基于脑部CT图像的自动中线移位与颅内压估测

摘要

提出了一种基于计算机断层扫描（CT）图像的自动化中线偏移估测与颅内压（ICP）预筛查系统，用于创伤性脑损伤（TBI）患者，该系统采用图像处理与机器学习技术。

摘要

本文介绍了一种主要基于计算机断层扫描（CT）图像的自动化系统，该系统包含两个主要组成部分：中线偏移估计算法和颅内压（ICP）初步筛查系统。为了估计中线偏移，首先根据颅骨的对称性以及脑部CT扫描中的解剖特征，估算理想中线位置。随后，对CT扫描图像中的脑室进行分割，并利用形状匹配方法将其作为识别实际中线的引导依据。这些步骤模拟了临床医生的测量过程，在评估中已显示出良好的结果。在第二部分中，进一步提取了与ICP相关的多种特征，例如CT图像中的纹理信息、出血量以及其他记录的临床特征，如年龄、损伤严重程度评分等，用于ICP的估计。系统采用包括特征选择与分类在内的机器学习技术，例如支持向量机（SVMs），并利用RapidMiner构建预测模型。模型的评估结果表明其具有潜在的应用价值。所估算的理想中线偏移量和预测的ICP水平可作为医生决策时的快速初筛步骤，以判断是否建议进行有创ICP监测。

引言

每年，美国约有140万例与创伤性脑损伤（TBI）相关的急诊科病例，其中超过50,000例导致死亡¹严重创伤性脑损伤（TBI）通常伴随颅内压（ICP）升高，症状包括血肿和脑组织肿胀。这些变化会导致脑灌注压和脑血流量降低，使受损脑组织面临进一步风险。显著升高的ICP可能危及生命，因此对TBI患者进行ICP监测至关重要。目前通常需要将留置导管直接植入脑内以监测压力，该操作具有风险，仅能在专业医疗中心实施，且存在感染等并发症风险。然而，部分ICP升高的征象可在医学影像中观察到。特别是中线移位常与ICP升高相关，可通过脑部计算机断层扫描（CT）图像识别。因此，此类影像为无创检测ICP升高提供了可能，可作为开颅手术前的初步筛查手段。在所有影像学检查方法中，CT成像仍是TBI初期评估的金标准。 例如 MRI，由于其高速度和相对较低的成本²此外，CT检查不需要患者严格保持不动，且在显示骨折和血肿等严重异常方面具有优势。尽管CT常用于检测脑部损伤，但根据现有技术，中线移位无法自动测量，因此医生必须通过视觉检查来评估这一重要指标。CT影像解读的不准确或不一致通常与人类视觉系统的特性及大脑复杂的结构有关。虽然较小的中线移位难以察觉，但在损伤早期、患者病情恶化之前，这些细微变化对于评估脑损伤往往具有重要价值。而在另一极端，较大的中线移位提示颅内压（ICP）显著升高及更严重的创伤性脑损伤（TBI）。然而，人类通过目视检查CT图像并定量预测ICP水平是一项极具挑战性的任务。随着自动化计算技术的进步，从CT图像中提取的特征（如中线移位、血肿体积以及脑部CT图像的纹理）已可通过先进的图像处理方法进行精确且自动化的测量。然而，ICP与中线移位以及其他特征（如出血程度、CT图像纹理）之间的关系尚未得到充分研究。本文提出了一种计算框架，用于测量脑部CT图像上的中线移位及其他生理/解剖特征，并利用机器学习技术无创地预测ICP程度。

方案

1. 方法概述

该框架用于处理创伤性脑损伤（TBI）患者的脑部CT图像，通过自动计算病理性病例中的中线偏移，并结合其他提取的信息来预测颅内压（ICP）。图1展示了整个框架的示意图。自动中线偏移测量可分为三个步骤：首先，基于颅骨对称性和组织特征，通过分层搜索确定脑部的理想中线，即损伤前的中线³；其次，对每幅脑部CT图像进行脑室系统的分割⁴；第三，利用形状匹配方法，从分割得到的变形脑室系统中估计实际中线⁵。随后，基于理想中线与实际中线的估计结果，计算脑室系统的水平偏移量。在成功估计中线偏移后，将中线偏移、CT图像的纹理信息以及其他人口统计学信息等特征用于预测ICP。采用机器学习算法对ICP与所提取特征之间的关系进行建模⁶。

2. 理想中线估计

1. 此步骤利用颅骨的对称性检测近似的理想中线。首先，通过灰度阈值分割，需将颅骨从CT图像中的其余内容中分离出来。随后，围绕颅骨的质量中心进行穷尽搜索，以确定旋转角度。最优旋转角度定义为使颅骨两半部分对称性最大化的角度。近似的理想中线是通过质量中心点且相对于CT图像原始垂直方向具有最优旋转角度的直线。
2. 此步骤检测大脑镰后部（falx cerebri）以及大脑镰前部在矢状沟边缘的附着点。该步骤用于优化此前识别出的近似理想中线。首先，在近似理想中线与颅骨外板的两个交点处分别定义两个搜索矩形。接下来，根据经验选择矩形的大小，使其覆盖如下所述待检测的解剖结构。大脑镰前附着点被识别为颅骨上的脊状结构的顶点，而大脑镰后部则被识别为后部区域的一条灰度线³。
3. 此步骤利用上述检测到的特征进一步优化理想中线的位置。一旦确定了大脑镰前附着点的顶点以及大脑镰后部距离颅骨外板最远的点，优化后的理想中线即为连接这两个点的直线。

3. 心室分割

1. 首先，对每个CT切片使用高斯混合模型（Gaussian mixture model, GMM）进行低层次分割^4,7。CT图像可划分为四种组织类型：骨骼/血液、脑脊液（cerebrospinal fluid, CSF）、灰质和白质。在初始化高斯混合模型时，参数的估计基于CT图像的迭代K均值分割结果。随后使用期望最大化（expectation-maximization, EM）方法对GMM进行迭代优化，以更准确地表征CT图像。通过将CT图像中每个像素根据其归属于不同区域类型的最高概率进行划分，可获得硬分割结果。
2. 在完成GMM的低层次分割后，进一步施加约束条件以识别脑室区域。仅保留尺寸超过特定阈值的脑室区域。同时利用脑部边界框和一组脑室模板对脑室区域的位置施加约束。从标准脑部MR图像中提取脑室模板集，并通过形态学膨胀操作对其进行放大，以适应不同受试者之间以及病理情况下的个体差异。

4. 实际中线估计

1. 在从磁共振图像提取的脑室模板上标定特征点。
2. 对分割出的脑室与磁共振模板进行多区域形状匹配^5,8。
3. 基于通过形状匹配确定的脑室形状上的特征点，估计实际中线位置；然后利用这些特征点x坐标左侧均值与右侧均值的平均值，确定中线的x坐标。

5. 更多特征提取

1. 基于CT图像的高斯混合模型（GMM）分割结果，测量颅内血肿/出血体积。分割结果可能包含静脉窦血液和大脑镰等小区域，但这些区域通常与血肿区域相比可忽略不计。随后统计每层图像中被分类为血液的像素数量，并将其累加。最终的总和即为CT检查中渗出血液体积的量化值。
2. 提取纹理特征。首先在每张CT图像中选择六个窗口，窗口需包含灰质和白质区域，但应避开CT图像中的血管和脑室结构，参见 图6然后，使用以下方法提取相应的纹理特征：灰度级游程长度⁹，直方图分析，傅里叶分析，双树复小波分析¹⁰.
3. 同时收集人口统计学信息和损伤严重程度评分。
4. 将每张CT图像提取的所有特征进行汇总，以表示整个CT检查。具体而言， 最小值(f)，最大值(f)，中位数(f)，均值(f)，标准差(f) 在属于特定CT检查的所有选定特征之间进行计算， 例如 中线移位特征ƒ或纹理特征。对于颅内出血量特征，除了上述5种算子外， sum(f) 还添加以记录总血容量。

6. 颅内压估算

ICP 估计的主要思想是应用机器学习技术，基于一组训练样本构建模型，然后在剩余的测试样本上评估所构建的模型。由于提取的特征维度较高，包括来自 CT 扫描和人口统计学信息的特征，因此特征选择至关重要，可去除无关特征，从而得到相对简单且稳定的模型。因此，ICP 估计/预测需要执行两个步骤：第一步是选择在预测 ICP 时具有信息量的相关特征；第二步是采用支持向量机（Support Vector Machines, SVM）作为学习算法，用于开发和评估训练模型。RapidMiner¹¹ 等软件非常适合完成此项任务，因为它是一个高度成熟的机器学习算法工具，提供了功能强大的界面，可用于训练和评估模型。

1. 分两个阶段进行特征选择。第一阶段使用信息增益比准则筛选出前 50 个特征；第二阶段采用结合支持向量机（SVM）的遗传算法进一步优化特征选择。然后利用最终选定的特征集，在下一步中构建用于颅内压（ICP）预测的模型。
2. 通过机器学习技术实现颅内压（ICP）的分类与评估。图 8 中展示了在 RapidMiner 中的训练与测试顶层流程图。采用 10 折交叉验证方案作为最外层的评估方法。为了构建泛化能力更强的模型并避免对训练数据过拟合，在每一折训练过程中嵌套另一层交叉验证。在这些模块中，首先应用上述特征选择过程，然后使用支持向量机（SVM）进行分类，并结合其自身的参数选择模块⁶。

结果

测试用的CT数据集由卡罗莱纳医疗系统（CHS）在机构审查委员会批准下提供。所有受试者在首次入院时均被诊断为轻度至重度创伤性脑损伤（TBI）。对于每位患者，在进行CT扫描前后，均通过置于脑室区域内的ICP探头每小时记录一次颅内压（ICP）值。为将ICP值与每次CT扫描相关联，取CT扫描时间点前后最近的两次ICP测量值并计算其平均值，这两次测量均在CT扫描前后一小时之内完成，然后将该平均值作为CT扫描时刻的估计ICP值。将ICP值分为两类：若ICP >12 mm Hg，则归为升高ICP；若ICP ≤ 12 mm Hg，则归为正常ICP。数据集共包含17名患者。从中选取了391幅显示脑室或本应存在脑室区域的轴位CT扫描图像。图2展示了理想中线检测的结果。图3展示了脑室的分割结果。图4展示了估计的实际中线。图5展示了中线移位的估计结果。图7展示了使用高斯混合模型（GMM）对出血区域的分割结果。同时进行了定量性能评估。在大多数切片（超过80%）中，框架估计的理想中线与人工标...

讨论

本研究提出了一种直观且灵活的框架，用于解决两个具有挑战性的问题：CT 图像中中线偏移的估计以及基于提取特征的颅内压（ICP）水平预测。评估结果表明了所提出方法的有效性。据我们所知，这是首次系统性地研究这两个问题。我们注意到，基于该通用框架，仍存在许多潜在的改进空间。例如，在当前提出的分割方法中，低层次分割与高层次识别是分离的，目前尚无从高层次反馈至低层次分割的机制。这与人类视觉检查存在差异，后者在低层次视觉与高层次识别之间具有交互作用。将这两个层次结合的一种潜在方法是所谓的“基于模型的低层次分割”。在此方法中，低层次分割由目标结构的高层次图谱模型进行引导。例如，可在第一步应用配准算法，将 CT 图像与标准 CT 图像对齐。这可能进一步提高脑室识别的准确性以及中线偏移估计的精度，因为它能够在 CT 图像与标准 CT 图像之间的脑结构中提供更精确的映射。对于 ICP 预测，尽管基于测试数据集的结果令人鼓舞，但我们必须注意到样本量有限。若能基于另一个独立的数据集验证结果，将更具说服力。在机器学习应用于 ICP 预测时，样本量是一个非常重要的因素。更大规模的 CT 检查数据集，可能包含更多样化的 CT 图像和 ICP 信号模式，可对所提出的框架...