Name: 根据脑CT图像的自动中线移位和颅内压的估计 (视频) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: 了解基于脑CT图像的自动中线移位检测与颅内压估计的计算方法。本研究运用图像处理和机器学习技术，为创伤性脑损伤患者提供准确的ICP预测，辅助临床诊断决策。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本材料基于美国国家科学基金会（Grant No. IIS0758410）部分资助开展的工作。数据由卡罗莱纳医疗系统提供。

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
<ol>
 <li>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。</li>
 <li>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。</li>
 <li>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。</li>
</ol>
3. 心室分割
<ol>
 <li>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。
 </li>
 <li>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。
 </li>
</ol>
4. 实际中线估计
<ol>
 <li>在从磁共振图像提取的脑室模板上标定特征点。</li>
 <li>对分割出的脑室与磁共振模板进行多区域形状匹配5,8。</li>
 <li>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。</li>
</ol>
5. 更多特征提取
<ol>
 <li>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。 </li>
 <li>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. </li>
 <li>同时收集人口统计学信息和损伤严重程度评分。 </li>
 <li>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。 </li>
</ol>
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。
<ol>
 <li>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。</li>
 <li>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。</li>
</ol>

<ol><li>Langlois, J. A., Rutland-Brown, W., Thomas, K. E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLanglois%2C+JA+%22+Traumatic+brain+injury+in+the+united+states%3A+emergency+department+visits%2C+hospitalizations%2C+and+deaths%22"> Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths</a>. , Centers for Disease Control and Prevention, National Center for Injury Prevention and Control. Atlanta, GA. (2006).</li>
<li>Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).</li>
<li>Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+Ventricular+Systems+Segmentation+in+Brain+CT+Images+by+Combining+Low-level+Segmentation+and+High-level+Template+Matching%5BTitle%5D)+AND+%22BMC+Medical+Informatics+and+Decision+Making%22%5BJournal%5D)">Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching.</a> BMC Medical Informatics and Decision Making. 9, Suppl 1. (2009).</li>
<li>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).</li>
<li>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).</li>
<li>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).</li>
<li>Greenspan, H., Ruf, A., Goldberger, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Constrained+Gaussian+mixture+model+framework+for+automatic+segmentation+of+MR+brain+images%5BTitle%5D)+AND+%22IEEE+Trans.+Med.+Imaging%22%5BJournal%5D)">Constrained Gaussian mixture model framework for automatic segmentation of MR brain images.</a> IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).</li>
<li>Belongie, S., Malik, J., Puzicha, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shape+matching+and+object+recognition+using+shape+contexts%5BTitle%5D)+AND+%22IEEE+Trans.+Pattern+Anal.+Mach.+Intell%22%5BJournal%5D)">Shape matching and object recognition using shape contexts.</a> IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).</li>
<li>Weszaka, J. S., Dyer, C. R., Rosenfeld, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparative+study+of+texture+measures+for+terrain+classification%5BTitle%5D)+AND+%22IEEE+Trans.+on+Syst.%2C+Man%2C+Cyber%22%5BJournal%5D)">A comparative study of texture measures for terrain classification.</a> IEEE Trans. on Syst., Man, Cyber. , (1976).</li>
<li>Kingsbury, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+wavelets+for+shift+invariant+analysis+and+filtering+of+signals%5BTitle%5D)+AND+%22Applied+and+Computational+Harmonic+Analysis%22%5BJournal%5D)">Complex wavelets for shift invariant analysis and filtering of signals.</a> Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).</li>
<li> 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).</li>
</ol>

无利益冲突声明。

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...

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。

基于脑部ct图像的自动中线移位与颅内压估测

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

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。

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，在获取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）进行出血区域分割的结果。同时对方法性能进行了定量评估。在大多数切片（超过80%）中，框架估计的理想中线与人工标...

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。

基于脑部CT图像的自动中线移位与颅内压估测

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……

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 扫描，我们可以评估脑组织肿胀、血肿以及中线移位或脑组织移位，但除此之外，我们无法可靠地预测这些变化对颅内压的具体影响程度，而我们所开发的计算方法正是在此方面提供帮助。它可以相对准确地预测解剖结构变化对颅内压产生的具体影响。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 扫描由围绕单一旋转轴采集的大量二维 X 射线图像构建而成。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。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。通过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，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的两半部分对称性达到最大的直线。近似的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，仅基于对称性来检测理想中线并不总能自动提供具有明确意义的结果。因此，在本方法中，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，通过识别后方狐状脑膜和前方狐状附着与矢状沟边缘的连接，来优化近似理想中线的位置，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。前额附着点被识别为颅骨上脊的最高点，而额窦则被识别为后部区域的灰线。在颅骨的前部区域存在一处骨性突起。狐状突起从此处延伸。该解剖结构可作为中线的起始参考点。可见该突起向下弯曲，在狐状突前缘处形成一个局部最低点。如果将图像平面上颅骨下边缘视为一条曲线，则该曲线可被建模为一维函数。检测突起位置的问题便转化为寻找该一维采样函数的最小值点。在输入上段分割后的颅骨基础上，第一步是提取颅骨的下边缘。下一步是利用局部极小值检测突起结构。此处，局部极小值也代表突起的末端。该示意图展示了如何检测脑底部的 fox 信号。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。这可在 Sobel 检测过程中保留更丰富的边缘信息，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，然后应用尺寸阈值和浓度阈值进一步精炼。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。二。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。该范围通过计算检测到的线条角度的统计值得到。其次，该直线必须位于线条密集区域的范围内。最终在此阶段选定的理想中线是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及优化后的理想中线。绿色线条是优化后的理想中线，红色线条是优化前脑室理想中线的近似位置。该图像显示了脑室系统的三维模型，并包含一幅脑部的 MRI 切片。图像中的红色部分以三维形式呈现脑室系统。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，当脑内因损伤导致压力发生变化时，脑室会发生形变，因此它是衡量脑组织变形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（右侧所示）；从MRI中提取出的脑室系统形态如图所示。CT 分割的目标是从原始 CT 扫描图像中识别出这些形状。在我们提出的方法中，分割过程被分为两个部分。首先，应用一种初始的低层次分割方法，将像素分组为不同的区域。然后采用高级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级分割。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。右侧图像显示了在二维图像上初始化的不同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，脑室系统在训练集中的变化不显著。因此，映射关系可用线性形式近似表示。在本文所述方法中，这些映射关系首先通过手动初始化，然后利用一组训练图像进行优化。接受初始心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，该区域不应靠近大脑边缘。第三，该片段与心室模板相交。底部的图示展示了根据结果进行心室识别步骤的一个示例。可以看出，利用大小、边界框和模板约束，心室部分被成功识别。为了估算实际中线，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，建立两个形状之间点的对应关系。例如，在第二行中，最后一张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而被识别，而模板上的特征点是在匹配过程之前手动标注的。在此，我们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，特征点包括位于左侧的点和位于右侧的点。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。此处展示了四个估计结果。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，在估计出实际中线后，对实际中线的估算效果非常好。水平中线偏移量 S 的计算是直接而明确的。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为预测颅内压（ICP）水平提供额外信息。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，仅保留那些与提供颅内压相关信息具有关联性的特征。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：脑脊液、灰质、白质纹理和血液。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。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。关键在于，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会变得非常困难。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。图中这些图像显示了估计的实际中线。绿色线条表示估算的实际中线，蓝色点表示匹配的模板。右侧图像显示了位于中心左侧的估算理想中线与实际中线。在右侧，我们可以看到由估算得出的中线偏移结果。在此，我们还展示了对所采用方法进行评估的定量结果。在本研究数据集的大多数CT切片中，通过本方法学估计的理想中线与医师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，我们将低级别和高级别的分割过程分开。尽管这种设计能够受益于整合不同的算法，但我们可能未能充分利用低级别分割中的全部信息。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。

automated-midline-shift-intracranial-pressure-estimation-based-on

Research

科研

JoVE Journal

Medicine

医学

根据脑CT图像的自动中线移位和颅内压的估计

本文介绍了在3T磁共振扫描仪上对人体中脑及皮层下结构进行1.2...

高分辨率人类中脑功能磁共振成像方法

病灶探查者：一种基于视频指导的标准化方案，用于阿尔茨海默病及正常老年人群中准确可靠的磁共振成像衍生体积测量

我们介绍了使用自主设计的软件进行癫痫手术中图像整合、可视化和手术规划的步骤。...

癫痫手术中三维多模态影像整合与计算机辅助规划的流程

脑血流动力学与光散射特性的同步评估 体内...

同时评估脑血流动力学与脑组织光散射特性 在体 内 使用多光谱漫反射成像的大鼠脑成像

介绍了一种利用床旁单孔钻孔技术记录重度脑损伤患者多模态监测信号的方法。...

一种用于重度脑损伤多模态监测的床旁单孔钻孔方法

本文提供了一个开放获取的、标准化的影像处理流程实用教程，旨在用于病灶-症状映射。教程逐步介绍了每个处理步骤，从在CT/MRI上进行人工梗死分割，到后续将图像配准至标准空间，并结合典型病例提供了实用建议和图示说明。...

脑梗死病灶在MRI或CT上的分割与配准用于病灶-症状映射

尽管脉络丛在大脑中具有关键作用，但由于缺乏可靠的自动化分割工具，针对该结构的神经影像学研究仍然十分有限。本方案旨在实现脉络丛的金标准手动分割，为未来的神经影像学研究提供依据。...

使用脑部 MRI 手动分割人类脉络丛

经颅超声是监测多种神经系统疾病患者的重要工具。尽管在会诊研究中通常以标准化方案使用，但在利用床旁超声（PoCUS）的许多方案中，脑部检查常被忽视。本研究提出了一种床旁超声图像采集方案。...

床旁经颅彩色多普勒超声检测大脑中动脉

本文介绍了一种使用重复经颅磁刺激（nTMS）结合基于扩散张量成像（DTI）的皮质脊髓束（CST）重建进行运动区定位的标准化操作流程。该方案具有可重复性，临床可行性高，可轻松整合到常规临床工作流程中，为运动通路评估、神经可塑性研究以及康复方案制定提供了可靠且有价值的技术框架。...

使用导航经颅磁刺激进行功能性运动定位的标准化方案

介绍了一种记录颅内压力的新技术。该微创方法采用光纤压力传感系统，在未造成显著脑组织损伤的情况下，准确测量麻醉大鼠的颅内压（ICP）。该技术可应用于多种实验模型。...

使用光纤压力传感器在大鼠中进行硬膜外颅内压测量

了解基于脑CT图像的自动中线移位检测与颅内压估计的计算方法。本研究运用图像处理和机器学习技术，为创伤性脑损伤患者提供准确的ICP预测，辅助临床诊断决策。

基于脑部CT图像的自动中线移位与颅内压估测

探索更多视频