Shift אוטומטי קו אמצע והערכה לחץ תוך גולגולתי מבוססת על תמונות CT מוח

המטרה הכוללת של ניסוי זה היא לזהות תזוזות בקו האמצע מתמונות CT מוח של חולים עם פגיעה מוחית טראומטית ובכך להעריך את הלחץ התוך גולגולתי בתוך המוח. בפרויקט זה פיתחנו שיטה חישובית לניתוח תמונות ה-CT ולניבוי הלחץ התוך גולגולתי או ICP. התמריץ לפרויקט זה הוא העובדה שבמקרים רבים בהם לאנשים יש פגיעות ראש, תמיד קיים החשד ש-ICP או לחץ תוך גולגולתי עלולים להיות מוגברים, אז CT, אנחנו יכולים להעריך נפיחות של המוח, אנחנו יכולים להעריך המטומות, אנחנו יכולים להעריך תזוזות קו אמצע או, או תזוזות של המוח, אבל מה שאנחנו לא יכולים לחזות באופן מהימן הוא איזו השפעה יש לזה על הלחץ התוך גולגולתי מלבד באופן כללי, זה מעלה אותו במידה מסוימת, וכאן השיטות החישוביות שעבדנו עליהן מועילות.

הוא יכול לחזות ברמת דיוק סבירה בדיוק אילו השפעות יש לשינויים האנטומיים על הלחץ התוך גולגולתי. תרשים סכמטי זה מציג את הסקירה הכללית של המתודולוגיה ששימשה במחקר זה. טומוגרפיה צירית ממוחשבת ידועה יותר בשמות המקוצרים שלה, סריקת CT או סריקת CAT.

סריקות ה-CT מפותחות מסדרה גדולה של תמונות רנטגן דו מימדיות שצולמו סביב ציר סיבוב יחיד. בשלב הראשון של הגישה שלנו, סריקות ה-CT של מטופלים עם פגיעות מוח טראומטיות או TBI נרכשות ומנותחות כדי לזהות את השינוי בקו האמצע. השלב הבא כולל חילוץ וניתוח של תכונות אחרות כגון מידע מרקם שונה של תמונות CT והערכת כמות הדם.

הגישה שלנו משתמשת גם בתכונות שחולצו כמו גם במידע דמוגרפי אחר כדי לחזות אלגוריתמים של למידת מכונה ICP משמשים למודל הקשר בין ה-ICP לתכונות שחולצו. קו האמצע האידיאלי המשוער מזוהה באמצעות סימטריה של הגולגולת. תחילה באמצעות סף בקנה מידה אפור, הגולגולת מפולחת מפרוסת התמונה.

לאחר מכן האלגוריתם מחפש כל זווית סיבוב באופן ממצה סביב מרכז המסה של הגולגולת כדי למצוא את הקו שממקסם את הסימטריה של חצאי הגולגולת המתקבלים. קו האמצע האידיאלי המשוער הוא הקו העובר דרך נקודת מרכז המסה עם זווית הסיבוב. מקסום הסימטריה, זיהוי קו האמצע האידיאלי על סמך סימטריה בלבד לא תמיד יספק לנו תוצאות משמעותיות באופן אוטומטי.

לכן, בשיטה שלנו, אנו לוקחים צעד אחד קדימה כדי למצוא מאפיינים אלקטרוניים ספציפיים כגון תורת הקופסה האחורית וחיבור השועל הקדמי כדי לחדד את מיקומי קו האמין. לאחר מכן, מזוהים צר השועל האחורי והצמדת השועל הקדמי לשולי החריץ הסגיטלי כדי לחדד את קו האמצע האידיאלי המשוער על מנת לזהות את התכונות האנטומיות הללו במהירות ובדייקנות. שנית, מלבני חיפוש מוגדרים על סמך קו האמצע האידיאלי המשוער ושתי נקודות החיתוך שלו.

עם הקלווריום, גודל המלבן נבחר כך שיכלול את התכונות האנטומיות שיש לזהות. התקשרות השועל הקדמית מזוהה כנקודת השיא של הרכס על הקלווריום, ואילו קר השועל מזוהה כקו האפור באזור האחורי. בלט עצם ממוקם בחלק הקדמי של הגולגולת.

קר השועל משתרע מנקודה זו. תכונה אנטומית זו יכולה לשמש כנקודת התחלה לקו האמצע. ניתן לראות כי הבליטה מתעקלת כלפי מטה לנקודת מינימום מקומית בקצה הקדמי של השועל.

אם מסתכלים על הקצה התחתון של עצמות הגולגולת כעקומה במישור התמונה, ניתן לעצב את העקומה כפונקציה חד-ממדית. זיהוי נקודת הבליטה הופך לעניין של מציאת המינימום של פונקציה חד ממדית שנדגמה. עם הקלט של עצם הגולגולת המפולחת העליונה, הצעד הראשון הוא לחלץ את הקצה התחתון של העצם.

השלב הבא כולל זיהוי הבליטה באמצעות המיני המקומי. כאן, המינימום המקומי מייצג גם את נקודת הקצה של הבליטה. הדיאגרמה הסכמטית הזו מראה כיצד מזוהה השועל בחלק התחתון של המוח.

מכיוון שהמטרה היא לזהות קווים אפורים בהירים ולא את הקווים הכהים יותר בשלב הראשון, הערך החציוני של האזור משמש כסף. באמצעות סף זה, כל ערכי גווני האפור שמתחתיו מוגדרים כערך החציון. לאחר מכן נעשה שימוש בגלאי קצה חוצה אפס ליצירת מפת הקצה.

זה שומר על קצוות עשירים יותר במהלך זיהוי Sobell ומאפשר הסרה של קצוות לא רצויים בשלב הבא. לאחר מכן מפת הקצה מעודנת צעד אחר צעד באמצעות תכונות ידועות של קר השועל. זה נעשה תחילה על ידי חידוד מפת הקצה באמצעות עוצמה ושיפוע שלאחריהם משתמשים בסף הגודל וסף הריכוז כדי לחדד אותה.

בהמשך כאן, סף הריכוז אינו אלא הצפיפות של נקודות הקצה. לבסוף, התמרת Hof מוחלת כדי לזהות קווים המייצגים את השועל. שרה. התוצאות של התמרת HOF הן בדרך כלל קבוצה של קווים. שניים.

יש לקבוע אילוצים כדי לחלץ את הקווים הרצויים מקבוצה זו. ראשית, זווית הקו חייבת להיות בטווח שבו מרוכזים הקווים. טווח זה מתקבל על ידי חישוב הסטטיסטיקה של זוויות הקו שזוהה.

שנית, הקו חייב להיות בתוך הטווח שבו מרוכז אשכול הקווים. קו האמצע האידיאלי הסופי בשלב זה נבחר כקווים הארוכים ביותר העונים על האילוצים לעיל. תמונה זו מציגה את שני אזורי העניין וקו האמצע האידיאלי המעודן על סמך הבליטות הפנימיות.

הקו הירוק הוא קו האמצע האידיאלי המעודן, והקו האדום הוא המיקום המשוער של קו האמצע האידיאלי של הגשם לפני העידון התמונה הזו מציגה את המודל התלת-ממדי של מערכת החדרים עם נוכחות של פיסת MRI של המוח. החלק האדום של התמונה מייצג את מערכת החדרים בתלת מימד.

מערכת החדרים מורכבת משני חדרים דו-צדדיים בחלקו העליון, החדר השלישי באמצע והחדר הרביעי בתחתית. הסיבה שאנו מוציאים מידע על חדר היא מכיוון שכאשר הלחץ משתנה בתוך המוח עקב פגיעה, הוא מתעוות ולכן הוא מועמד מתאים למדידת עיוות של רקמת מוח ומקרים פתולוגיים. בפרוסות תמונת MRI או CT עוקבות, מערכת החדרים מופיעה בצורות שונות מימין, מוצגות הצורות שחולצו של מערכת החדרים מ-MRI.

מטרת פילוח ה-CT היא לזהות את הצורות הללו מסריקות ה-CT המקוריות. בשיטה המוצעת שלנו, תהליך הפילוח מופרד לשני חלקים. ראשית, מיושמת שיטת פילוח ראשונית ברמה נמוכה כדי לקבץ פיקסלים לחלקים שונים.

לאחר מכן נעשה שימוש בשיטת התאמת תבניות ברמה גבוהה לזיהוי חדרים מתוצאות מפולחות. תמונה זו ממחישה את הפילוח ברמה הנמוכה המבוסס על שיטת תערובת גאוס. ראשית, תמונות ה-CT המקוריות סוננו באמצעות סינון חציון.

התוצאה מוצגת בתמונה השמאלית. לאחר מכן, אלגוריתם K-means מוחל כדי להשיג פילוח ליבה. תוצאה זו מוצגת באמצע.

לאחר יישום האלגוריתם K-means, מיושמת שיטת הרכילות והתערובת. התמונה מימין מציגה רכילות והתפלגויות שונות בתמונה הדו-ממדית, המאותחלות. באמצעות מקסום ציפיות הפילוח שהגיעו משמש לפיתוח הפרמטרים ולבסוף מתקבלת תוצאת פילוח מכוונת.

מערכת החדרים בכיוון Z אינה מראה שונות משמעותית על פני ערכת האימון. לכן, ניתן להעריך מיפויים בצורה ליניארית. בשיטה המתוארת כאן, מיפויים אלה מאותחלים תחילה באופן ידני ולאחר מכן מותאמים באמצעות קבוצה של תמונות אימון.

ישנם שלושה אילוצים לקבל את פילוח החדר הראשוני. ראשית, הסגמנט צריך להיות גדול יחסית. שנית, המקטע אינו קרוב לקצה המוח.

מספר שלוש, הקטע מצטלב עם תבנית החדר. האיורים בתחתית מציגים דוגמה לשלב זיהוי החדר מהתוצאות. ניתן לראות שחלקי החדר מזוהים בהצלחה באמצעות אילוצי גודל, תיבה תוחמת ותבנית.

על מנת להעריך את קו האמצע בפועל, אנו מתאימים תחילה את החדרים המפולחים לתבניות על ידי התאמת צורה. איור זה מציג את תהליך ההתאמה. ראשית, נקודות הקצה נדגמות.

לאחר מכן על ידי אופטימיזציה של עלות התאמה של שתי הצורות. ההתאמות של הנקודות בין שתי הצורות נעשות. לדוגמה, בשורה השנייה, התמונה האחרונה מציגה את ההתאמה על ידי חיבור הנקודות האדומות מצורה אחת לנקודות הירוקות בצורה השנייה.

מכיוון שמערכת החדרים היא מבנה תלת מימדי ויש לה צורות שונות על פרוסות CT שונות, אנו מבצעים את התאמת הצורות על פני כל פרוסות ה-CT. עבור כל פרוסה, אנו מגדירים את נקודות התכונה שניתן להשתמש בהן כדי להעריך את קו האמצע. לדוגמה, נקודות התכונה בצורות החדר הצדדי הן נקודות הקצה הפנימיות של שני החדרים הצדדיים.

נקודות תכונה אלה מזוהות על ידי ההתאמה שלהן לנקודות התכונה בתבנית, המסומנות באופן ידני לפני תהליך ההתאמה. כאן אנו מציגים תוצאות תואמות רבות על ידי בחירת תבניות שונות. עבור כל התאמת צורה, יש עלות התאמה.

על ידי בחירת עלות ההתאמה המינימלית, אנו מוצאים את התבנית הטובה ביותר לשימוש בהתאמת הצורה וזיהוי נקודות תכונה. בדוגמה זו, הנקודות מתוצאות הפילוח מוצגות בירוק, והנקודות מהתבניות מוצגות באדום. על ידי השוואת עלות ההתאמה, אנו יכולים לראות שהתבנית הראשונה היא הטובה ביותר לשימוש.

לאחר זיהוי נקודות התכונה, אנו מחשבים את קואורדינטות X של נקודות תכונה אלה. בדרך כלל, יש נקודות תכונה בצד שמאל ונקודות תכונה בצד ימין. קואורדינטת X של קו האמצע בפועל מוערכת כממוצע של קואורדינטת X של נקודות התכונה השמאלית והימנית.

כאן אנו מציגים ארבע תוצאות הערכה. הקו האנכי הירוק מייצג את קואורדינטת ה-X המשוערת של קו האמצע בפועל. תבנית המשחק מוצגת בנקודות הכחולות.

נקודות התכונה שזוהו מוצגות בכחול. מהתוצאות, אנו יכולים לראות שהערכת קו האמצע בפועל עובדת טוב מאוד לאחר הערכת קו האמצע בפועל. החישוב של הזזת קו האמצע האופקי S הוא פשוט.

X אידיאלי הוא קואורדינטת X של קו האמצע האידיאלי, ו-X בפועל הוא קואורדינטת X של קו האמצע המשוער בפועל. התמונות המוצגות כאן ממחישות הן את קו האמצע האידיאלי המשוער והן את קו האמצע בפועל. מלבד שימוש בהזזת קו האמצע, תכונות אלה שאנו מחלצים עשויות לספק לנו מידע נוסף בחיזוי רמות ICP.

הרעיון המרכזי מאחורי זה הוא לחלץ כמה שיותר תכונות, ולאחר מכן על ידי שימוש בשיטות בחירת תכונות, אנו מסוגלים לשמור רק את התכונות הרלוונטיות לאספקת מידע ICB. המאפיינים המופקים מסריקות CT כוללים שינוי קו האמצע, כמות הדם ודפוסי המרקם. תכונות ממקורות אחרים כוללות מידע דמוגרפי כגון גיל המטופל, ציון טראומה וציון חומרת הפציעה.

אלגוריתם פילוח מבוסס מודל תערובת ג'יאן משמש לתיוג הפיקסלים. פיקסלים מקובצים לארבע קטגוריות, נוזל מוחי בדם, חומר אפור ומרקם חומר לבן. דפוסים בתמונות ה-CT עשויים לכלול אינדיקציות למצב המוח.

רמות גבוהות של לחץ בין-גולגולתי עשויות לשנות את דפוס המרקם. אנו מתמקדים בעיקר בדפוסי המרקם באזור ללא נוזל עמוד השדרה המוחי או ניתוח מרקם הדם מיושם על תמונות משנה קטנות או חלונות של תמונת ה-CT. שישה חלונות נבחרים בכל תמונת CT.

תכונות המרקם מחולצות באמצעות טרנספורמציה נפרדת וטרנספורמציה של גלים בדידים. הקצר והארוך הוא שיש כל כך הרבה מידע זמין. זה הופך להיות בעייתי מאוד עבור רופאים, לא משנה כמה הם מנוסים, לעבד את כל האותות הללו בו זמנית.

אז הפרויקט הנוכחי, שמטרתו להסתכל על סריקת ה-CAT ולבצע הדמיה אוטומטית, יהיה שימושי מאוד לרופאי חירום ולטראומטולוגים כמוני כדי לעזור לנו לעבד את הנתונים האלה הרבה יותר מהר. במערך הנתונים יש 17 חולים עם פגיעות מוח טראומטיות קלות עד חמורות. לכל מטופל יש מספר סריקות CT, ויש 57 סריקות בסך הכל ששימשו במחקר.

ערך המייצג לחץ בין גולגולתי נרשם מדי שעה. ישנן שתי קטגוריות של רמת ICP מוגברת. ICP מוגדר כ-ICP גדול מ-12 tor.

עבור ICP רגיל, הוא מוגדר כ-ICP קטן או שווה ל-12 טור. במערך נתונים זה, ישנם 33 מקרים רגילים ו-24 מקרים של ICP מוגבר. על מנת ליצור את המודל, אנו משתמשים בשני שלבים של אימות צולב פי עשרה.

הראשון הוא שלב מקונן שבו מתבצעת בחירת תכונה. בשלב השני משתמשים בשיטת חיפוש גנטי והמסווג המשמש בשילוב עם שיטת החיפוש הוא מכונת וקטור תומכת. תמונה זו מציגה את הערכת קו האמצע האידיאלית.

הקו האדום הוא קו האמצע האידיאלי המשוער המבוסס על הסימטריה של הגולגולת. לאחר חידוד באמצעות מאפיינים אנטומיים, יש לנו קו אמצע אידיאלי משוער יותר, שהוא הקו הירוק. בתמונה, תמונות אלה מציגות את קו האמצע המשוער בפועל.

הקווים הירוקים הם קו האמצע המשוער בפועל, והנקודות הכחולות הן תבניות תואמות. התמונה מימין מציגה את קו האמצע האידיאלי המשוער משמאל למרכז ואת קו האמצע בפועל. בצד ימין, אנו יכולים לראות את השינוי בקו האמצע שנוצר מהאומדן.

כאן אנו מציגים גם את התוצאות הכמותיות בהערכת השיטות שלנו. ברוב פרוסות ה-CT במערך הנתונים שלנו, השגיאה בין קו האמצע האידיאלי המוערך על ידי המתודולוגיה שלנו לבין קווי האמצע המסומנים על ידי הרופא היא בסביבות שני פיקסלים או מילימטר אחד. עבור קו האמצע בפועל, ליותר מ -80% יש הבדל של פחות מ -2.25 מילימטר תחת בקרת איכות מסוימת של תוצאות הפילוח.

להערכת חיזוי הלחץ הבין גולגולתי יש כ-70% דיוק באמצעות אימות צולב פי עשרה. קודם כל, אנו מפרידים בין תהליכי סגמנטציה ברמה נמוכה וברמה גבוהה. למרות שעיצוב זה יכול להפיק תועלת משילוב אלגוריתמים שונים, ייתכן שלא ננצל את כל המידע בפילוח ברמה נמוכה.

על ידי שילוב של פילוח ברמה נמוכה ופילוח ברמה גבוהה, ייתכן שנקבל תוצאות פילוח טובות יותר. בעקבות רעיון זה, אנו יכולים להשתמש בשיטות כגון פילוח מבוסס מודל או פילוח מבוסס רישום על מנת לקבל חיזוי טוב יותר, כמו גם לספק הערכה רבה יותר של השיטה המוצעת. איסוף מערכי נתונים נוספים כדי שגודל מדגם גדול יותר יועיל למחקר.