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

L'objectif général de cette expérience est de détecter les décalages de la ligne médiane à partir d'images de tomodensitométrie cérébrale de patients présentant un traumatisme crânien, et ainsi d'estimer la pression intracrânienne dans le cerveau. Dans ce projet, nous avons mis au point une méthode informatique permettant d'analyser les images de tomodensitométrie et de prédire la pression intracrânienne, ou ICP. L'intérêt de ce projet réside dans le fait que, dans de nombreux cas de traumatismes crâniens, on soupçonne toujours une éventuelle élévation de la pression intracrânienne (ICP). Grâce à un scanner, nous pouvons évaluer l'œdème cérébral, détecter des hématomes, observer des décalages de la ligne médiane ou des déplacements partiels du cerveau, mais nous ne pouvons pas prédire de façon fiable l'effet que ces anomalies ont sur la pression intracrânienne, si ce n'est qu'en général, celle-ci augmente dans une certaine mesure. C'est précisément dans ce contexte que les méthodes informatiques que nous avons mises au point s'avèrent utiles.

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

Les scanners CT sont élaborés à partir d'une grande série d'images radiographiques bidimensionnelles prises autour d'un axe unique de rotation. Dans la première étape de notre approche, les scanners CT des patients présentant des lésions cérébrales traumatiques ou TBI sont acquis et analysés afin de détecter le décalage de la ligne médiane. L'étape suivante comprend l'extraction et l'analyse d'autres caractéristiques telles que diverses informations texturales des images CT et l'estimation de la quantité de sang.

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

Ensuite, l'algorithme explore systématiquement chaque angle de rotation autour du centre de masse du crâne afin de trouver la ligne qui maximise la symétrie des deux moitiés résultantes du crâne. La ligne médiane idéale approximative est la droite passant par le point central de masse avec l'angle de rotation. En maximisant la symétrie, la détection de la ligne médiane idéale basée uniquement sur la symétrie peut ne pas toujours fournir automatiquement des résultats significatifs.

Par conséquent, dans notre méthode, nous effectuons une étape supplémentaire afin d'identifier des caractéristiques électroniques spécifiques, telles que la théorie de la boîte postérieure et l'attache antérieure du fox, pour affiner la position de la ligne amine. Ensuite, le cere du fox postérieur et l'attache antérieure du fox aux marges du sillon sagittal sont identifiés afin de préciser la ligne médiane idéale approximative, permettant ainsi de détecter rapidement et avec précision ces caractéristiques anatomiques. Deuxièmement, des rectangles de recherche sont définis à partir de la ligne médiane idéale approximative et de ses deux points d'intersection.

Avec le crâne, la taille du rectangle est choisie de manière à inclure les caractéristiques anatomiques à détecter. L'insertion du museau est détectée comme le point culminant de la crête sur le crâne, tandis que le cire du museau est détecté comme la ligne grise dans la région postérieure. Une saillie osseuse se situe dans la section antérieure du crâne.

La saillie du fox cery s'étend à partir de ce point. Cette caractéristique anatomique peut être utilisée comme point de départ pour la ligne médiane. On peut observer que la saillie s'incurve vers le bas jusqu'à un point minimum local situé au bord antérieur du foxer.

Si l'on considère le bord inférieur des os du crâne comme une courbe dans le plan de l'image, cette courbe peut être modélisée comme une fonction unidimensionnelle. La détection du point de protrusion revient alors à trouver le minimum d'une fonction unidimensionnelle échantillonnée. À partir de l'os crânien segmenté supérieur en entrée, la première étape consiste à extraire le bord inférieur de l'os.

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

Étant donné que l'objectif consiste à détecter les lignes gris clair et non les lignes plus foncées lors de la première étape, la valeur médiane de la zone est utilisée comme seuil. À l'aide de ce seuil, toutes les valeurs de la gamme de gris inférieures à celle-ci sont fixées à la valeur médiane. Ensuite, un détecteur de contours par passage par zéro est utilisé pour générer la carte des contours.

Cela préserve les contours plus marqués pendant la détection sobell et permet d'éliminer les contours indésirables à l'étape suivante. La carte des contours est ensuite affinée étape par étape à l'aide de caractéristiques connues du cerveau du renard. Cela est d'abord réalisé en affinant la carte des contours à l'aide de l'intensité et du gradient, puis en utilisant un seuil de taille et un seuil de concentration pour l'affiner davantage.

Par ailleurs, le seuil de concentration n'est rien d'autre que la densité des points du contour. Enfin, la transformée de Hof est appliquée pour détecter les lignes représentant le fox.Sarah. Les résultats de la transformée HOF sont généralement un ensemble de lignes.Deux.

Des contraintes doivent être établies pour extraire les lignes souhaitées à partir de cet ensemble. Premièrement, l'angle de la ligne doit se situer dans la plage où les lignes sont concentrées. Cette plage est obtenue en calculant les statistiques des angles des lignes détectées.

Deuxièmement, la ligne doit se situer à l'intérieur de la plage où le groupe de lignes est concentré. La ligne médiane idéale finale à ce stade est choisie parmi 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 protrusions internes.

La ligne verte correspond à la ligne médiane idéale affinée, et la ligne rouge indique la position approximative de la ligne médiane idéale du cerveau avant affinement. Cette image montre le modèle 3D du système ventriculaire avec la présence d'une coupe IRM du cerveau. La partie rouge de l'image représente le système ventriculaire en 3D.

Le système ventriculaire est composé de deux ventricules latéraux situés en haut, du troisième ventricule au centre et du quatrième ventricule en bas. La raison pour laquelle nous extrayons des informations concernant un ventricule est qu'en cas de lésion, la pression à l'intérieur du cerveau change, ce qui provoque une déformation ; il constitue donc un bon indicateur pour mesurer la déformation du tissu cérébral et des cas pathologiques. Sur des coupes successives d'images IRM ou TDM, le système ventriculaire apparaît sous différentes formes à droite ; les formes extraites du système ventriculaire à partir d'une IRM sont montrées.

L'objectif de la segmentation par tomodensitométrie est d'identifier ces formes à partir des scans initiaux. Dans notre méthode proposée, le processus de segmentation est divisé en deux parties. Premièrement, une méthode de segmentation initiale de bas niveau est appliquée pour regrouper les pixels en différentes parties.

Ensuite, une méthode de corrélation de modèles de haut niveau est utilisée pour identifier les ventricules à partir des résultats segmentés. Cette image illustre la segmentation de bas niveau fondée sur une méthode de mélange gaussien. Tout d'abord, les images TDM d'origine sont filtrées à l'aide d'un filtrage médian.

Le résultat est présenté dans l'image de gauche. Ensuite, l'algorithme des K-moyennes est appliqué afin d'obtenir une segmentation du noyau. Ce résultat est montré au centre.

Après l'application de l'algorithme des K-moyennes, la méthode de mélange de gaussiennes est ensuite appliquée. L'image de droite montre différentes gaussiennes et leurs distributions sur l'image en 2D, qui sont initialisées. À l'aide de la même segmentation, l'espérance-maximisation est utilisée pour faire évoluer les paramètres et, enfin, un résultat de segmentation affiné est obtenu.

Le système ventriculaire dans la direction Z ne présente pas de variation significative au sein du jeu d'apprentissage. Par conséquent, les correspondances peuvent être approchées sous une forme linéaire. Dans la méthode décrite ici, ces correspondances sont d'abord initialisées manuellement, puis optimisées à l'aide d'un ensemble d'images d'apprentissage.

Il existe trois contraintes pour accepter la segmentation initiale du ventricule. Premièrement, le segment doit être relativement grand. Deuxièmement, le segment ne doit pas être proche du bord du cerveau.

Numéro trois, le segment intersecte le modèle de ventricule. Les figures du bas montrent un exemple de l'étape de reconnaissance des ventricules parmi les résultats. On peut observer que les parties des ventricules sont correctement reconnues à l'aide des contraintes de taille, de boîte englobante et de modèle.

Afin d'estimer la ligne médiane réelle, nous apprimons d'abord les ventricules segmentés aux modèles à l'aide d'une correspondance de forme. Cette figure illustre le processus d'appariement. Tout d'abord, les points de contour sont échantillonnés.

Ensuite, en optimisant un coût d'appariement des deux formes. Les correspondances entre les points des deux formes sont établies. Par exemple, dans la deuxième ligne, 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 en 3D et présente des formes différentes sur chaque coupe TDM, nous effectuons une correspondance de forme sur l'ensemble des coupes TDM. Pour chaque coupe, nous définissons les points caractéristiques pouvant être utilisés pour estimer la ligne médiane. Par exemple, les points caractéristiques des formes des ventricules latéraux correspondent aux points situés sur les bords internes des deux ventricules latéraux.

Ces points caractéristiques sont identifiés par leur correspondance avec les points caractéristiques du modèle, qui sont étiquetés manuellement avant le processus d'appariement. Ici, nous présentons de nombreux résultats d'appariement en choisissant différents modèles. Pour chaque appariement de forme, il existe un coût d'appariement.

En sélectionnant le coût de correspondance minimal, nous déterminons le meilleur modèle à utiliser pour la comparaison de formes et l'identification des points caractéristiques. Dans cet exemple, les points issus des résultats de segmentation sont affichés en vert, et les points provenant des modèles sont affichés en rouge. En comparant les coûts de correspondance, on observe que le premier modèle est le plus approprié.

Une fois les points caractéristiques identifiés, nous calculons les coordonnées X de ces points. Généralement, il existe des points caractéristiques situés du côté gauche et d'autres situés du côté droit. La coordonnée X de la ligne médiane réelle est estimée comme étant la moyenne des coordonnées X des points caractéristiques gauche et droit.

Ici, nous présentons quatre résultats d'estimation. La ligne verticale verte représente la coordonnée X estimée de la ligne médiane réelle. Le modèle de correspondance est illustré par les points bleus.

Les points caractéristiques identifiés sont indiqués en bleu. D'après les résultats, on peut constater que l'estimation de la ligne médiane réelle fonctionne très bien une fois que la ligne médiane réelle est estimée. Le calcul du décalage horizontal de la ligne médiane 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 le décalage de la ligne médiane, ces caractéristiques que nous extrayons peuvent nous fournir des informations supplémentaires pour prédire les niveaux de PIC.

L'idée principale consiste à extraire le plus grand nombre possible de caractéristiques, puis, à l'aide de méthodes de sélection de caractéristiques, à conserver uniquement celles qui sont pertinentes pour fournir des informations sur l'ICB. Les caractéristiques extraites des scanners TDM incluent le déplacement de la ligne médiane, la quantité de sang et les motifs texturaux. Les caractéristiques provenant d'autres sources comprennent des informations démographiques telles que l'âge du patient, le score de traumatisme et le score de gravité des lésions.

Un algorithme de segmentation fondé sur un modèle de mélange gaussien est utilisé pour étiqueter les pixels. Les pixels sont regroupés en quatre catégories : liquide céphalorachidien, matière grise, texture de la matière blanche et sang. Les motifs présents dans les images de tomodensitométrie peuvent inclure des indications sur l'état du cerveau.

Des niveaux élevés de pression intracrânienne peuvent modifier le motif de texture. Nous nous concentrons principalement sur les motifs de texture dans la zone dépourvue de liquide céphalorachidien ou de sang ; l'analyse de texture est appliquée sur de petites sous-images ou fenêtres de l'image TDM. Six fenêtres sont sélectionnées dans chaque image TDM.

Les caractéristiques de texture sont extraites à l'aide de la transformée de Fourier discrète et de la transformée en ondelettes discrète. En résumé, il existe une quantité énorme d'informations disponibles. Cela devient très problématique pour les médecins, quel que soit leur niveau d'expérience, de traiter tous ces signaux simultanément.

Ainsi, le projet actuel, qui vise à analyser les scanners TDM et à réaliser un imagerie automatisée, serait d'une grande utilité pour les médecins urgentistes et les traumatologues comme moi afin de nous aider à traiter ces données beaucoup plus rapidement. Le jeu de données comprend 17 patients présentant des lésions cérébrales traumatiques allant de légère à sévère. Chaque patient dispose de plusieurs scanners, et 57 scanners au total ont été utilisés dans l'étude.

Une valeur représentant la pression intracrânienne est enregistrée chaque heure. Il existe deux catégories de niveaux de PIC élevés. La PIC est définie comme une pression intracrânienne supérieure à 12 tor.

Pour une pression intracrânienne (PIC) normale, celle-ci est définie comme étant inférieure ou égale à 12 tor. Dans ce jeu 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 en dix parties.

La première est une étape imbriquée au cours de laquelle une sélection de caractéristiques est effectuée. Dans la deuxième étape, une méthode de recherche génétique est utilisée et le classificateur employé conjointement 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 affinement à l’aide des caractéristiques anatomiques, nous obtenons une estimation plus précise de la ligne médiane idéale, qui correspond à la ligne verte. Sur l’image, ces images montrent la ligne médiane réelle estimée.

Les lignes vertes correspondent à la ligne médiane réelle estimée, et les points bleus sont les modèles appariés. L'image de droite montre la ligne médiane idéale estimée située à gauche du centre ainsi que la ligne médiane réelle. À droite, on peut observer le décalage de la ligne médiane résultant de l'estimation.

Ici, nous présentons également les résultats quantitatifs de l'évaluation de nos méthodes. Dans la plupart des coupes TDM de notre jeu de données, l'erreur entre la ligne médiane idéale estimée par notre méthodologie et les lignes médianes annotées par le médecin est d'environ deux pixels ou un millimètre. Pour la ligne médiane réelle, plus de 80 % présentent une différence inférieure à 2,25 millimètres, sous un certain contrôle qualité des résultats de segmentation.

L'évaluation de la prédiction de la pression intracrânienne atteint environ 70 % de précision en utilisant une validation croisée en dix parties. Tout d'abord, nous séparons les processus de segmentation de bas niveau et de haut niveau. Bien que cette conception puisse bénéficier de l'intégration d'algorithmes différents, nous pourrions ne pas exploiter toutes les informations issues de 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 un modèle ou la segmentation basée sur l'appariement afin d'améliorer la prédiction, tout en permettant une évaluation plus approfondie de la méthode proposée. La collecte de jeux de données supplémentaires afin d'obtenir une taille d'échantillon plus importante bénéficiera à l'étude.