Cambio automático línea media y la presión intracraneal Estimación basada en imágenes de TC del cerebro

El objetivo general de este experimento es detectar los cambios en la línea media de las imágenes de TC cerebral de pacientes con lesión cerebral traumática y, por lo tanto, estimar la presión intracraneal dentro del cerebro. En este proyecto, desarrollamos un método computacional para analizar las imágenes de TC y predecir la presión intracraneal o PIC. El incentivo para este proyecto es el hecho de que en muchos casos en los que las personas tienen lesiones en la cabeza, siempre existe la sospecha de que la PIC o la presión intracraneal pueden estar elevadas, por lo que una tomografía computarizada puede evaluar la inflamación del cerebro, podemos evaluar los hematomas, podemos evaluar los desplazamientos de la línea media o los desplazamientos tiales del cerebro, Pero lo que no podemos predecir de manera confiable es qué efecto tiene eso sobre la presión intracraneal, aparte de que, en general, la eleva hasta cierto punto, y aquí es donde los métodos computacionales en los que hemos estado trabajando son útiles.

Puede predecir con un nivel razonable de precisión exactamente qué efectos tienen los cambios anatómicos sobre la presión intracraneal. Este diagrama esquemático presenta una visión general de la metodología empleada en esta investigación. La tomografía axial computarizada se conoce más comúnmente por sus nombres abreviados, tomografía computarizada o tomografía axial computarizada.

Las tomografías computarizadas se desarrollan a partir de una gran serie de imágenes de rayos X bidimensionales tomadas alrededor de un solo eje de rotación. En el primer paso de nuestro abordaje, se adquieren y analizan las tomografías computarizadas de los pacientes con lesiones cerebrales traumáticas o TCE para detectar el desplazamiento de la línea media. El siguiente paso incluye la extracción y el análisis de otras características, como la información de textura diversa de las imágenes de TC y la estimación de la cantidad de sangre.

Nuestro enfoque también utiliza las características extraídas, así como otra información demográfica para predecir el ICP, los algoritmos de aprendizaje automático se utilizan para modelar la relación entre el ICP y las características extraídas. La línea media ideal aproximada se detecta utilizando la simetría del cráneo. Primero usando el umbral de escala de grises, el cráneo se segmenta a partir de la porción de la imagen.

Luego, el algoritmo busca cada ángulo de rotación exhaustivamente alrededor del centro de masa del cráneo para encontrar la línea que maximice la simetría de las mitades resultantes del cráneo. La línea media ideal aproximada es la línea que pasa por el punto central de la masa con el ángulo de rotación. Maximizando la simetría, la detección de la línea media ideal basada únicamente en la simetría puede no siempre proporcionarnos automáticamente resultados significativos.

Por lo tanto, en nuestro método, damos un paso más allá para encontrar características electrónicas específicas, como la teoría de la caja posterior y la unión del zorro anterior, para refinar las ubicaciones de la línea de amina. A continuación, se identifican la cera de zorro posterior y la unión del zorro anterior a los márgenes del surco sagital para afinar la línea media ideal aproximada con el fin de detectar estas características anatómicas de forma rápida y precisa. Dos, los rectángulos de búsqueda se definen en función de la línea media ideal aproximada y sus dos puntos de intersección.

Con el calvario, el tamaño del rectángulo se elige para incluir las características anatómicas que se van a detectar. La inserción anterior del zorro se detecta como el punto máximo de la cresta en el calvario, mientras que la cera del zorro se detecta como la línea gris en la región posterior. Una protuberancia ósea se localiza en la sección anterior del cráneo.

La cerería del zorro se extiende desde este punto. Esta característica anatómica se puede utilizar como punto de partida para la línea media. Se puede ver que la protuberancia se curva hacia abajo hasta un punto mínimo local en el borde anterior del zorro.

Si se ve el borde inferior de los huesos del cráneo como una curva en el plano de la imagen, entonces la curva se puede modelar como una función unidimensional. La detección del punto de protuberancia se convierte en una cuestión de encontrar el mínimo de una función unidimensional muestreada. Con la entrada del hueso del cráneo segmentado superior, el primer paso es extraer el borde inferior del hueso.

El siguiente paso consiste en la detección de la protuberancia mediante el mini. Aquí, el mínimo local también representa el punto final de la protuberancia. Este diagrama esquemático muestra cómo se detecta el zorro en la parte inferior del cerebro.

Dado que el objetivo es detectar las líneas grises claras y no las líneas más oscuras en el primer paso, el valor medio del área se utiliza como umbral. Con este umbral, todos los valores de la escala de grises por debajo de él se establecen como el valor medio. A continuación, se utiliza un detector de borde de cruce por cero para generar el mapa de bordes.

Esto mantiene los bordes más ricos durante la detección de la campana y permite la eliminación de los bordes no deseados en el siguiente paso. A continuación, el mapa de bordes se refina paso a paso utilizando las características conocidas del zorro cere. Esto se hace primero refinando el mapa de bordes mediante intensidad y gradiente, después de lo cual se utilizan el umbral de tamaño y el umbral de concentración para refinarlo.

Además, aquí, el umbral de concentración no es más que la densidad de los puntos de borde. Por último, se aplica la transformada Hof para detectar las líneas que representan al zorro. Sarah. Los resultados de la transformación HOF suelen ser un conjunto de líneas. Dos.

Se deben establecer restricciones para extraer las líneas deseables de este conjunto. Primero, el ángulo de la línea debe estar en el rango donde se concentran las líneas. Este rango se obtiene calculando las estadísticas de los ángulos de la línea detectada.

En segundo lugar, la línea debe estar dentro del rango donde se concentra el grupo de líneas. La línea media ideal final en esta etapa se elige como las líneas más largas que satisfacen las restricciones anteriores. Esta imagen muestra las dos regiones de interés y la línea media ideal refinada en función de las protuberancias internas.

La línea verde es la línea media ideal refinada, y la línea roja es la posición aproximada de la línea media ideal de la lluvia antes del refinamiento. Esta imagen muestra el modelo 3D del sistema ventricular con la presencia de un corte de resonancia magnética del cerebro. La parte roja de la imagen representa el sistema ventricular en 3D.

El sistema ventricular consta de dos ventrículos bilaterales en la parte superior, el tercer ventrículo en el medio y el cuarto ventrículo en la parte inferior. La razón por la que extraemos información sobre un ventrículo es porque cuando la presión cambia dentro del cerebro debido a una lesión, este se deforma y, por lo tanto, es un candidato adecuado para medir la deformación del tejido cerebral y los casos patológicos. En cortes sucesivos de imágenes de resonancia magnética o tomografía computarizada, el sistema ventricular aparece en varias formas a la derecha, se muestran las formas extraídas del sistema ventricular de una resonancia magnética.

El objetivo de la segmentación por TC es identificar estas formas a partir de las tomografías computarizadas originales. En nuestro método propuesto, el proceso de segmentación se divide en dos partes. En primer lugar, se aplica un método inicial de segmentación de bajo nivel para agrupar píxeles en diferentes partes.

A continuación, se utiliza un método de emparejamiento de plantillas de alto nivel para identificar los ventrículos a partir de los resultados segmentados. Esta imagen ilustra la segmentación de bajo nivel basada en un método de mezcla gaussiana. En primer lugar, las imágenes de TC originales filtradas mediante el filtrado de la mediana.

El resultado se muestra en la imagen de la izquierda. A continuación, se aplica el algoritmo K-means para obtener una segmentación central. Este resultado se muestra en el medio.

Después de aplicar el algoritmo K-means, se aplica el método goss y mezcla. La imagen de la derecha muestra un chivo y distribuciones diferentes en la imagen 2D, que se inicializan. Utilizando la segmentación venida, se utiliza la maximización de expectativas para evolucionar los parámetros y, finalmente, se obtiene el resultado de la segmentación sintonizada.

El sistema ventricular en la dirección Z no muestra una variación significativa a lo largo del conjunto de entrenamiento. Por lo tanto, las asignaciones se pueden aproximar con forma lineal. En el método descrito aquí, estas asignaciones se inicializan primero manualmente y, a continuación, se optimizan mediante un conjunto de imágenes de entrenamiento.

Hay tres restricciones para aceptar la segmentación ventricular inicial. Número uno, el segmento debe ser relativamente grande. Número dos, el segmento no está cerca del borde del cerebro.

Número tres, el segmento se cruza con la plantilla del ventrículo. Las figuras de la parte inferior muestran un ejemplo del paso de reconocimiento del ventrículo a partir de los resultados. Se puede ver que las partes del ventrículo se reconocen con éxito mediante restricciones de tamaño, cuadro delimitador y plantilla.

Para estimar la línea media real, primero comparamos los ventrículos segmentados con las plantillas mediante la coincidencia de formas. Esta figura muestra el proceso de emparejamiento. En primer lugar, se muestrean los puntos de borde.

A continuación, optimizando el coste coincidente de las dos formas. Se realizan las correspondencias de los puntos entre las dos figuras. Por ejemplo, en la segunda fila, la última imagen muestra la correspondencia conectando los puntos rojos de una forma con los puntos verdes de la otra forma.

Debido a que el sistema ventricular es una estructura 3D y tiene diferentes formas en diferentes cortes de TC, realizamos la coincidencia de formas en todos los cortes de TC. Para cada corte, definimos los puntos característicos que se pueden utilizar para estimar la línea media. Por ejemplo, los puntos característicos en las formas de los ventrículos laterales son los puntos del borde interno de los dos ventrículos laterales.

Estos puntos característicos se identifican por su correspondencia con los puntos característicos de la plantilla, que se etiquetan manualmente antes del proceso de coincidencia. Aquí mostramos muchos resultados coincidentes eligiendo diferentes plantillas. Para cada coincidencia de forma, hay un costo de coincidencia.

Al seleccionar el costo mínimo de coincidencia, encontramos la mejor plantilla que se utilizará en la coincidencia de formas e identificamos los puntos de características. En este ejemplo, los puntos de los resultados de la segmentación se muestran en verde y los puntos de las plantillas se muestran en rojo. Al comparar el costo del partido, podemos ver que la primera plantilla es la mejor para usar.

Una vez identificados los puntos característicos, calculamos las coordenadas X de estos puntos característicos. Por lo general, hay puntos de característica en el lado izquierdo y puntos de característica en el lado derecho. La coordenada X de la línea media real se estima como el promedio de la coordenada X de los puntos de características izquierdo y derecho.

Aquí mostramos cuatro resultados de estimación. La línea vertical verde representa la coordenada X estimada de la línea media real. La plantilla de coincidencia se muestra en los puntos azules.

Los puntos de características identificados se muestran en azul. A partir de los resultados, podemos ver que la estimación de la línea media real funciona muy bien después de estimar la línea media real. El cálculo del desplazamiento horizontal de la línea media S es sencillo.

X ideal es la coordenada X de la línea media ideal, y X real es la coordenada X de la línea media real estimada. Las imágenes que se muestran aquí ilustran tanto la línea media ideal estimada como la línea media real. Además de usar el desplazamiento de la línea media, estas características que extraemos pueden proporcionarnos información adicional para predecir los niveles de ICP.

La idea principal detrás de esto es extraer tantas características como sea posible y, luego, mediante el uso de métodos de selección de características, podemos retener solo aquellas características que son relevantes para proporcionar información de ICB. Las características extraídas de las tomografías computarizadas incluyen el desplazamiento de la línea media, la cantidad de sangre y los patrones de textura. Las características de otras fuentes incluyen información demográfica como la edad del paciente, la puntuación del trauma y la puntuación de gravedad de la lesión.

Se utiliza un algoritmo de segmentación basado en un modelo de mezcla gian para etiquetar los píxeles. Los píxeles se agrupan en cuatro categorías: sangre, fluido cerebral, materia gris y textura de materia blanca. Los patrones en las imágenes de TC pueden incluir indicaciones del estado del cerebro.

Los altos niveles de presión intercraneal pueden cambiar el patrón de textura. Nos centramos principalmente en los patrones de textura en la zona sin líquido cefalorraquídeo o sangre, el análisis de la textura se aplica en pequeñas subimágenes o ventanas de la imagen de TC. Se seleccionan seis ventanas en cada imagen de TC.

Las características de textura se extraen mediante transformada foer discreta y transformada wavelet discreta. En resumen, hay mucha información disponible. Se vuelve muy problemático para los médicos, sin importar la experiencia que tengan, procesar todas estas señales al mismo tiempo.

Por lo tanto, el proyecto actual, que tiene como objetivo analizar la tomografía computarizada y hacer imágenes automatizadas, sería de gran utilidad para los médicos de urgencias y traumatólogos como yo para ayudarnos a procesar estos datos mucho más rápidamente. El conjunto de datos tiene 17 pacientes con lesiones cerebrales traumáticas de leves a graves. Cada paciente se somete a varias tomografías computarizadas, y se utilizaron un total de 57 exploraciones en el estudio.

Cada hora se registra un valor que representa la presión intercraneal. Hay dos categorías de nivel de ICP elevado. ICP se define como ICP mayor que 12 tor.

Para el ICP normal, se define como un ICP menor o igual a 12 tor. En este conjunto de datos, hay 33 casos normales y 24 casos de PIC elevada. Para crear el modelo, utilizamos dos etapas de validación cruzada de diez veces.

La primera es una etapa anidada en la que se realiza la selección de características. En la segunda etapa, se utiliza un método de búsqueda genética y el clasificador utilizado junto con el método de búsqueda es una máquina de vectores de soporte. Esta imagen muestra la estimación ideal de la línea media.

La línea roja es la línea media ideal aproximada basada en la simetría del cráneo. Después del refinamiento utilizando las características anatómicas, tenemos una línea media ideal mejor estimada, que es la línea verde. En la imagen, estas imágenes muestran la línea media real estimada.

Las líneas verdes son la línea media real estimada y los puntos azules son plantillas coincidentes. La imagen de la derecha muestra la línea media ideal estimada a la izquierda del centro y la línea media real. A la derecha, podemos ver el desplazamiento de la línea media resultante de la estimación.

Aquí también presentamos los resultados cuantitativos en la evaluación de nuestros métodos. En la mayoría de los cortes de TC de nuestro conjunto de datos, el error entre la línea media ideal estimada por nuestra metodología y las líneas medias etiquetadas por el médico es de alrededor de dos píxeles o un milímetro. Para la línea media real, más del 80% tiene menos de 2,25 milímetros de diferencia bajo cierto control de calidad de los resultados de segmentación.

La evaluación de la predicción de la presión intercraneal tiene una precisión de aproximadamente el 70% utilizando una validación cruzada de diez veces. En primer lugar, separamos los procesos de segmentación de bajo y alto nivel. Aunque este diseño puede beneficiarse de la incorporación de diferentes algoritmos, es posible que no explotemos toda la información en la segmentación de bajo nivel.

Al combinar la segmentación de bajo nivel y la segmentación de alto nivel, podemos tener mejores resultados de segmentación. Siguiendo esta idea, podemos utilizar métodos como la segmentación basada en modelos o la segmentación basada en registros para tener una mejor predicción, así como proporcionar una mayor evaluación del método propuesto. Recopilar más conjuntos de datos Tener un tamaño de muestra más grande beneficiará al estudio.