Automatisierte Midline Shift und intrakranieller Druck Schätzung basierend auf Gehirn CT Images

Das übergeordnete Ziel dieses Experiments ist es, Mittellinienverschiebungen aus Hirn-CT-Bildern von Patienten mit traumatischen Hirnverletzungen zu erkennen und dadurch den intrakraniellen Druck im Gehirn abzuschätzen. In diesem Projekt haben wir eine Berechnungsmethode entwickelt, um die CT-Bilder zu analysieren und den intrakraniellen Druck (ICP) vorherzusagen. Der Anreiz für dieses Projekt ist die Tatsache, dass in vielen Fällen, in denen Menschen Kopfverletzungen haben, immer der Verdacht besteht, dass der ICP oder der Hirndruck erhöht sein könnte. Also ein CT, wir können die Schwellung des Gehirns beurteilen, wir können Hämatome beurteilen, wir können Mittellinienverschiebungen oder oder tiale Verschiebungen des Gehirns beurteilen, Aber was wir nicht zuverlässig vorhersagen können, ist, welche Auswirkungen das auf den intrakraniellen Druck hat, außer im Allgemeinen, es erhöht ihn bis zu einem gewissen Grad, und das ist der Punkt, an dem die Berechnungsmethoden, an denen wir gearbeitet haben, hilfreich sind.

Er kann mit hinreichender Genauigkeit genau vorhersagen, welche Auswirkungen die anatomischen Veränderungen auf den Hirndruck haben. Dieses schematische Diagramm gibt einen Überblick über die in dieser Forschung angewandte Methodik. Die computergestützte axiale Tomographie ist besser bekannt unter ihren abgekürzten Namen CT-Scan oder CAT-Scan.

Die CT-Scans werden aus einer großen Serie von zweidimensionalen Röntgenbildern entwickelt, die um eine einzige Rotationsachse herum aufgenommen wurden. Im ersten Schritt unseres Ansatzes werden die CT-Scans der Patienten mit Schädel-Hirn-Trauma (SHT) erfasst und analysiert, um die Mittellinienverschiebung zu erkennen. Der nächste Schritt umfasst die Extraktion und Analyse weiterer Merkmale, wie z. B. verschiedene Texturinformationen von CT-Bildern und die Schätzung der Blutmenge.

Unser Ansatz verwendet auch die extrahierten Merkmale sowie andere demografische Informationen, um ICP-Algorithmen des maschinellen Lernens vorherzusagen, um die Beziehung zwischen dem ICP und den extrahierten Merkmalen zu modellieren. Die ungefähre ideale Mittellinie wird anhand der Symmetrie des Schädels ermittelt. Zuerst wird der Schädel mit Hilfe von Graustufen-Schwellenwerten vom Bildausschnitt segmentiert.

Dann durchsucht der Algorithmus jeden Rotationswinkel gründlich um den Massenschwerpunkt des Schädels, um die Linie zu finden, die die Symmetrie der resultierenden Schädelhälften maximiert. Die ungefähre ideale Mittellinie ist die Linie, die mit dem Drehwinkel durch den Massenmittelpunkt verläuft. Maximierung der Symmetrie, Das Erkennen der idealen Mittellinie allein auf der Grundlage der Symmetrie liefert uns nicht immer automatisch aussagekräftige Ergebnisse.

Daher gehen wir in unserer Methode einen Schritt weiter, um spezifische elektronische Merkmale wie die Theorie der posterioren Box und den anterioren Fuchsansatz zu finden, um die Positionen der Aminlinie zu verfeinern. Als nächstes werden der hintere Fuchs cere und der vordere Fuchsansatz an den Rändern des sagittalen Sulcus identifiziert, um die ungefähre ideale Mittellinie zu verfeinern und diese anatomischen Merkmale schnell und genau zu erkennen. Es werden zwei Suchrechtecke definiert, die auf der ungefähren idealen Mittellinie und ihren beiden Schnittpunkten basieren.

Beim Schädeldach wird die Größe des Rechtecks so gewählt, dass die zu erfassenden anatomischen Merkmale berücksichtigt werden. Der vordere Fuchsansatz wird als Peakpunkt des Kamms auf dem Schädeldach erkannt, während der Fuchs cere als graue Linie im hinteren Bereich erkannt wird. Eine Knochenvorwölbung befindet sich im vorderen Abschnitt des Schädels.

Von hier aus erstreckt sich der Fuchsschrei. Dieses anatomische Merkmal kann als Ausgangspunkt für die Mittellinie verwendet werden. Es ist zu erkennen, dass sich die Protrusion bis zu einem lokalen Minimalpunkt am vorderen Rand des Fuchses wölbt.

Betrachtet man die Unterkante der Schädelknochen als Kurve auf der Bildebene, so kann die Kurve als eindimensionale Funktion modelliert werden. Bei der Detektion des Protrusionspunktes geht es darum, das Minimum einer abgetasteten eindimensionalen Funktion zu finden. Mit der Eingabe des oberen segmentierten Schädelknochens wird in einem ersten Schritt die Unterkante des Knochens extrahiert.

Im nächsten Schritt erfolgt die Detektion des Vorsprungs mit Hilfe des lokalen mini. Hier stellt das lokale Minimum auch den Endpunkt des Vorsprungs dar. Diese schematische Darstellung zeigt, wie der Fuchs im unteren Teil des Gehirns erkannt wird.

Da es darum geht, hellgraue Linien und nicht die dunkleren Linien im ersten Schritt zu erkennen, wird der Medianwert der Fläche als Schwellenwert verwendet. Bei Verwendung dieses Schwellenwerts werden alle darunter liegenden Graustufenwerte als Medianwert festgelegt. Anschließend wird ein Nulldurchgangskantendetektor verwendet, um die Kantenkarte zu generieren.

Dadurch bleiben bei der Sobell-Erkennung sattere Kanten erhalten und unerwünschte Kanten können im nächsten Schritt entfernt werden. Die Kantenkarte wird dann Schritt für Schritt unter Verwendung bekannter Merkmale des Fuchses verfeinert. Dies geschieht zunächst durch Verfeinerung der Kantenkarte mithilfe von Intensität und Gradient, wonach der Größenschwellenwert und der Konzentrationsschwellenwert verwendet werden, um sie zu verfeinern.

Weiter hier ist die Konzentrationsschwelle nichts anderes als die Dichte der Randpunkte. Schließlich wird die Hof-Transformation angewendet, um Linien zu erkennen, die den Fuchs darstellen. Sara. Das Ergebnis der HOF-Transformation ist in der Regel ein Satz von Linien. Zwei.

Es müssen Abhängigkeiten festgelegt werden, um die gewünschten Linien aus diesem Satz zu extrahieren. Zunächst muss der Winkel der Linie in dem Bereich liegen, in dem die Linien konzentriert sind. Dieser Bereich wird durch die Berechnung der Statistik der Winkel der erkannten Linie erhalten.

Zweitens muss die Linie innerhalb des Bereichs liegen, in dem sich der Liniencluster konzentriert. Die endgültige ideale Mittellinie in dieser Phase wird als die längste Linie ausgewählt, die die oben genannten Einschränkungen erfüllt. Dieses Bild zeigt die beiden interessierenden Bereiche und die verfeinerte ideale Mittellinie basierend auf den inneren Vorsprüngen.

Die grüne Linie ist die verfeinerte ideale Mittellinie, und die rote Linie ist die ungefähre Position der idealen Mittellinie des Regens vor der Verfeinerung. Dieses Bild zeigt das 3D-Modell des ventrikulären Systems mit dem Vorhandensein eines MRT-Schnitts des Gehirns. Der rote Teil des Bildes stellt das Ventrikelsystem in 3D dar.

Das Ventrikelsystem besteht aus zwei beidseitigen Ventrikeln oben, dem dritten Ventrikel in der Mitte und dem vierten Ventrikel unten. Der Grund, warum wir Informationen über einen Ventrikel extrahieren, ist, dass er sich verformt, wenn sich der Druck im Gehirn aufgrund einer Verletzung ändert, und daher ein geeigneter Kandidat ist, um die Verformung des Hirngewebes und pathologische Fälle zu messen. In aufeinanderfolgenden MRT- oder CT-Bildschnitten erscheint rechts das Ventrikelsystem in verschiedenen Formen, es sind die extrahierten Formen des Ventrikelsystems aus einem MRT dargestellt.

Ziel der CT-Segmentierung ist es, diese Formen aus den ursprünglichen CT-Scans zu identifizieren. In der von uns vorgeschlagenen Methode ist der Segmentierungsprozess in zwei Teile unterteilt. Zunächst wird eine anfängliche Low-Level-Segmentierungsmethode angewendet, um Pixel in verschiedene Teile zu gruppieren.

Dann wird eine High-Level-Template-Matching-Methode verwendet, um Ventrikel aus segmentierten Ergebnissen zu identifizieren. Dieses Bild veranschaulicht die Low-Level-Segmentierung basierend auf einer Gaußschen Mischungsmethode. Zuerst wurden die ursprünglichen CT-Bilder mit Hilfe der Medianfilterung gefiltert.

Das Ergebnis ist im linken Bild zu sehen. Anschließend wird der K-Means-Algorithmus angewendet, um eine Kernsegmentierung zu erhalten. Dieses Ergebnis ist in der Mitte dargestellt.

Nachdem der K-Means-Algorithmus angewendet wurde, wird die goss- und mixing-Methode angewendet. Das Bild auf der rechten Seite zeigt einen anderen Farbton und andere Verteilungen auf dem 2D-Bild, die initialisiert werden. Unter Verwendung der came Segmentierungserwartung wird die Maximierung verwendet, um die Parameter zu entwickeln und schließlich ein abgestimmtes Segmentierungsergebnis zu erhalten.

Das ventrikuläre System in Z-Richtung zeigt keine signifikante Variation über den Trainingssatz hinweg. Daher können Abbildungen in linearer Form angenähert werden. Bei der hier beschriebenen Methode werden diese Zuordnungen zunächst manuell initialisiert und dann mithilfe einer Reihe von Trainingsbildern optimiert.

Es gibt drei Einschränkungen, um die anfängliche Ventrikelsegmentierung zu akzeptieren. Nummer eins, das Segment muss relativ groß sein. Nummer zwei, das Segment befindet sich nicht in der Nähe des Randes des Gehirns.

Nummer drei, das Segment schneidet sich mit der Ventrikelschablone. Die Abbildungen unten zeigen ein Beispiel für den Schritt zur Erkennung von Ventrikeln aus den Ergebnissen. Man kann sehen, dass die Ventrikelteile erfolgreich erkannt werden, indem Größen-, Begrenzungsrahmen- und Vorlageneinschränkungen verwendet werden.

Um die tatsächliche Mittellinie abzuschätzen, gleichen wir zunächst die segmentierten Ventrikel durch Formabgleich mit den Schablonen ab. Diese Abbildung zeigt den Prozess des Matchings. Zuerst werden die Kantenpunkte abgetastet.

Dann, indem Sie die Kosten für die Abstimmung der beiden Formen optimieren. Die Entsprechungen der Punkte zwischen den beiden Formen werden hergestellt. In der zweiten Zeile zeigt das letzte Bild beispielsweise die Entsprechung, indem die roten Punkte einer Form mit den grünen Punkten in der anderen Form verbunden werden.

Da das ventrikuläre System eine 3D-Struktur ist und auf verschiedenen CT-Schnitten unterschiedliche Formen aufweist, führen wir den Formabgleich über alle CT-Schnitte hinweg durch. Für jeden Slice definieren wir die Feature-Punkte, die zur Schätzung der Mittellinie verwendet werden können. Zum Beispiel sind die Merkmalspunkte in den lateralen Ventrikelformen die inneren Randpunkte der beiden lateralen Ventrikel.

Diese Feature-Punkte werden durch ihre Übereinstimmung mit den Feature-Punkten in der Vorlage identifiziert, die vor dem Abgleichsvorgang manuell beschriftet werden. Hier zeigen wir viele passende Ergebnisse, indem wir verschiedene Vorlagen auswählen. Für jede Formanpassung fallen Abgleichskosten an.

Durch die Auswahl der minimalen Abgleichskosten finden wir die beste Vorlage, die für den Formabgleich verwendet werden kann, und identifizieren Feature-Punkte. In diesem Beispiel werden die Punkte aus den Segmentierungsergebnissen grün und die Punkte aus den Vorlagen rot angezeigt. Durch den Vergleich der Match-Kosten können wir sehen, dass die erste Vorlage am besten zu verwenden ist.

Sobald die Feature-Punkte identifiziert sind, berechnen wir die X-Koordinaten dieser Feature-Punkte. In der Regel befinden sich Feature-Punkte auf der linken Seite und Feature-Punkte auf der rechten Seite. Die X-Koordinate der tatsächlichen Mittellinie wird als Durchschnitt der X-Koordinate des linken und rechten Feature-Punktes geschätzt.

Hier zeigen wir vier Schätzergebnisse. Die grüne vertikale Linie stellt die geschätzte X-Koordinate der tatsächlichen Mittellinie dar. Die Spielvorlage wird in den blauen Punkten angezeigt.

Die identifizierten Feature-Punkte werden blau dargestellt. Aus den Ergebnissen können wir ersehen, dass die Schätzung der tatsächlichen Mittellinie sehr gut funktioniert, nachdem die tatsächliche Mittellinie geschätzt wurde. Die Berechnung der horizontalen Mittellinienverschiebung S ist einfach.

X-Ideal ist die X-Koordinate der idealen Mittellinie, und X-Ist ist die X-Koordinate der geschätzten tatsächlichen Mittellinie. Die hier gezeigten Bilder veranschaulichen sowohl die geschätzte ideale Mittellinie als auch die tatsächliche Mittellinie. Neben der Verwendung der Mittellinienverschiebung können uns diese Merkmale, die wir extrahieren, zusätzliche Informationen bei der Vorhersage von ICP-Niveaus liefern.

Die Hauptidee dahinter ist, so viele Merkmale wie möglich zu extrahieren, und dann können wir mit Hilfe von Merkmalsauswahlmethoden nur die Merkmale behalten, die für die Bereitstellung von ICB-Informationen relevant sind. Zu den aus CT-Scans extrahierten Merkmalen gehören die Verschiebung der Mittellinie, die Blutmenge und Texturmuster. Zu den Merkmalen aus anderen Quellen gehören demografische Informationen wie das Alter des Patienten, der Trauma-Score und der Verletzungsschweregrad.

Gian-Mischungsmodell basierender Segmentierungsalgorithmus wird verwendet, um die Pixel zu beschriften. Pixel werden in vier Kategorien eingeteilt: Blutzerebralflüssigkeit, graue Substanz und Textur der weißen Substanz. Muster in den CT-Bildern können Hinweise auf den Zustand des Gehirns enthalten.

Ein hoher interkranieller Druck kann das Texturmuster verändern. Wir konzentrieren uns hauptsächlich auf die Texturmuster in dem Bereich, in dem keine zerebrale Rückenmarksflüssigkeit oder Blut benötigt wird. Die Texturanalyse wird auf kleine Unterbilder oder Fenster des CT-Bildes angewendet. In jedem CT-Bild sind sechs Fenster ausgewählt.

Textur-Features werden mit Hilfe der diskreten Foer-Transformation und der diskreten Wavelet-Transformation extrahiert. Kurz gesagt, es gibt so viele Informationen. Für Ärzte, egal wie erfahren sie sind, wird es sehr problematisch, all diese Signale gleichzeitig zu verarbeiten.

Das aktuelle Projekt, das darauf abzielt, den CAT-Scan zu betrachten und eine automatisierte Bildgebung durchzuführen, wäre für Notärzte und Traumatologen wie mich von großem Nutzen, um uns zu helfen, diese Daten viel schneller zu verarbeiten. Der Datensatz umfasst 17 Patienten mit leichten bis schweren traumatischen Hirnverletzungen. Jeder Patient hat mehrere CT-Scans, und es werden insgesamt 57 Scans in der Studie verwendet.

Stündlich wird ein Wert aufgezeichnet, der den interkraniellen Druck darstellt. Es gibt zwei Kategorien von ICP-Stufen mit erhöhtem Niveau. ICP ist definiert als ICP größer als 12 tor.

Für normale ICP ist sie definiert als ICP kleiner oder gleich 12 tor. In diesem Datensatz gibt es 33 Normalfälle und 24 Fälle mit erhöhtem ICP. Um das Modell zu erstellen, verwenden wir zwei Stufen der zehnfachen Kreuzvalidierung.

Die erste Phase ist eine verschachtelte Phase, in der die Feature-Auswahl durchgeführt wird. In der zweiten Stufe wird eine genetische Suchmethode verwendet und der Klassifikator, der in Verbindung mit der Suchmethode verwendet wird, ist eine Support-Vektor-Maschine. Dieses Bild zeigt die ideale Midline-Schätzung.

Die rote Linie ist die ungefähre ideale Mittellinie, die auf der Symmetrie des Schädels basiert. Nach der Verfeinerung anhand anatomischer Merkmale haben wir eine besser geschätzte ideale Mittellinie, die grüne Linie. In der Abbildung zeigen diese Bilder die geschätzte tatsächliche Mittellinie.

Die grünen Linien sind die geschätzte tatsächliche Mittellinie, und die blauen Punkte sind übereinstimmende Vorlagen. Das Bild auf der rechten Seite zeigt die geschätzte ideale Mittellinie links von der Mitte und die tatsächliche Mittellinie. Auf der rechten Seite sehen wir die resultierende Verschiebung der Mittellinie gegenüber der Schätzung.

Hier stellen wir auch die quantitativen Ergebnisse in der Evaluation unserer Methoden vor. In den meisten CT-Schnitten in unserem Datensatz beträgt der Fehler zwischen der idealen Mittellinie, die von unserer Methodik geschätzt wird, und den vom Arzt beschrifteten Mittellinien etwa zwei Pixel oder einen Millimeter. Für die eigentliche Mittellinie haben mehr als 80 % einen Unterschied von weniger als 2,25 Millimetern unter einer bestimmten Qualitätskontrolle der Segmentierungsergebnisse.

Die Bewertung der interkraniellen Druckvorhersage hat eine Genauigkeit von etwa 70 % bei Verwendung einer zehnfachen Kreuzvalidierung. Zunächst trennen wir die Segmentierungsprozesse auf niedriger und hoher Ebene. Obwohl dieses Design von der Integration verschiedener Algorithmen profitieren kann, können wir möglicherweise nicht alle Informationen in der Low-Level-Segmentierung nutzen.

Durch die Kombination der Segmentierung auf niedriger Ebene und der Segmentierung auf hoher Ebene erzielen wir möglicherweise bessere Segmentierungsergebnisse. Dieser Idee folgend können wir Methoden wie die modellbasierte Segmentierung oder die registrierungsbasierte Segmentierung verwenden, um eine bessere Vorhersage zu erzielen und eine bessere Bewertung der vorgeschlagenen Methode zu ermöglichen. Sammeln von mehr Datensätzen Eine größere Stichprobengröße wird der Studie zugute kommen.