Name: Automatisierte Midline Shift und intrakranieller Druck Schätzung basierend auf Gehirn CT Images (Video) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: Erfahren Sie, wie automatisierte Bildverarbeitung und maschinelles Lernen zur Schätzung von Mittellinienverschiebungen und intrakraniellem Druck bei Schädel-Hirn-Trauma-Patienten eingesetzt werden. Diese Methode verbessert die diagnostische Genauigkeit erheblich.

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

Das Material wird auf der Arbeit teilweise von der National Science Foundation unter Grant No IIS0758410 unterstützt werden. Die Daten wurden von Carolinas Healthcare System geliefert.

Ein. Methodik Übersicht Der vorgeschlagene Rahmen verarbeitet das Gehirn CT-Bilder von Schädel-Hirn-Trauma (SHT) Patienten automatisch zu berechnen Mittellinie Verschiebung in pathologischen Fällen und verwenden Sie es wie auch andere extrahierten Informationen zu intrakraniellen Drucks (ICP) vorherzusagen. Abbildung 1 zeigt die schematische Darstellung des gesamten Rahmen. Die automatisierte Mittellinienverlagerung Messung kann in drei Schritte unterteilt werden. Zuerst wird die ideale Mittellinie des Gehirns, dh der Mittellinie vor Verletzungen, wird über eine hierarchische Suche auf Schädel Symmetrie und Gewebemerkmalen 3 basierend gefunden. Zweitens ist die ventrikuläre System für jeden segmentierten CT-Bild des Gehirns 4. Drittens wird die tatsächliche Mittellinie aus dem segmentierten verformt ventrikuläre System unter Verwendung eines Verfahrens Formanpassung 5 geschätzt. Die horizontale Verschiebung des ventrikulären System wird dann auf der Abschätzung des idealen Mittellinie und dem tatsächlichen Mittellinie geschätzten basiert. Nach ter Mittellinienverlagerung wird nacheinander geschätzt Eigenschaften einschließlich Mittellinienverlagerung, Texturinformation von CT-Bildern, sowie andere demographische Informationen verwendet werden, um vorherzusagen ICP. Algorithmen des maschinellen Lernens werden verwendet, um die Beziehung zwischen dem ICP und die extrahierten Merkmale 6 modellieren. 2. Ideal Midline Schätzung <ol><li> Dieser Schritt erkennt die ungefähre ideale Mittellinie mit Symmetrie des Schädels. Zuerst mit Graustufen Schwellenwertbildung, braucht der Schädel zu segmentierenden vom Rest des Inhalts in dem CT-Bild. Wonach, eine erschöpfende Suche durchzuführen, um die Drehwinkel um den Massenmittelpunkt des Schädels zu identifizieren. Die optimale Drehwinkel wird als der Winkel, die die Symmetrie der sich ergebenden Hälften des Schädels maximiert definiert. Die ungefähre ideale Mittellinie ist die Linie, die durch den Mittelpunkt und Masse hat die optimale Rotation Engel gegenüber der ursprünglichen vertikalen Richtung des CT-Bildes. </li><li> Dieser Schritt ermittelt die posterior Falx cerebri und anterioren Falx Befestigung an den Rändern der sagittalen Sulkus. Dieser Schritt wird durchgeführt, um die identifizierte ungefähre ideale Mittellinie verfeinern. Zunächst werden dazu zwei searching Rechtecken auf den beiden Schnittpunkten zwischen dem angenäherten idealen Mittellinie und die Schädelkalotte zentriert. Als nächstes wählen die Größen der Rechtecke empirisch so dass sie die anatomischen Merkmale zu erfassenden wie unten erklärt werden abzudecken. Der vordere falx Anlage wird als Scheitelpunkt des Kamms auf dem Schädeldach und die Falx cerebri als graue Linie im hinteren Bereich 3 detektiert. </li><li> Dieser Schritt nutzt diese Funktionen über die ideale Mittellinienposition verfeinern erkannt. Nachdem der Scheitelpunkt der vorderen Befestigung und Falx äußersten Punkt in der hinteren Falx cerebri vom calvarum angegeben sind, ist die verfeinerte ideale Mittellinie der Verbindungslinie zwischen den beiden Punkten. </li></ol> 3. Ventrikels Segmentation <ol><li> Zuerst eine low-level Segmentierung mit ein Gaussian Mixture Model (GMM) für jedes CT-Schicht 4,7. Knochen / Blut, Liquor (CSF), grauen und weißen Substanz: CT-Bilder können in 4 Arten von Gewebe unterteilt werden. Für die Initialisierung des Gaussian Mixture Model, werden die Parameter basierend auf einer iterativen K-Mittel-Segmentierung Ergebnis des CT-Bildes geschätzt. Dann verwenden die Expectation-Maximization-(EM)-Methode GMM iterativ zu optimieren, um besser repräsentieren das CT-Bild. Die harte Segmentierungsergebnis kann durch Partitionieren des CT-Bildes in Bereiche auf der maximalen Wahrscheinlichkeit der Zugehörigkeit dass jedes Pixel auf unterschiedliche Typen gehört Region basierend erhalten werden. </li><li> Nach der Low-Level-Segmentierung der GMM, gelten weitere Einschränkungen für die Segmentierung Ergebnis um ventrikuläre Regionen zu erkennen. Nur ventrikulären Regionen mit Größe oberhalb einer bestimmten Schwelle bleiben erhalten. Gelten Einschränkungen für die Lage der ventrikulären Regionen sowie unter Verwendung des Gehirns Begrenzungsrahmen und den Satz von ventricle Vorlagen. Entpacken Sie die Menge der Herzkammer Vorlagen aus einem Standard-Hirn-MR-Bilder und dann vergrößern Sie es mit der morphologischen Streckung an Unterschiede zwischen den verschiedenen Fächern und pathologische Fälle unterzubringen. </li></ol> 4. Tatsächliche Midline Schätzung <ol><li> Geben Sie die Merkmalspunkte auf den Ventrikel-Vorlagen von MR extrahiert. </li><li> Haben die Multiple Regionen Shape Matching 5,8 zwischen segmentierten Ventrikel und der MR-Vorlage. </li><li> Schätzung der tatsächlichen Mittellinie auf den identifizierten Merkmalspunkte auf den Ventrikel von Formen mit Formschluss beruht. Dann nutzen Sie den Durchschnitt der linken Seite mittleren und rechten Mittel der x-Koordinaten der Merkmalspunkte, die von der Mittellinie x-Koordinate definieren. </li></ol> 5. Weitere Feature-Extraktionen <ol><li> Messung des intrakranialen Hämatom / Blutungen Volumen auf der Gaußschen Mischungsmodells (GMM) Segmentierung ergibt sich aus den CT-Bildern erhalten werden. Das Ergebnis kann in segmentiertenClude kleinen Regionen einschließlich Venensinus Blut und Falx cerebri, aber sie können in der Regel im Vergleich zu den Regionen des Hämatoms vernachlässigt werden. Dann zählen die Anzahl der Pixel wie Blut für jede Scheibe eingestuft und sie summieren sich. Die Endsumme quantifiziert die extravasierten Blutvolumen in der CT-Untersuchung. </li><li> Auszug Texturmerkmale. Wählen Sie zunächst sechs Fenster in jedem CT-Bild, die graue und weiße Substanz erfasst, sondern um die Blut-und Herzkammer Strukturen im CT-Bild, siehe Abbildung 6. Extrahieren Sie dann die entsprechende Textur Features mithilfe der folgenden Methoden: Gray Stufe Run Länge 9, Histogramm-Analyse, Fourier-Analyse, Dual Baum Complex Wavelet-Analyse 10. </li><li> Demografische Informationen und injury severity score werden ebenfalls gesammelt. </li><li> Alle extrahierten Merkmale der einzelnen CT-Bild werden aggregiert, um die gesamte CT-Untersuchung darstellen. Insbesondere min (f), max (f), Median (f), Mittelwert (f), std (f) sind unter al berechnetl die ausgewählten Funktionen aus der insbesondere CT-Untersuchung, zB eine Funktion ƒ der Mittellinie Verschiebung oder einer Textur Funktion. Für den intrakraniellen Blutungen Menge Funktion neben den 5 Betreibern oben genannten Summe (f) wird auch hinzugefügt, um das gesamte Blutvolumen aufzunehmen. </li></ol> 6. ICP Schätzung Die Hauptidee des ICP Schätzung ist maschinelles Lernen Techniken anzuwenden, um ein Modell auf einer Reihe von Schulungen Proben aufzubauen. Dann wird die gebaut Modell basiert auf den verbleibenden Testproben ausgewertet. Aufgrund der hohen Dimension der extrahierten Merkmale auch aus den CT-Scans und demografische Informationen, ist eine leistungsstarke Auswahl wichtiger an unabhängige Funktionen für eine relativ einfache Weise stabiles Modell entfernen. Deshalb gibt es in zwei Schritten für ICP Schätzung / Prognose durchgeführt werden. Wählen Sie zunächst die relativen Eigenschaften, die informative bei der Vorhersage ICPs sind. Der zweite Schritt besteht darin, Support Vector Machines (SVM) als nutzenLernalgorithmus zu entwickeln und zu evaluieren das Training Modell. Software wie RapidMiner 11 ist ideal für diese Aufgabe, weil es ein sehr gut entwickeltes Werkzeug für die meisten Algorithmen des maschinellen Lernens ist und bietet eine sehr leistungsfähige Schnittstellen zu trainieren und zu evaluieren Modelle. <ol><li> Führen Sie die Funktion Auswahl in zwei Stufen. Zunächst verwenden die Informationen, Gewinn-Verhältnis Kriterium in der ersten Stufe, um die Top-50-Funktionen zu wählen. In der zweiten Stufe, mit einem genetischen Algorithmus, der SVM zur weiteren Optimierung der Funktion Auswahl. Dann nutzen Sie die letzte Gruppe von ausgewählten Funktionen, um das Modell für die ICP Vorhersage im folgenden Schritt zu bauen. </li><li> Führen ICP Klassifizierung und Bewertung durch Techniken des maschinellen Lernens. Die oberste Ebene Diagramm der Ausbildung und Prüfung sind in RapidMiner in 8 gezeigt. Tragen Sie eine 10-fache Kreuzvalidierung Schema wie die äußerste Schicht für die Auswertung. Um ein Modell mit einer besseren Generalisierung zu bauen und zu vermeiden over-passend zu ter Trainingsdaten, Nest eine weitere Schicht der Kreuzvalidierung in jedem Training fache. In diesen Modulen, wenden Sie zuerst die Funktion Auswahl oben beschrieben und dann mit einem SVM zur Klassifikation mit eigenen Parameter-Auswahl-Modul 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>

Keine Interessenskonflikte erklärt.

In dieser Studie wird eine intuitive und flexible Rahmenbedingungen vorgeschlagen, zwei anspruchsvolle Probleme anzugehen: die Schätzung der Mittellinie Verschiebung in CT-Bildern und ICP-Ebene Vorhersage auf extrahierten Merkmale. Die Auswertungsergebnisse zeigen die Wirksamkeit des vorgeschlagenen Verfahrens. Soweit wir wissen, ist dies das erste Mal von einer systematischen Studie bei der Bewältigung dieser beiden Probleme. Wir bemerken, dass basierend auf der allgemeinen Rahmens, gibt es viele mögliche Verbesserunge...

Jedes Jahr gibt es etwa 1,4 Millionen traumatische Hirnverletzungen (TBI) related Notaufnahme Fälle in den Vereinigten Staaten, von denen über 50.000 zum Tod führen 1. Schwerem SHT wird üblicherweise durch eine Erhöhung des intrakranialen Drucks (ICP) mit Symptomen wie Hämatome und Schwellung Hirngewebe einhergehen. Diese führen zu einer verminderten zerebralen Perfusionsdruck und zerebraler Blutfluss, indem den verletzten Gehirn zusätzliches Risiko. Schwere ICP Anstieg tödlich sein kann, so die Überwachung ICP für Patienten mit TBI ist entscheidend. Dies erfordert typischerweise Platzierung Verweilkathetern direkt in das Gehirn zum Überwachen des Drucks, ein riskantes Verfahren für Patienten, die nur in spezialisierten Kliniken durchgeführt werden kann. Das Verfahren beinhaltet auch Risiken wie Infektionen. Jedoch können einige Anzeichen erhöhter ICP werden in der medizinischen Bildgebung bemerkbar. Insbesondere wird Mittellinienverlagerung oft mit einer Erhöhung der ICP verbunden und können aus dem Gehirn berechneten t erfasst werdenomography (CT) Bilder. Als solche bieten diese Bilder eine Gelegenheit für nicht-invasive Detektion von erhöhtem ICP die als Pre-Screening Schritt vor kranialen Trepanation verwendet werden kann. CT-Bildgebung ist noch der Goldstandard zur anfänglichen TBI Beurteilung unter allen anderen bildgebenden Verfahren, zB MRI, aufgrund seiner hohen Geschwindigkeit und relativ geringen Kosten 2. Darüber hinaus bedeutet ein CT-Untersuchung nicht erforderlich strengen Patienten Immobilität, und hat den Vorteil bei der Aufdeckung schwerer Anomalien wie Knochenbrüche und Blutergüsse. Während CT wird allgemein für den Nachweis von Verletzungen des Gehirns, von der aktuellen Technologie verwendet wird Mittellinienverlagerung nicht automatisch gemessen und daher muss der Arzt diese wichtige Faktor durch Sichtprüfung beurteilen. Unrichtig oder widersprüchlich CT Interpretation wird oft mit der Natur des menschlichen visuellen Systems und der komplexen Struktur des Gehirns verbunden. Während kleine Verschiebungen Mittellinie flüchtig sind, werden sie häufig zur Bewertung der Hirnverletzung wertvolle, in pGelenkknorpel in einem frühen Stadium der Verletzung vor den Zustand eines Patienten wird immer schwerer. Auf der anderen Seite des Spektrums, schlägt große Mittellinienverlagerung stark erhöhten ICP und schwereren TBI. Allerdings ist es eine sehr anspruchsvolle Aufgabe für den Menschen visuell zu inspizieren CT-Bildern und vorherzusagen das Niveau der ICP quantitativ. Aufgrund der Fortschritte in der automatisierten rechnergestützte Techniken können Merkmale aus CT-Bildern, wie Mittellinienverlagerung, Hämatome Volumen und Textur des Gehirns CT-Bildern extrahiert genau gemessen werden und automatisch mit Hilfe modernster Methoden der Bildverarbeitung. Jedoch ist die Beziehung zwischen ICP und Mittellinienverlagerung sowie andere Funktionen wie Grad der Blutung wurde die Textur aus CT-Bildern nicht erforscht. In diesem Papier, hat eine rechnerische Rahmenbedingungen vorgeschlagen worden, um die Mittellinie Verschiebung Messung sowie andere physiologische / anatomische Merkmale auf Gehirn CT-Bildern messen und dann vorhersagen, den Grad der ICP nicht aufdringlich mit Techniken des maschinellen Lernens.

automatisierte midline shift und intrakranieller druck schätzung basierend auf gehirn ct images

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

In diesem Papier stellen wir ein automatisiertes System vor allem auf die Computertomographie (CT), bestehend aus zwei Hauptkomponenten: der Mittellinie Verschiebung Schätzung und intrakraniellen Drucks (ICP) Pre-Screening-System. Um die Mittellinienverlagerung Abschätzung ersten eine Schätzung des idealen Mittellinie bezogen auf die Symmetrie des Schädels und anatomische Merkmale im Gehirn CT-Scan durchgeführt. Dann wird die Segmentierung der Ventrikel von dem CT-Scan durchgeführt und als Führung für die Feststellung des tatsächlich Mittellinie durch Formschluss. Diese Prozesse imitieren den Messvorgang von Ärzten und haben gezeigt, viel versprechende Ergebnisse bei der Auswertung. In der zweiten Komponente sind mehrere Eigenschaften im Zusammenhang mit ICP extrahiert, wie die Textur-Information, Blut Menge von CT-Scans und anderen aufgezeichneten Merkmale, wie Alter, Schwere der Verletzungen des Gastes, um den ICP abzuschätzen sind ebenfalls einbezogen. Techniken des maschinellen Lernens, einschließlich Funktion und Klassifikation, wie SupportVector Machines (SVM), eingesetzt werden, um die Vorhersage-Modell mit RapidMiner zu bauen. Die Auswertung der Vorhersage weist potenzielle Nützlichkeit des Modells. Die geschätzte ideale Mittellinienverlagerung und vorhergesagten ICP-Spiegel können als schneller Vorabsiebung Schritt für Ärzte, Entscheidungen zu treffen verwendet werden, um so für oder gegen eine invasive Hirndruckmessung empfehlen.

Die Prüfung CT-Datensätze wurden von der Carolinas HealthCare System (CHS) unter Institutional Review Board Genehmigung zur Verfügung gestellt. Alle Probanden wurden mit leichten bis schweren SHT diagnostiziert, wenn erste ins Krankenhaus eingeliefert. Bei jedem Patienten wurde die ICP-Wert aufgezeichnet stündlich mittels ICP Sonden innerhalb des Ventrikels Bereich sowohl vor als auch nach dem CT-Scans wurden erhalten. Um die ICP Wert mit jedem CT-Scan, den Durchschnitt der beiden engsten Messungen von ICP zum Zeitpunkt...

Eine automatisierte Mittellinienverlagerung Schätzung und intrakraniellen Drucks (ICP) Pre-Screening-System auf der Computertomographie (CT) für Patienten mit Schädel-Hirn-Trauma (SHT) basiert schlug mit Bildverarbeitung und Techniken des maschinellen Lernens.

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

In dieser Arbeit präsentieren wir ein automatisiertes System, das primär auf Computertomographie-Bildern (CT) basiert und aus zwei Hauptkomponenten besteht: der Mittellinienverlagerung ...

Das übergeordnete Ziel dieses Experiments besteht darin, Mittellinienverschiebungen in CT-Bildern des Gehirns von Patienten mit traumatischer Hirnverletzung zu erkennen und dadurch den intrakraniellen Druck im Gehirn abzuschätzen. In diesem Projekt haben wir eine computergestützte Methode entwickelt, um die CT-Bilder zu analysieren und den intrakraniellen Druck (ICP) vorherzusagen. Der Anreiz für dieses Projekt liegt darin, dass bei vielen Fällen von Kopfverletzungen stets der Verdacht besteht, der ICP oder intrakranielle Druck könnte erhöht sein. Mithilfe eines CT können wir die Schwellung des Gehirns beurteilen, Hämatome evaluieren und Mittellinienverschiebungen oder assoziierte Verschiebungen des Gehirns untersuchen. Was wir jedoch nicht zuverlässig vorhersagen können, ist, welchen Effekt dies auf den intrakraniellen Druck hat – abgesehen von der allgemeinen Annahme, dass er in gewissem Maße ansteigt. Hier setzen die computergestützten Methoden an, an denen wir gearbeitet haben, und leisten Hilfestellung. Es kann mit einer angemessenen Genauigkeit genau vorhersagen, welche Auswirkungen die anatomischen Veränderungen auf den intrakraniellen Druck haben. Dieses schematische Diagramm zeigt einen Überblick über die in dieser Forschung angewandte Methodik. Die computergestützte Axialtomographie ist allgemein bekanntermaßen unter ihren abgekürzten Bezeichnungen CT-Scan oder CAT-Scan bekannt.Die CT-Aufnahmen werden aus einer großen Serie zweidimensionaler Röntgenbilder erstellt, die um eine einzige Rotationsachse aufgenommen werden. Im ersten Schritt unseres Ansatzes werden die CT-Aufnahmen von Patienten mit traumatischen Hirnverletzungen oder TBI erfasst und analysiert, um eine Mittellinienverschiebung zu erkennen. Der nächste Schritt umfasst die Extraktion und Analyse weiterer Merkmale wie unterschiedlicher Texturinformationen der CT-Bilder sowie die Schätzung der Blutmenge.Unser Ansatz nutzt außerdem die extrahierten Merkmale sowie weitere demografische Informationen, um den intrakraniellen Druck (ICP) vorherzusagen. Dazu werden maschinelle Lernalgorithmen eingesetzt, um den Zusammenhang zwischen dem ICP und den extrahierten Merkmalen zu modellieren. Die ungefähre ideale Mittellinie wird anhand der Schädel-Symmetrie ermittelt. Zunächst wird unter Verwendung einer Graustufen-Schwellenwertmethode der Schädel aus dem Bildausschnitt segmentiert.Dann durchsucht der Algorithmus systematisch jeden Rotationswinkel um den Massenmittelpunkt des Schädels, um die Linie zu finden, die die Symmetrie der resultierenden Schädelflächen maximiert. Die annähernd ideale Mittellinie ist die Linie, die durch den Massenmittelpunkt mit dem entsprechenden Rotationswinkel verläuft. Bei der Maximierung der Symmetrie kann die alleinige Erkennung der idealen Mittellinie basierend auf Symmetrie nicht immer automatisch aussagekräftige Ergebnisse liefern.Daher gehen wir bei unserer Methode einen Schritt weiter, um spezifische elektronische Merkmale wie die hintere Kastentheorie und die vordere Fuchsanheftung zu finden, um die Position der Aminlinie zu verfeinern. Anschließend werden die hintere Fuchshirnregion und die vordere Fuchsanheftung an den Rändern des sagittalen Sulcus identifiziert, um die ungefähre ideale Mittellinie zu präzisieren, sodass diese anatomischen Merkmale schnell und genau erkannt werden können. Zweitens werden Suchrechtecke basierend auf der ungefähren idealen Mittellinie und ihren beiden Schnittpunkten definiert.Beim Kallottenskelett wird die Größe des Rechtecks so gewählt, dass die zu erkennenden anatomischen Merkmale eingeschlossen werden. Der vordere Fuchsanhalt wird als höchster Punkt des Kamms am Kallottenskelett erkannt, während der Fuchsschnabel als graue Linie im hinteren Bereich detektiert wird. Eine knöcherne Vorsprungsstruktur befindet sich im vorderen Bereich des Schädels.Der Fuchsschwanz erstreckt sich von diesem Punkt aus. Diese anatomische Struktur kann als Ausgangspunkt für die Mittellinie verwendet werden. Es ist ersichtlich, dass die Vorwölbung sich nach unten zu einem lokalen Minimum am vorderen Rand des Fuchsschwanzes krümmt.Wenn man die untere Kante der Schädelknochen als Kurve in der Bildebene betrachtet, kann diese Kurve als eindimensionale Funktion modelliert werden. Die Erkennung des Vorsprungs reduziert sich dann auf die Suche nach dem Minimum einer abgetasteten eindimensionalen Funktion. Bei Eingabe des oberen segmentierten Schädelknochens besteht der erste Schritt darin, die untere Kante des Knochens zu extrahieren.Der nächste Schritt beinhaltet die Detektion der Ausstülpung mithilfe des lokalen Minimums. Hier stellt das lokale Minimum ebenfalls das Ende der Ausstülpung dar. Dieses schematische Diagramm zeigt, wie der Fuchs im unteren Teil des Gehirns detektiert wird.Da das Ziel darin besteht, im ersten Schritt die hellgrauen Linien und nicht die dunkleren Linien zu erkennen, wird der Medianwert des Bereichs als Schwellenwert verwendet. Mithilfe dieses Schwellenwerts werden alle Graustufenwerte darunter auf den Medianwert gesetzt. Anschließend wird ein Zero-Crossing-Kantendetektor verwendet, um die Kantenkarte zu erzeugen.Dies bewahrt detailliertere Kanten während der Sobell-Erkennung und ermöglicht die Entfernung unerwünschter Kanten im nächsten Schritt. Die Kantenkarte wird anschließend schrittweise unter Verwendung bekannter Merkmale des Fuchshirns verfeinert. Zunächst erfolgt die Verfeinerung der Kantenkarte anhand von Intensität und Gradient, gefolgt von der Anwendung eines Größenschwellenwerts und eines Konzentrationsschwellenwerts zur weiteren Verbesserung.Weiterhin ist hier die Konzentrationsschwelle nichts anderes als die Dichte der Kantenpunkte. Schließlich wird die Hof-Transformation angewendet, um Linien zu erkennen, die den Fuchs.Sarah. darstellen. Die Ergebnisse der HOF-Transformation sind üblicherweise eine Menge von Linien.Zwei.Es müssen Bedingungen festgelegt werden, um die gewünschten Linien aus dieser Menge zu extrahieren. Zunächst muss der Winkel der Linie in dem Bereich liegen, in dem sich die Linien konzentrieren. Dieser Bereich wird durch die Berechnung der statistischen Werte der Winkel der erkannten Linien ermittelt.Zweitens muss die Linie innerhalb des Bereichs liegen, in dem sich der Liniencluster konzentriert. Die endgültige ideale Mittellinie wird in diesem Stadium als die längste Linie ausgewählt, die die oben genannten Einschränkungen erfüllt. Diese Abbildung zeigt die beiden interessierenden Bereiche sowie die verfeinerte ideale Mittellinie basierend auf den inneren Ausstülpungen.Die grüne Linie ist die verfeinerte ideale Mittellinie, und die rote Linie ist die ungefähre Position der idealen Mittellinie des Gehirns vor der Verfeinerung. Dieses Bild zeigt das 3D-Modell des ventrikulären Systems mit einem MRI-Schnittbild des Gehirns. Der rote Bereich des Bildes stellt das ventrikuläre System in 3D dar.Das Ventrikelsystem besteht aus zwei bilateralen Ventrikeln an der Oberseite, dem dritten Ventrikel in der Mitte und dem vierten Ventrikel an der Unterseite. Der Grund, warum wir Informationen über einen Ventrikel extrahieren, liegt darin, dass er sich bei Druckveränderungen im Gehirn infolge einer Verletzung verformt und sich daher gut eignet, um die Deformation von Hirngewebe und pathologische Fälle zu messen. In aufeinanderfolgenden MRT- oder CT-Bildschnitten erscheint das Ventrikelsystem in verschiedenen Formen rechts; die extrahierten Formen des Ventrikelsystems aus einer MRT-Aufnahme sind dargestellt.Das Ziel der CT-Segmentierung besteht darin, diese Formen aus den ursprünglichen CT-Scans zu identifizieren. Bei unserer vorgeschlagenen Methode wird der Segmentierungsprozess in zwei Teile unterteilt. Zunächst wird eine initiale Segmentierung auf niedriger Ebene angewendet, um Pixel in verschiedene Bereiche zu gruppieren.Dann wird eine Methode zur Vorlagenübereinstimmung auf hoher Ebene verwendet, um die Ventrikel aus den segmentierten Ergebnissen zu identifizieren. Diese Abbildung veranschaulicht die Segmentierung auf niedriger Ebene, basierend auf einer Gaußschen Mischungsmethode. Zunächst werden die ursprünglichen CT-Bilder mithilfe eines Median-Filters gefiltert.Das Ergebnis ist im linken Bild dargestellt. 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, folgt die Anwendung der Goss- und Mischungsmethode. Das Bild rechts zeigt eine unterschiedliche Goss und Verteilungen auf dem 2D-Bild, die initialisiert sind. Mithilfe der gleichen Segmentierung wird die Erwartungsmaximierung genutzt, um die Parameter weiterzuentwickeln, und schließlich wird ein optimiertes Segmentierungsergebnis erzielt.Das ventrikuläre System in Z-Richtung weist über den Trainingsdatensatz hinweg keine signifikanten Variationen auf. Daher können die Abbildungen in linearer Form angenähert werden. In der hier beschriebenen Methode werden diese Abbildungen zunächst manuell initialisiert und anschließend mithilfe eines Satzes von Trainingsbildern optimiert.Es gibt drei Kriterien, um die anfängliche Ventrikel-Segmentierung zu akzeptieren. Erstens muss das Segment relativ groß sein. Zweitens darf das Segment nicht in der Nähe der Gehirnkante liegen.Punkt drei: Das Segment schneidet die Ventrikelvorlage. Die Abbildungen unten zeigen ein Beispiel des Schritts zur Ventrikel-Erkennung aus den Ergebnissen. Man kann erkennen, dass die Ventrikelteile mithilfe von Größen-, Begrenzungsbox- und Vorlagenbeschränkungen erfolgreich erkannt wurden.Um die eigentliche Mittellinie abzuschätzen, vergleichen wir zunächst die segmentierten Ventrikel anhand der Form mit den Vorlagen. Diese Abbildung zeigt den Ablauf der Anpassung. Zunächst werden die Kantenpunkte abgetastet.Dann durch Optimierung der Übereinstimmungskosten der beiden Formen. Die Zuordnungen der Punkte zwischen den beiden Formen werden hergestellt. Zum Beispiel zeigt im zweiten Reihen das letzte Bild die Korrespondenz, indem rote Punkte einer Form mit grünen Punkten der anderen Form verbunden werden.Da das Ventrikelsystem eine dreidimensionale Struktur ist und auf verschiedenen CT-Schichten unterschiedliche Formen aufweist, führen wir das Formmatching über alle CT-Schichten hinweg durch. Für jede Schicht definieren wir Merkmalspunkte, die zur Schätzung der Mittellinie verwendet werden können. Beispielsweise sind die Merkmalspunkte in den Formen der Seitenventrikel die inneren Randpunkte der beiden Seitenventrikel.Diese Merkmalspunkte werden anhand ihrer Entsprechung zu den Merkmalspunkten auf der Vorlage identifiziert, die vor dem Zuordnungsprozess manuell beschriftet werden. Hier zeigen wir zahlreiche Zuordnungsergebnisse, indem wir verschiedene Vorlagen auswählen. Bei jeder Formzuordnung ergibt sich eine Übereinstimmungskosten.Indem wir die minimale Übereinstimmungskosten auswählen, ermitteln wir die beste Vorlage für die Formübereinstimmung und identifizieren die Merkmalspunkte. In diesem Beispiel sind die Punkte aus den Segmentierungsergebnissen grün dargestellt, während die Punkte aus den Vorlagen rot dargestellt sind. Durch den Vergleich der Übereinstimmungskosten erkennen wir, dass die erste Vorlage am besten geeignet ist.Nachdem die Merkmalspunkte identifiziert wurden, berechnen wir die X-Koordinaten dieser Merkmalspunkte. Üblicherweise gibt es Merkmalspunkte auf der linken Seite und Merkmalspunkte auf der rechten Seite. Die X-Koordinate der tatsächlichen Mittellinie wird als Mittelwert der X-Koordinate der linken und der rechten Merkmalspunkte geschätzt.Hier zeigen wir vier Schätzergebnisse. Die grüne vertikale Linie stellt die geschätzte X-Koordinate der tatsächlichen Mittellinie dar. Die Übereinstimmungsvorlage ist durch die blauen Punkte dargestellt.Die identifizierten Merkmalspunkte sind in blau dargestellt. Aus den Ergebnissen geht hervor, dass die Schätzung der tatsächlichen Mittellinie sehr gut funktioniert, nachdem die tatsächliche Mittellinie geschätzt wurde. Die Berechnung der horizontalen Verschiebung S der Mittellinie ist unkompliziert.X ideal ist die X-Koordinate der idealen Mittellinie, und X actual 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 Mittellinienverschiebung können diese von uns extrahierten Merkmale zusätzliche Informationen für die Vorhersage des ICP-Spiegels liefern.Die Kernidee hierbei besteht darin, so viele Merkmale wie möglich zu extrahieren und anschließend mithilfe von Methoden der Merkmalsauswahl nur jene Merkmale beizubehalten, die relevant für die Bereitstellung von ICB-Informationen sind. Zu den aus CT-Scans extrahierten Merkmalen gehören Blutmengen, Verschiebung der Mittellinie und Texturmuster. Merkmale aus anderen Quellen umfassen demografische Informationen wie das Alter des Patienten, Traumascore und Schweregrad des Verletzungsscores.Ein Segmentierungsalgorithmus basierend auf einem Gaußschen Mischmodell wird verwendet, um die Pixel zu kennzeichnen. Die Pixel werden in vier Kategorien eingeteilt: Blut, zerebrospinale Flüssigkeit, graue Substanz und weiße Substanz-Textur. Muster in den CT-Bildern können Hinweise auf den Zustand des Gehirns enthalten.Hohe Werte des intrakraniellen Drucks können das Texturmuster verändern. Wir konzentrieren uns hauptsächlich auf die Texturmuster in Bereichen ohne zerebrospinale Flüssigkeit oder Blut. Die Texturanalyse wird auf kleinen Teilbildern oder Fenstern des CT-Bildes angewendet. In jedem CT-Bild werden sechs Fenster ausgewählt.Texturmerkmale werden mithilfe der diskreten Fourier-Transformation und der diskreten Wavelet-Transformation extrahiert. Kurz gesagt, steht eine enorme Menge an Informationen zur Verfügung. Für Ärzte wird es daher äußerst problematisch, unabhängig von ihrer Erfahrung, alle diese Signale gleichzeitig zu verarbeiten.Das aktuelle Projekt, das darauf abzielt, die CT-Aufnahmen zu analysieren und automatisierte Bildverarbeitung anzuwenden, wäre eine hervorragende Unterstützung für Notärzte und Traumatologen wie mich, um uns bei der schnelleren Auswertung dieser Daten zu helfen. Der Datensatz umfasst 17 Patienten mit leichten bis schweren traumatischen Hirnverletzungen. Jeder Patient verfügt über mehrere CT-Scans, insgesamt wurden 57 Scans in der Studie verwendet.Ein Wert, der den intrakraniellen Druck repräsentiert, wird stündlich aufgezeichnet. Es gibt zwei Kategorien erhöhter ICP-Werte. ICP wird definiert als ICP größer als 12 tor.Beim normalen ICP wird dieser als ICP kleiner oder gleich 12 tor definiert. In diesem Datensatz gibt es 33 normale Fälle und 24 Fälle mit erhöhtem ICP. Um das Modell zu erstellen, verwenden wir zwei Stufen der zehnfachen Kreuzvalidierung.Die erste ist eine geschachtelte Stufe, in der eine Merkmalsauswahl durchgeführt wird. In der zweiten Stufe kommt eine genetische Suchmethode zum Einsatz, und der Klassifikator, der zusammen mit der Suchmethode verwendet wird, ist eine Support-Vektor-Maschine. Diese Abbildung zeigt die ideale Mittellinien-Schätzung.Die rote Linie ist die ungefähre ideale Mittellinie, basierend auf der Symmetrie des Schädels. Nach der Verfeinerung mithilfe anatomischer Merkmale ergibt sich eine genauere Schätzung der idealen Mittellinie, die durch die grüne Linie dargestellt wird. In der Abbildung zeigen diese Bilder die geschätzte tatsächliche Mittellinie.Die grünen Linien sind die geschätzte tatsächliche Mittellinie, und die blauen Punkte sind die übereinstimmenden Vorlagen. Das Bild rechts zeigt die geschätzte ideale Mittellinie links vom Zentrum und die tatsächliche Mittellinie. Auf der rechten Seite ist die sich ergebende Verschiebung der Mittellinie aus der Schätzung zu erkennen.Hier präsentieren wir auch die quantitativen Ergebnisse bei der Bewertung unserer Methoden. Bei den meisten CT-Schnitten in unserem Datensatz beträgt der Fehler zwischen der idealen Mittellinie, die durch unsere Methodik geschätzt wurde, und den vom Arzt markierten Mittellinien etwa zwei Pixel oder einen Millimeter. Bei der tatsächlichen Mittellinie weisen mehr als 80 % eine Abweichung von weniger als 2,25 Millimetern auf, vorausgesetzt, es erfolgt eine bestimmte Qualitätskontrolle der Segmentierungsergebnisse.Die Bewertung der Vorhersage des intrakraniellen Drucks weist eine Genauigkeit von etwa 70 % bei zehnfacher Kreuzvalidierung auf. Zunächst trennen wir die Segmentierungsprozesse auf niedriger und hoher Ebene. Obwohl dieses Design von der Kombination verschiedener Algorithmen profitieren kann, könnten wir möglicherweise nicht sämtliche Informationen aus der Segmentierung auf niedriger Ebene ausschöpfen.Durch die Kombination der Segmentierung auf niedriger und auf hoher Ebene können bessere Segmentierungsergebnisse erzielt werden. Gemäß dieser Idee lassen sich Methoden wie die modellbasierte Segmentierung oder die registrierungsbasierte Segmentierung anwenden, um eine genauere Vorhersage zu erhalten und gleichzeitig eine umfassendere Bewertung der vorgeschlagenen Methode bereitzustellen. Die Sammlung weiterer Datensätze wird die Studie durch eine größere Stichprobengröße verbessern.

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

Research

Forschung

JoVE Journal

Medicine

Medizin

Dieser Artikel beschreibt Techniken zur hochauflösenden funktionellen Kernspintomografie mit 1,2 mm Probenahme in der menschlichen Mittelhirn und subkortikalen Strukturen mit einem 3T Scanner durchführen. Die Verwendung dieser Techniken, um topographische Karten der visuellen Stimulation in der menschlichen Colliculus superior (SC) zu lösen ist als ein Beispiel gegeben.

Hochauflösende Functional Magnetic Resonance Imaging Methods for Human Mittelhirn

Läsion Explorer (LE) ist eine regional entwickelt, um Hirngewebe und subkortikalen Hyper Läsion Volumetrie von strukturellen MRT der Alzheimer-Krankheit und normalen älteren erhalten halbautomatisch, Bildverarbeitungs-Pipeline. Um ein hohes Maß an Genauigkeit und Zuverlässigkeit zu gewährleisten, ist das folgende eine Video-geführt, standardisiertes Protokoll für LE manuellen Verfahren.

Läsion Explorer: Ein Video-geführt, standardisiertes Protokoll für genaue und zuverlässige MRI-abgeleiteten Volumetrics in der Alzheimer-Krankheit und Normale Ältere

Wir beschreiben die Schritte, um unsere kundenspezifische Software für die Bildintegration, Visualisierung und Planung in der Epilepsiechirurgie verwenden.

Eine Pipeline für 3D Multimodalität Bildintegration und Computergestützte Planung in der Epilepsie-Chirurgie

Die gleichzeitige Auswertung von zerebralen Hämodynamik und den Lichtstreuungseigenschaften der in vivo Rattenhirngeweben wird ein herkömmliches multispektraler diffuses Reflexions - Bildgebungssystem unter Verwendung demonstriert.

Die gleichzeitige Auswertung der zerebralen Hämodynamik und Lichtstreuungseigenschaften der<em&gt; In Vivo</em&gt; Rattenhirn Mit Multispektral Diffuse Reflectance Imaging

Eine Methode zur Erfassung der Multimodalität Überwachungssignale bei Patienten mit schweren Hirnverletzungen mit einem Bett, wird einzelne Burr Loch Technik beschrieben.

Ein Nachttisch, einzelne Burr Loch Ansatz zur Multimodalität Überwachung in schwere Hirnschädigung

Hier ist ein praktisches Tutorial für eine offene, standardisierte Bildverarbeitungspipeline zum Zwecke der Läsion-Symptom-Mapping. Für jeden Verarbeitungsschritt wird eine schrittweise Vorgehensweise angeboten, von der manuellen Infarktsegmentierung auf CT/MRT über die anschließende Registrierung bis hin zum Standardraum sowie praktische Empfehlungen und Illustrationen mit beispielhaften Fällen.

Brain Infarct Segmentation und Registrierung auf MRT oder CT für Lesion-Symptom Mapping

Trotz der entscheidenden Rolle des Plexus choroideus im Gehirn sind Neuroimaging-Studien dieser Struktur aufgrund des Mangels an zuverlässigen automatisierten Segmentierungswerkzeugen rar. Das vorliegende Protokoll zielt darauf ab, eine manuelle Segmentierung des Aderhautplexus nach Goldstandard zu gewährleisten, die in zukünftige Neuroimaging-Studien einfließen kann.

Manuelle Segmentierung des menschlichen Aderhautplexus mittels Hirn-MRT

Transkranieller Ultraschall ist ein unverzichtbares Instrument zur Überwachung von Patienten mit verschiedenen neurologischen Erkrankungen. Obwohl es in beratenden Studien häufig protokollarisch verwendet wird, wurde das Gehirn in vielen Protokollen mit Point-of-Care-Ultraschall (PoCUS) übersehen. In dieser Studie wird ein PoCUS-Bilderfassungsprotokoll vorgeschlagen.

Point-of-Care Transkranieller farbcodierter Duplex-Ultraschall der Arteria cebraralis media

Hier beschreiben wir ein standardisiertes Protokoll für die motorische Kartierung mit nTMS in Kombination mit der Diffusions-Tensorbildgebung (DTI)-basierter Rekonstruktion des kortikospinalen Trakts (CST). Das Protokoll ist reproduzierbar, klinisch machbar und leicht in routinemäßige klinische Arbeitsabläufe integriert und bietet einen robusten und wertvollen Rahmen für die Bewertung der motorischen Bahnen, die Forschung zur Neuroplastizität und die Rehabilitationsplanung.

Ein standardisiertes Protokoll für funktionelle motorische Kartierung unter Verwendung navigierter transkranialer magnetischer Stimulation

Eine neue Technik, um die Drücke innerhalb des Schädels aufnehmen beschrieben. Die minimal-invasive Methode verwendet eine Glasfaser-Druck-Sensing-System genau zu messen Hirndruck (ICP) in narkotisierten Ratten ohne wesentliche Hirn-Trauma. Die Technik kann in einem weiten Bereich von experimentellen Modellen verwendet werden.

Epidurale Intrakranielle Druckmessung in Ratten mit einem LWL-Druckaufnehmer

Erfahren Sie, wie automatisierte Bildverarbeitung und maschinelles Lernen zur Schätzung von Mittellinienverschiebungen und intrakraniellem Druck bei Schädel-Hirn-Trauma-Patienten eingesetzt werden. Diese Methode verbessert die diagnostische Genauigkeit erheblich.

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

Weitere Videos entdecken