط الوسط المثالي التقريبي ونقطتي التقاطع الخاصة به.

مع الكالفاريوم ، يتم اختيار حجم المستطيل ليشمل السمات التشريحية المراد اكتشافها. يتم الكشف عن مرفق الثعلب الأمامي كنقطة ذروة للتلال على الكالفاريوم ، بينما يتم الكشف عن رأس الثعلب على أنه الخط الرمادي في المنطقة الخلفية. يوجد نتوء عظمي في الجزء الأمامي من الجمجمة.

يمتد الثعلب من هذه النقطة. يمكن استخدام هذه الميزة التشريحية كنقطة انطلاق لخط الوسط. يمكن ملاحظة أن النتوء ينحني إلى نقطة دنيا محلية عند الحافة الأمامية للثعلب.

إذا نظر المرء إلى الحافة السفلية لعظام الجمجمة على أنها منحنى على مستوى الصورة ، فيمكن نمذجة المنحنى كدالة أحادية البعد. يصبح اكتشاف نقطة النتوء مسألة إيجاد الحد الأدنى من دالة أحادية البعد التي تم أخذ عينات منها. مع إدخال عظم الجمجمة العلوي المجزأ ، فإن الخطوة الأولى هي استخراج الحافة السفلية للعظم.

الخطوة التالية الكشف عن النتوء باستخدام المصغر المحلي. هنا ، يمثل الحد الأدنى المحلي أيضا نقطة نهاية النتوء. يوضح هذا الرسم البياني التخطيطي كيف يتم اكتشاف الثعلب في الجزء السفلي من الدماغ.

نظرا لأن الهدف هو اكتشاف الخطوط الرمادية الفاتحة وليس الخطوط الداكنة في الخطوة الأولى ، يتم استخدام القيمة المتوسطة للمنطقة كعتبة. باستخدام هذا الحد ، يتم تعيين جميع قيم المقياس الرمادي أدناه كقيمة متوسطة. ثم يتم استخدام كاشف حافة عبور الصفر لإنشاء خريطة الحافة.

يحافظ هذا على حواف أكثر ثراء أثناء اكتشاف السلبيل ويسمح بإزالة الحواف غير المرغوب فيها في الخطوة التالية. ثم يتم تحسين خريطة الحافة خطوة بخطوة باستخدام الميزات المعروفة لرأس الثعلب. يتم ذلك أولا عن طريق تحسين خريطة الحافة باستخدام الشدة والتدرج ، وبعد ذلك يتم استخدام عتبة الحجم وعتبة التركيز لتحسينها.

علاوة على ذلك ، فإن عتبة التركيز ليست سوى كثافة نقاط الحافة. أخيرا ، يتم تطبيق تحويل Hof للكشف عن الخطوط التي تمثل الثعلب. ساره. عادة ما تكون نتائج تحويل HOF عبارة عن مجموعة من الخطوط. اثنان.

يجب وضع قيود لاستخراج الخطوط المرغوبة من هذه المجموعة. أولا ، يجب أن تكون زاوية الخط في النطاق الذي تتركز فيه الخطوط. يتم الحصول على هذا النطاق عن طريق حساب إحصائيات زوايا الخط المكتشف.

ثانيا ، يجب أن يقع الخط داخل النطاق حيث تتركز مجموعة الخطوط. يتم اختيار خط الوسط المثالي النهائي في هذه المرحلة باعتباره أطول الخطوط التي تفي بالقيود المذكورة أعلاه. توضح هذه الصورة منطقتي الاهتمام وخط الوسط المثالي المكرر بناء على النتوءات الداخلية.

الخط الأخضر هو خط الوسط المثالي المكرر ، والخط الأحمر هو الموضع التقريبي لخط الوسط المثالي للمطر قبل الصقل. تظهر هذه الصورة النموذج ثلاثي الأبعاد للنظام البطيني مع وجود شريحة بالرنين المغناطيسي من الدماغ. يمثل الجزء الأحمر من الصورة الجهاز البطيني في 3D.

يتكون الجهاز البطيني من بطين ثنائي في الأعلى ، والبطين الثالث في المنتصف ، والبطين الرابع في الأسفل. السبب في أننا نستخرج المعلومات حول البطين هو أنه عندما يتغير الضغط داخل الدماغ بسبب إصابة ، فإنه يتشوه وبالتالي فهو مرشح مناسب لقياس تشوه أنسجة المخ والحالات المرضية. في شرائح صور التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب المتتالية ، يظهر الجهاز البطيني بأشكال مختلفة على اليمين ، وتظهر الأشكال المستخرجة للجهاز البطيني من التصوير بالرنين المغناطيسي.

الهدف من تجزئة التصوير المقطعي المحوسب هو تحديد هذه الأشكال من فحوصات التصوير المقطعي المحوسب الأصلية. في طريقتنا المقترحة ، يتم فصل عملية التجزئة إلى قسمين. أولا ، يتم تطبيق طريقة تجزئة أولية منخفضة المستوى لتجميع وحدات البكسل في أجزاء مختلفة.

ثم يتم استخدام طريقة مطابقة القوالب عالية المستوى لتحديد البطينين من النتائج المجزأة. توضح هذه الصورة التجزئة منخفضة المستوى بناء على طريقة الخليط الغوسي. أولا ، تمت تصفية صور التصوير المقطعي المحوسب الأصلية باستخدام التصفية المتوسطة.

النتيجة في الصورة اليسرى. بعد ذلك ، يتم تطبيق خوارزمية K-means للحصول على تجزئة أساسية. تظهر هذه النتيجة في المنتصف.

بعد تطبيق خوارزمية K-means ، يتم بعد ذلك تطبيق طريقة goss والخليط. تظهر الصورة الموجودة على اليمين ثرة وتوزيعات مختلفة على الصورة ثنائية الأبعاد ، والتي يتم تهيئتها. باستخدام تعظيم توقعات التجزئة القادمة لتطوير المعلمات وأخيرا ، يتم الحصول على نتيجة التجزئة المتناغمة.

لا يظهر الجهاز البطيني في الاتجاه Z تباينا كبيرا عبر مجموعة التدريب. لذلك ، يمكن تقريب التعيينات بشكل خطي. في الطريقة الموضحة هنا، تتم تهيئة هذه التعيينات يدويا أولا ثم تحسينها باستخدام مجموعة من صور التدريب.

هناك ثلاثة قيود لقبول تجزئة البطين الأولية. أولا ، يجب أن يكون الجزء كبيرا نسبيا. ثانيا ، الجزء ليس قريبا من حافة الدماغ.

رقم ثلاثة ، يتقاطع الجزء مع قالب البطين. توضح الأشكال الموجودة في الأسفل مثالا على خطوة التعرف على البطين من النتائج. يمكن للمرء أن يرى أنه تم التعرف على أجزاء البطين بنجاح باستخدام قيود الحجم والمربع المحيط والقالب.

من أجل تقدير خط الوسط الفعلي ، نقوم أولا بمطابقة البطينين المجزأة مع القوالب عن طريق مطابقة الشكل. يوضح هذا الشكل عملية المطابقة. أولا ، يتم أخذ عينات من نقاط الحافة.

ثم عن طريق تحسين تكلفة مطابقة الشكلين. يتم عمل مراسلات النقاط بين الشكلين. على سبيل المثال، في الصف الثاني، تعرض الصورة الأخيرة المراسلات عن طريق ربط النقاط الحمراء من شكل واحد بالنقاط الخضراء في الشكل الآخر.

نظرا لأن الجهاز البطيني عبارة عن هيكل ثلاثي الأبعاد وله أشكال مختلفة على شرائح التصوير المقطعي المحوسب المختلفة ، فإننا نقوم بمطابقة الشكل عبر جميع شرائح التصوير المقطعي المحوسب. لكل شريحة ، نحدد نقاط الميزة التي يمكن استخدامها لتقدير خط الوسط. على سبيل المثال ، نقاط الميزة في أشكال البطين الجانبي هي نقاط الحافة الداخلية للبطين الجانبيين.

يتم تحديد نقاط المعالم هذه من خلال مراسلاتها مع نقاط المعالم الموجودة في القالب، والتي يتم تسميتها يدويا قبل عملية المطابقة. نعرض هنا العديد من نتائج المطابقة عن طريق اختيار قوالب مختلفة. لكل مطابقة شكل ، هناك تكلفة مطابقة.

من خلال تحديد الحد الأدنى لتكلفة المطابقة ، نجد أفضل قالب لاستخدامه في مطابقة الشكل وتحديد نقاط الميزة. في هذا المثال، يتم عرض النقاط من نتائج التجزئة باللون الأخضر، ويتم عرض النقاط من القوالب باللون الأحمر. من خلال مقارنة تكلفة المطابقة ، يمكننا أن نرى أن القالب الأول هو الأفضل للاستخدام.

بمجرد تحديد نقاط الميزة، نحسب إحداثيات X لنقاط الميزة هذه. عادة ، توجد نقاط ميزة على الجانب الأيسر ونقاط ميزة على الجانب الأيمن. يتم تقدير إحداثيات X لخط الوسط الفعلي على أنه متوسط إحداثيات X لنقطتي الميزة اليمنى واليسرى.

نعرض هنا أربع نتائج تقدير. يمثل الخط العمودي الأخضر إحداثيات X المقدرة لخط الوسط الفعلي. يظهر قالب المطابقة بالنقاط الزرقاء.

يتم عرض نقاط المعالم المحددة باللون الأزرق. من النتائج ، يمكننا أن نرى أن تقدير خط الوسط الفعلي يعمل بشكل جيد للغاية بعد تقدير خط الوسط الفعلي. حساب التحول الأفقي لخط الوسط S بسيط.

X مثالي هو إحداثي X لخط الوسط المثالي ، و X الفعلي هو إحداثي X لخط الوسط الفعلي المقدر. توضح الصور المعروضة هنا كلا من خط الوسط المثالي المقدر وخط الوسط الفعلي. إلى جانب استخدام إزاحة خط الوسط ، قد توفر لنا هذه الميزات التي نستخرجها معلومات إضافية في التنبؤ بمستويات برنامج المقارنات الدولية.

الفكرة الرئيسية وراء ذلك هي استخراج أكبر عدد ممكن من الميزات ، وبعد ذلك باستخدام طرق اختيار الميزات ، يمكننا الاحتفاظ فقط بتلك الميزات ذات الصلة بتوفير معلومات ICB. تشمل الميزات المستخرجة من التصوير المقطعي المحوسب كمية الدم في خط الوسط وأنماط الملمس. تتضمن الميزات من مصادر أخرى المعلومات الديموغرافية مثل عمر المريض ودرجة الصدمة ودرجة شدة الإصابة.

يتم استخدام خوارزمية التجزئة القائمة على نموذج خليط جيان لتسمية وحدات البكسل. يتم تجميع وحدات البكسل في أربع فئات ، السائل الدماغي ، والمادة الرمادية ، ونسيج المادة البيضاء. قد تتضمن الأنماط في صور التصوير المقطعي المحوسب مؤشرات على حالة الدماغ.

قد تؤدي المستويات العالية من الضغط بين الجمجمة إلى تغيير نمط الملمس. نحن نركز بشكل أساسي على أنماط النسيج في المنطقة دون تطبيق السائل الشوكي الدماغي أو تحليل نسيج الدم على صور فرعية صغيرة أو نوافذ لصورة التصوير المقطعي المحوسب. يتم تحديد ست نوافذ في كل صورة تصوير مقطعي.

يتم استخراج ميزات النسيج باستخدام تحويل فوير منفصل وتحويل المويجة المنفصلة. الطويل والقصير هو أن هناك الكثير من المعلومات المتاحة. يصبح الأمر مشكلة كبيرة بالنسبة للأطباء بغض النظر عن مدى خبرتهم في معالجة كل هذه الإشارات في نفس الوقت.

لذا فإن المشروع الحالي ، الذي يهدف إلى إلقاء نظرة على فحص التصوير المقطعي المحوسب وإجراء التصوير الآلي ، سيكون مفيدا للغاية لأطباء الطوارئ وأطباء الصدمات مثلي لمساعدتنا في معالجة هذه البيانات بسرعة أكبر. تضم مجموعة البيانات 17 مريضا يعانون من إصابات دماغية خفيفة إلى شديدة. كل مريض لديه العديد من الأشعة المقطعية ، وهناك 57 فحصا إجماليا مستخدما في الدراسة.

يتم تسجيل قيمة تمثل الضغط بين الجمجمة كل ساعة. هناك فئتان من مستوى برنامج المقارنات الدولية المرتفع. يعرف برنامج المقارنات الدولية بأنه برنامج المقارنات الدولية أكبر من 12 tor.

بالنسبة لبرنامج المقارنات الدولية العادي ، يتم تعريفه على أنه برنامج المقارنات الدولية أقل من أو يساوي 12 tor. في مجموعة البيانات هذه ، هناك 33 حالة عادية و 24 حالة من ارتفاع برنامج المقارنات الدولية. من أجل إنشاء النموذج ، نستخدم مرحلتين من التحقق المتقاطع عشرة أضعاف.

الأول هو مرحلة متداخلة يتم فيها تحديد الميزات. في المرحلة الثانية ، يتم استخدام طريقة البحث الجيني والمصنف المستخدم جنبا إلى جنب مع طريقة البحث هو آلة ناقلات الدعم. توضح هذه الصورة التقدير المثالي لخط الوسط.

الخط الأحمر هو خط الوسط المثالي التقريبي بناء على تناسق الجمجمة. بعد التحسين باستخدام الميزات التشريحية ، لدينا خط وسط مثالي تقديري أفضل ، وهو الخط الأخضر. في الصورة ، تظهر هذه الصور خط الوسط الفعلي المقدر.

الخطوط الخضراء هي خط الوسط الفعلي المقدر ، والنقاط الزرقاء هي قوالب متطابقة. تظهر الصورة الموجودة على اليمين خط الوسط المثالي المقدر على يسار المركز وخط الوسط الفعلي. على اليمين ، يمكننا أن نرى التحول الناتج عن خط الوسط من التقدير.

نقدم هنا أيضا النتائج الكمية في تقييم أساليبنا. في معظم شرائح التصوير المقطعي المحوسب في مجموعة البيانات الخاصة بنا ، يكون الخطأ بين خط الوسط المثالي الذي تم تقديره بواسطة منهجيتنا وخطوط الوسط المسمى بالطبيب حوالي بكسلين أو ملليمتر واحد. بالنسبة لخط الوسط الفعلي ، فإن أكثر من 80٪ لديهم فرق أقل من 2.25 ملم في ظل مراقبة جودة معينة لنتائج التجزئة.

تقييم التنبؤ بالضغط بين الجمجمة لديه حوالي 70٪ دقة باستخدام التحقق المتقاطع عشرة أضعاف. بادئ ذي بدء ، نفصل بين عمليات التجزئة ذات المستوى المنخفض والمستوى العالي. على الرغم من أن هذا التصميم يمكن أن يستفيد من دمج خوارزميات مختلفة ، إلا أننا قد لا نستغل جميع المعلومات في التجزئة منخفضة المستوى.

من خلال الجمع بين التجزئة منخفضة المستوى والتجزئة عالية المستوى ، قد يكون لدينا نتائج تجزئة أفضل. باتباع هذه الفكرة ، يمكننا استخدام طرق مثل التجزئة المستندة إلى النموذج أو التجزئة القائمة على التسجيل من أجل الحصول على تنبؤ أفضل ، بالإضافة إلى توفير المزيد من التقييم للطريقة المقترحة. جمع المزيد من مجموعات البيانات للحصول على حجم عينة أكبر سيفيد الدراسة.