Maj automatique Ligne médiane et estimation de la pression intracrânienne basée sur des images CT du cerveau

L’objectif global de cette expérience est de détecter les décalages de la ligne médiane à partir des images de tomodensitométrie cérébrale de patients atteints de lésions cérébrales traumatiques et d’estimer ainsi la pression intracrânienne dans le cerveau. Dans ce projet, nous avons développé une méthode computationnelle pour analyser les images CT et prédire la pression intracrânienne ou PIC. L’incitation pour ce projet est le fait que dans de nombreux cas où les gens ont des traumatismes crâniens, il y a toujours la suspicion que la PIC ou la pression intracrânienne pourrait être élevée, donc un scanner, nous pouvons évaluer l’enflure du cerveau, nous pouvons évaluer les hématomes, nous pouvons évaluer les décalages de la ligne médiane ou, ou les décalages tiaux du cerveau, Mais ce que nous ne pouvons pas prédire de manière fiable, c’est l’effet que cela a sur la pression intracrânienne, si ce n’est qu’en général, cela l’augmente dans une certaine mesure, et c’est là que les méthodes de calcul sur lesquelles nous avons travaillé sont, sont utiles.

Il peut prédire avec un niveau de précision raisonnable les effets exacts des changements anatomiques sur la pression intracrânienne. Ce schéma présente un aperçu de la méthodologie employée dans cette recherche. La tomographie axiale informatisée est plus connue sous ses noms abrégés, CT scan ou CAT scan.

Les tomodensitogrammes sont développés à partir d’une grande série d’images radiographiques bidimensionnelles prises autour d’un seul axe de rotation. Dans la première étape de notre approche, les tomodensitogrammes des patients atteints de lésions cérébrales traumatiques ou de TCC sont acquis et analysés pour détecter le décalage de la ligne médiane. L’étape suivante comprend l’extraction et l’analyse d’autres caractéristiques telles que diverses informations sur la texture des images CT et l’estimation de la quantité sanguine.

Notre approche utilise également les caractéristiques extraites ainsi que d’autres informations démographiques pour prédire que les algorithmes d’apprentissage automatique ICP sont utilisés pour modéliser la relation entre l’ICP et les caractéristiques extraites. La ligne médiane idéale approximative est détectée à l’aide de la symétrie du crâne. Tout d’abord, à l’aide du seuillage en niveaux de gris, le crâne est segmenté à partir de la tranche d’image.

Ensuite, l’algorithme recherche chaque angle de rotation de manière exhaustive autour du centre de masse du crâne pour trouver la ligne qui maximise la symétrie des moitiés résultantes du crâne. La ligne médiane idéale approximative est la ligne passant par le point central de la masse avec l’angle de rotation. Maximiser la symétrie, Détecter la ligne médiane idéale sur la base de la seule symétrie peut ne pas toujours nous fournir automatiquement des résultats significatifs.

Par conséquent, dans notre méthode, nous allons un peu plus loin pour trouver des caractéristiques électroniques spécifiques telles que la théorie de la boîte postérieure et l’attache du renard antérieur pour affiner les emplacements de la ligne d’amine. Ensuite, la cère postérieure du renard et l’attache antérieure du renard aux marges du sillon sagittal sont identifiées pour affiner la ligne médiane idéale approximative afin de détecter ces caractéristiques anatomiques rapidement et avec précision. Deuxièmement, les rectangles de recherche sont définis en fonction de la ligne médiane idéale approximative et de ses deux points d’intersection.

Avec le calvarium, la taille du rectangle est choisie pour inclure les caractéristiques anatomiques à détecter. L’attache antérieure du renard est détectée comme le point culminant de la crête sur le calvarium, tandis que la cire du renard est détectée comme la ligne grise dans la région postérieure. Une saillie osseuse est située dans la partie antérieure du crâne.

La céréale du renard s’étend à partir de ce point. Cette caractéristique anatomique peut être utilisée comme point de départ pour la ligne médiane. On peut voir que la saillie s’incurve jusqu’à un point minimum local sur le bord antérieur du foxer.

Si l’on considère le bord inférieur des os du crâne comme une courbe sur le plan de l’image, alors la courbe peut être modélisée comme une fonction unidimensionnelle. La détection du point de saillie devient une question de recherche du minimum d’une fonction unidimensionnelle échantillonnée. Avec l’entrée de l’os du crâne segmenté supérieur, la première étape consiste à extraire le bord inférieur de l’os.

L’étape suivante consiste à détecter la saillie à l’aide du mini local. Ici, le minimum local représente également le point final de la saillie. Ce schéma montre comment le renard dans la partie inférieure du cerveau est détecté.

Étant donné que l’objectif est de détecter les lignes gris clair et non les lignes plus foncées dans un premier temps, la valeur médiane de la zone est utilisée comme seuil. À l’aide de ce seuil, toutes les valeurs d’échelle de gris inférieures sont définies comme valeur médiane. Ensuite, un détecteur de bord de passage à zéro est utilisé pour générer la carte de bord.

Cela permet de conserver des bords plus riches lors de la détection de sobell et de supprimer les bords indésirables à l’étape suivante. La carte des limites est ensuite affinée étape par étape à l’aide des caractéristiques connues de la fox cere. Cela se fait d’abord en affinant la carte des bords à l’aide de l’intensité et du gradient, après quoi le seuil de taille et le seuil de concentration sont utilisés pour l’affiner.

De plus, le seuil de concentration n’est rien d’autre que la densité des points de bord. Enfin, la transformée de Hof est appliquée pour détecter les lignes représentant le renard. Sarah. Les résultats de la transformation HOF sont généralement un ensemble de lignes. Deux.

Des contraintes doivent être établies pour extraire les lignes souhaitables de cet ensemble. Tout d’abord, l’angle de la ligne doit être dans la plage où les lignes sont concentrées. Cette plage est obtenue en calculant les statistiques des angles de la droite détectée.

Deuxièmement, la ligne doit se trouver à l’intérieur de la plage où le groupe de lignes est concentré. La dernière ligne médiane idéale à ce stade est choisie comme les lignes les plus longues satisfaisant les contraintes ci-dessus. Cette image montre les deux régions d’intérêt et la ligne médiane idéale affinée en fonction des protubérances internes.

La ligne verte est la ligne médiane idéale raffinée, et la ligne rouge est la position approximative de la ligne médiane idéale de la pluie avant le raffinement. Cette image montre le modèle 3D du système ventriculaire avec la présence d’une tranche IRM du cerveau. La partie rouge de l’image représente le système ventriculaire en 3D.

Le système ventriculaire se compose de deux ventricules bilatéraux en haut, du troisième ventricule au milieu et du quatrième ventricule en bas. La raison pour laquelle nous extrayons des informations sur un ventricule est que lorsque la pression est modifiée à l’intérieur du cerveau en raison d’une blessure, il se déforme et est donc un candidat approprié pour mesurer la déformation du tissu cérébral et les cas pathologiques. Dans les coupes successives d’images IRM ou CT, le système ventriculaire apparaît sous différentes formes à droite, les formes extraites du système ventriculaire à partir d’une IRM sont représentées.

L’objectif de la segmentation CT est d’identifier ces formes à partir des tomodensitogrammes originaux. Dans la méthode que nous proposons, le processus de segmentation est séparé en deux parties. Tout d’abord, une méthode de segmentation initiale de bas niveau est appliquée pour regrouper les pixels en différentes parties.

Ensuite, une méthode de correspondance de modèle de haut niveau est utilisée pour identifier les ventricules à partir de résultats segmentés. Cette image illustre la segmentation de bas niveau basée sur une méthode de mélange gaussien. Tout d’abord, les images CT originales ont été filtrées à l’aide du filtrage médian.

Le résultat est montré dans l’image de gauche. Ensuite, l’algorithme des K-moyennes est appliqué pour obtenir une segmentation de base. Ce résultat est présenté au milieu.

Une fois l’algorithme des K-moyennes appliqué, la méthode du goss et du mélange est appliquée. L’image de droite montre un goss et des distributions différents sur l’image 2D, qui sont initialisés. En utilisant la maximisation des attentes de segmentation came, on utilise l’évolution des paramètres et, enfin, on obtient un résultat de segmentation adapté.

Le système ventriculaire dans la direction Z ne présente pas de variation significative sur l’ensemble de l’entraînement. Par conséquent, les mappages peuvent être approximés avec une forme linéaire. Dans la méthode décrite ici, ces mappages sont d’abord initialisés manuellement, puis optimisés à l’aide d’un ensemble d’images d’entraînement.

Il y a trois contraintes pour accepter la segmentation ventrale initiale. Premièrement, le segment doit être relativement vaste. Deuxièmement, le segment n’est pas proche du bord du cerveau.

Troisièmement, le segment croise le modèle ventricule. Les figures du bas montrent un exemple de l’étape de reconnaissance du ventricule à partir des résultats. On peut voir que les parties du ventricule sont reconnues avec succès à l’aide des contraintes de taille, de boîte englobante et de modèle.

Afin d’estimer la ligne médiane réelle, nous comparons d’abord les ventricules segmentés aux modèles par correspondance de forme. Cette figure montre le processus de rapprochement. Tout d’abord, les points de bord sont échantillonnés.

Puis en optimisant un coût d’appariement des deux formes. Les correspondances des points entre les deux formes sont faites. Par exemple, dans la deuxième rangée, la dernière image montre la correspondance en reliant les points rouges d’une forme aux points verts de l’autre forme.

Étant donné que le système ventriculaire est une structure 3D et a des formes différentes sur différentes coupes de tomodensitométrie, nous effectuons la correspondance de forme sur toutes les coupes de tomodensitométrie. Pour chaque tranche, nous définissons les points de caractéristique qui peuvent être utilisés pour estimer la ligne médiane. Par exemple, les points caractéristiques dans les formes des ventricules latéraux sont les points de bord internes des deux ventricules latéraux.

Ces points de caractéristique sont identifiés par leur correspondance avec les points de caractéristique du modèle, qui sont étiquetés manuellement avant le processus de correspondance. Ici, nous montrons de nombreux résultats correspondants en choisissant différents modèles. Pour chaque correspondance de forme, il y a un coût de correspondance.

En sélectionnant le coût de correspondance minimal, nous trouvons le meilleur modèle à utiliser dans la correspondance de forme et identifions les points de caractéristique. Dans cet exemple, les points des résultats de segmentation sont affichés en vert et les points des modèles sont affichés en rouge. En comparant le coût de correspondance, nous pouvons voir que le premier modèle est le meilleur à utiliser.

Une fois les points caractéristiques identifiés, nous calculons les coordonnées X de ces points caractéristiques. Habituellement, il y a des points de caractéristique sur le côté gauche et des points de caractéristique sur le côté droit. La coordonnée X de la ligne médiane réelle est estimée comme la moyenne de la coordonnée X des points de fonction gauche et droit.

Nous présentons ici quatre résultats d’estimation. La ligne verticale verte représente la coordonnée X estimée de la ligne médiane réelle. Le modèle de correspondance est affiché dans les points bleus.

Les points caractéristiques identifiés sont indiqués en bleu. D’après les résultats, nous pouvons voir que l’estimation de la ligne médiane réelle fonctionne très bien après l’estimation de la ligne médiane réelle. Le calcul du décalage horizontal médian S est simple.

X idéal est la coordonnée X de la ligne médiane idéale, et X réel est la coordonnée X de la ligne médiane réelle estimée. Les images présentées ici illustrent à la fois la ligne médiane idéale estimée et la ligne médiane réelle. Outre l’utilisation du décalage de la ligne médiane, ces caractéristiques que nous extrayons peuvent nous fournir des informations supplémentaires pour prédire les niveaux d’ICP.

L’idée principale derrière cela est d’extraire autant de caractéristiques que possible, puis en utilisant des méthodes de sélection de caractéristiques, nous sommes en mesure de ne retenir que les caractéristiques qui sont pertinentes pour fournir des informations ICB. Les caractéristiques extraites des tomodensitogrammes comprennent le décalage de la ligne médiane, la quantité de sang et les motifs de texture. Les caractéristiques d’autres sources incluent des informations démographiques telles que l’âge du patient, le score de traumatisme et le score de gravité des blessures.

Un algorithme de segmentation basé sur un modèle de mélange gian est utilisé pour étiqueter les pixels. Les pixels sont regroupés en quatre catégories : sang liquide cérébral, matière grise et texture de la substance blanche. Les motifs dans les images CT peuvent inclure des indications sur l’état du cerveau.

Des niveaux élevés de pression intercrânienne peuvent modifier le motif de texture. Nous nous concentrons principalement sur les motifs de texture dans la zone sans que l’analyse du liquide céphalo-rachidien ou de la texture du sang ne soit appliquée sur de petites sous-images ou fenêtres de l’image CT. Six fenêtres sont sélectionnées dans chaque image CT.

Les caractéristiques de texture sont extraites à l’aide de la transformée de Foer discrète et de la transformée en ondelettes discrètes. En bref, il y a tellement d’informations disponibles. Il devient très problématique pour les médecins, quelle que soit leur expérience, de traiter tous ces signaux en même temps.

Ainsi, le projet actuel, qui vise à examiner la tomodensitométrie et à faire de l’imagerie automatisée, serait d’une grande utilité pour les urgentologues et les traumatologues comme moi pour nous aider à traiter ces données beaucoup plus rapidement. L’ensemble de données comprend 17 patients atteints de lésions cérébrales traumatiques légères à graves. Chaque patient subit plusieurs tomodensitogrammes, et il y a un total de 57 tomodensitogrammes utilisés dans l’étude.

Une valeur représentant la pression intercrânienne est enregistrée toutes les heures. Il existe deux catégories de niveau ICP élevé. L’ICP est défini comme un ICP supérieur à 12 tor.

Pour l’ICP normal, il est défini comme un ICP inférieur ou égal à 12 tor. Dans cet ensemble de données, il y a 33 cas normaux et 24 cas de PIC élevée. Afin de créer le modèle, nous utilisons deux étapes de validation croisée décuplée.

La première est une étape imbriquée au cours de laquelle la sélection de fonctions est effectuée. Dans la deuxième étape, une méthode de recherche génétique est utilisée et le classificateur utilisé en conjonction avec la méthode de recherche est une machine à vecteurs de support. Cette image montre l’estimation idéale de la ligne médiane.

La ligne rouge est la ligne médiane idéale approximative basée sur la symétrie du crâne. Après avoir affiné à l’aide des caractéristiques anatomiques, nous avons une ligne médiane idéale mieux estimée, qui est la ligne verte. Dans l’image, ces images montrent la ligne médiane réelle estimée.

Les lignes vertes sont la ligne médiane réelle estimée et les points bleus sont des modèles correspondants. L’image de droite montre la ligne médiane idéale estimée à gauche du centre et la ligne médiane réelle. Sur la droite, nous pouvons voir le décalage médian résultant de l’estimation.

Nous présentons également ici les résultats quantitatifs dans l’évaluation de nos méthodes. Dans la plupart des coupes CT de notre ensemble de données, l’erreur entre la ligne médiane idéale estimée par notre méthodologie et les lignes médianes étiquetées par le médecin est d’environ deux pixels ou un millimètre. Pour la ligne médiane réelle, plus de 80 % ont une différence inférieure à 2,25 millimètres sous un certain contrôle de qualité des résultats de segmentation.

L’évaluation de la prédiction de la pression intercrânienne a une précision d’environ 70 % en utilisant une validation croisée décuplée. Tout d’abord, nous séparons les processus de segmentation de bas niveau et de haut niveau. Bien que cette conception puisse bénéficier de l’incorporation de différents algorithmes, il se peut que nous n’exploitions pas toutes les informations dans la segmentation de bas niveau.

En combinant la segmentation de bas niveau et la segmentation de haut niveau, nous pouvons obtenir de meilleurs résultats de segmentation. En suivant cette idée, nous pouvons utiliser des méthodes telles que la segmentation basée sur le modèle ou la segmentation basée sur l’enregistrement afin d’avoir une meilleure prédiction, ainsi que de fournir une meilleure évaluation de la méthode proposée. Collecter plus d’ensembles de données Avoir un échantillon plus grand sera bénéfique pour l’étude.