基于脑部CT图像的自动中线移位与颅内压估测

本实验的总体目标是通过检测创伤性脑损伤患者脑部CT图像中的中线移位，从而估算颅内压。在本项目中，我们开发了一种计算方法来分析CT图像并预测颅内压（ICP）。该项目的动因在于，许多头部外伤病例中，始终存在颅内压（ICP）可能升高的疑虑。通过CT检查，我们可以评估脑组织肿胀、血肿以及脑中线移位或局部移位，但我们无法可靠地预测这些变化对颅内压的具体影响程度——仅能笼统地判断其会有所升高。而我们所研发的计算方法，正是在这一方面提供帮助。

它能够以合理的准确度预测解剖结构变化对颅内压的具体影响。该示意图展示了本研究中所采用方法的概览。计算机轴向断层扫描更常以其缩写名称为人所知，即CT扫描或CAT扫描。

CT扫描是通过围绕单一旋转轴采集的大量二维X射线图像重建而成。在本方法的第一步中，获取并分析伴有创伤性脑损伤（TBI）患者的CT扫描图像，以检测中线移位情况。下一步包括提取和分析其他特征，例如CT图像的各种纹理信息以及出血量的估算。

我们的方法还利用提取的特征以及其他人口统计学信息，通过机器学习算法预测颅内压（ICP），以建模ICP与提取特征之间的关系。近似的理想中线通过颅骨的对称性进行检测。首先通过灰度阈值分割，将颅骨从图像切片中分离出来。

然后，算法围绕颅骨的质量中心，对每一个旋转角度进行穷尽式搜索，以找到使颅骨分割后两半部分对称性最大的直线。近似理想中线即为通过质量中心点并具有该旋转角度的直线。在最大化对称性的同时，仅基于对称性检测理想中线可能并不总是自动提供具有明确意义的结果。

因此，在我们的方法中，我们进一步寻找特定的电子学特征，例如后方盒状理论和前方狐状附着，以精确定位胺线的位置。接着，通过识别后方狐状结构和前方狐状附着与矢状沟边缘的连接位置，进一步优化近似理想中线，从而快速、准确地检测这些解剖特征。第二步，基于近似理想中线及其两个交点定义搜索矩形。

对于颅骨，选择矩形的大小以包含需要检测的解剖特征。前囟附着处被识别为颅骨上脊的最高点，而后囟则被识别为后部区域的灰线。颅骨前部区域存在一处骨性突起。

狐状突起从此处延伸。该解剖特征可作为中线的起始点。可见该突起向下弯曲，在狐状部前缘处形成一个局部最低点。

如果将颅骨下边缘视为图像平面上的一条曲线，则该曲线可被建模为一维函数。检测突起点的问题便转化为寻找一个采样后的一维函数的最小值。在输入了上部已分割的颅骨后，第一步是提取骨组织的下边缘。

下一步是利用局部极小值来检测突起结构。此处，局部极小值同样代表突起的末端。该示意图展示了如何检测脑部下方的狐狸结构。

由于第一步的目标是检测浅灰色线条而非较深的线条，因此使用该区域的中值作为阈值。基于此阈值，将所有低于该阈值的灰度值设置为中值。然后使用零交叉边缘检测器生成边缘图。

这能在 sobell 检测过程中保留更丰富的边缘，并允许在下一步中去除不需要的边缘。随后，利用狐狸大脑的已知特征逐步优化边缘图。首先通过强度和梯度信息对边缘图进行优化，然后使用尺寸阈值和浓度阈值进一步优化。

进一步地，此处的浓度阈值实际上就是边缘点的密度。最后，应用HOF变换来检测代表fox.Sarah的线条。HOF变换的结果通常是一组线条。Two。

必须建立约束条件，以从该集合中提取出理想的线条。首先，线条的角度必须处于线条密集的范围内。该范围通过计算所检测线条角度的统计值获得。

其次，该直线必须位于线条聚集范围的内部。最终的理想中线在此阶段被选为满足上述约束条件的最长直线。该图像显示了基于内部突起确定的两个感兴趣区域以及优化后的理想中线。

绿色线条是经过优化的理想中线，红色线条是优化前脑室理想中线的大致位置。该图像显示了包含脑部MRI切片的脑室系统的3D模型。图像中的红色部分代表三维的脑室系统。

脑室系统由顶部的两个侧脑室、中间的第三脑室以及底部的第四脑室组成。我们提取脑室相关信息的原因是，当脑部因损伤导致内部压力发生变化时，脑室会发生形变，因此它是测量脑组织形变及病理状况的合适指标。在连续的MRI或CT图像切片中，脑室系统呈现出多种形态，右侧展示了从MRI中提取出的脑室系统形态。

CT 分割的目的是从原始 CT 扫描图像中识别出这些结构。在我们提出的方法中，分割过程分为两个部分。首先，采用一种初始的低层次分割方法，将像素分组为不同的区域。

然后采用高水平模板匹配方法，从分割结果中识别脑室。该图像展示了基于高斯混合模型的低水平分割。首先，使用中值滤波对原始CT图像进行滤波处理。

结果如左图所示。随后，应用K-means算法以获得核心分割，该结果如中图所示。

应用K均值算法后，接着采用goss和混合方法。右侧图像显示了初始化后的2D图像上不同的goss及分布情况。随后使用相同的分割期望最大化方法对参数进行优化，最终获得精细调整的分割结果。

在 Z 方向上，脑室系统在整个训练集中未显示出显著变化。因此，映射关系可用线性形式近似。在本文所述方法中，这些映射首先通过手动初始化，然后利用一组训练图像进行优化。

接受初始脑室分割需满足三个条件。第一，该分割区域需要相对较大。第二，该区域不能靠近大脑边缘。

第三，该片段与脑室模板相交。底部的图示展示了脑室识别步骤的结果示例。可以看出，脑室部分已通过尺寸、边界框和模板约束成功识别。

为了估算实际的中线，我们首先通过形状匹配将分割出的脑室与模板进行配准。该图展示了配准过程。首先，对边缘点进行采样。

然后通过优化两个形状之间的匹配代价来建立两形状之间点的对应关系。例如，在第二行中，最后一幅图像通过将一个形状中的红色点与另一个形状中的绿色点相连，展示了这种对应关系。

由于脑室系统是一个三维结构，在不同的CT切片上具有不同的形态，因此我们在所有CT切片上进行形状匹配。对于每一张切片，我们定义可用于估算中线的特征点。例如，侧脑室形状中的特征点即为两个侧脑室的内侧边缘点。

这些特征点通过与模板上的特征点相对应来识别，而模板上的特征点是在匹配过程之前手动标注的。本文通过选择不同的模板展示了多种匹配结果。对于每个形状匹配，均存在一个匹配代价。

通过选择最小匹配代价，我们找到最适合用于形状匹配的模板，并识别特征点。在本示例中，分割结果中的点以绿色显示，模板中的点以红色显示。通过比较匹配代价，可以看出第一个模板是最佳选择。

确定特征点后，我们计算这些特征点的 X 坐标。通常，左侧和右侧均有特征点。实际中线的 X 坐标通过左侧和右侧特征点 X 坐标的平均值来估算。

此处展示了四项估计结果。绿色垂直线表示实际中线的估计 X 坐标。匹配模板以蓝色点表示。

已识别的特征点以蓝色显示。从结果可以看出，在实际中线被估计后，对实际中线的估计效果非常好。水平中线偏移量 S 的计算是直接的。

X理想是理想中线的X坐标，X实际是估计的实际中线的X坐标。此处显示的图像同时展示了估计的理想中线和实际中线。除了使用中线移位外，我们提取的这些特征可能在预测颅内压（ICP）水平时为我们提供额外信息。

该方法的核心思想是尽可能提取多种特征，然后通过特征选择方法，仅保留那些对提供颅内压相关信息具有重要作用的特征。从CT扫描中提取的特征包括中线移位程度、出血量以及纹理模式。来自其他来源的特征则包括人口统计学信息，例如患者年龄、创伤评分和损伤严重程度评分。

采用基于高斯混合模型的分割算法对像素进行标记。像素被分为四类：血液、脑脊液、灰质和白质纹理。CT 图像中的模式可能包含脑部状态的提示信息。

颅内压升高可能会改变纹理模式。我们主要关注脑脊液或血液区域以外的纹理模式，纹理分析应用于CT图像的小型子图像或窗口区域。每张CT图像中选取六个窗口。

采用离散傅里叶变换和离散小波变换提取纹理特征。简而言之，可用的信息量极为庞大。无论医生经验多么丰富，同时处理所有这些信号都变得非常困难。

因此，当前这个旨在分析CT扫描并实现自动化影像处理的项目，将极大地帮助我们急诊科医生和创伤科医生更快速地处理这些数据。该数据集包含17名患有轻度至重度创伤性脑损伤的患者。每位患者有多次CT扫描，研究共使用了57次扫描图像。

每小时记录一次代表颅内压的数值。颅内压升高分为两类。颅内压定义为大于12 tor的ICP。

对于正常颅内压（ICP），其定义为 ICP 小于或等于 12 tor。在本数据集中，包含 33 例正常病例和 24 例颅内压升高病例。为构建模型，我们采用两阶段的十折交叉验证方法。

第一阶段是一个嵌套阶段，用于执行特征选择。第二阶段采用遗传搜索方法，并结合支持向量机作为分类器。该图像展示了理想的中线估计结果。

红线是基于颅骨对称性的近似理想中线。通过解剖特征进一步优化后，我们得到了更精确的理想中线，即绿线。图像中这些图像显示了估计的实际中线。

绿色线条为估计的实际中线，蓝色点为匹配的模板。右侧图像显示了位于中心左侧的估计理想中线和实际中线。在右侧，我们可以看到由估计结果得出的中线偏移情况。

本文还展示了我们方法评估中的定量结果。在本数据集的大多数CT切片中，由本方法估计的理想中线与医生标注的中线之间的误差约为两个像素或一毫米。对于实际中线，在对分割结果进行一定质量控制的前提下，超过80%的病例中线差异小于2.25毫米。

采用十折交叉验证，颅内压预测评估的准确率约为70%。首先，我们将低层次和高层次的分割过程分开。尽管这种设计可以通过结合不同的算法而获益，但我们可能未能充分利用低层次分割中的所有信息。

通过结合低层次分割和高层次分割，我们可能获得更优的分割结果。基于这一思路，可采用基于模型的分割或基于配准的分割等方法，以实现更准确的预测，同时为所提出的方法提供更全面的评估。收集更多数据集以扩大样本量将有助于本研究的开展。