Name: Automatizzato Maiusc Midline e stima della pressione intracranica in base cerebrali Immagini CT (Video) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: Scopri un metodo computazionale per stimare lo shift della linea mediana e la pressione intracranica da immagini TC cerebrali in pazienti con trauma cranico. Questo sistema automatizzato migliora la precisione diagnostica.

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

Il materiale si basa su lavori in parte sostenuto dal National Science Foundation sotto Grant No. IIS0758410. I dati sono stati forniti dal sistema Carolinas Healthcare.

1. Metodologia: presentazione Il quadro proposto elabora le immagini cerebrali TC di lesione cerebrale traumatica (TBI) pazienti per calcolare automaticamente spostamento linea mediana in casi patologici e usarlo come pure altre informazioni estratte per prevedere pressione intracranica (ICP). Figura 1 mostra lo schema di tutta quadro. La misurazione del cambio automatizzato linea mediana può essere suddiviso in tre fasi. Primo, l&#39;ideale linea mediana del cervello, cioè la linea mediana prima della ferita, viene trovato mediante una ricerca gerarchica basata sulla simmetria cranio e caratteristiche del tessuto 3. In secondo luogo, il sistema ventricolare è segmentato per ogni immagine cervello CT 4. In terzo luogo, la linea mediana effettiva è stimato dal sistema segmentato ventricolare deformata utilizzando una forma corrispondente metodo 5. Lo spostamento orizzontale del sistema ventricolare viene stimato sulla base della stima della linea mediana ideale e la linea mediana effettiva. Dopo tspostamento della linea mediana si è successivamente stimato, funzioni, tra cui spostamento della linea mediana, le informazioni sulle texture delle immagini TC, così come altre informazioni demografiche vengono utilizzati per prevedere ICP. Algoritmi di apprendimento automatico vengono utilizzati per definire la relazione tra la ICP e le caratteristiche estratte 6. 2. Ideale Stima Midline <ol><li> Questo passaggio rileva la linea mediana approssimata ideale utilizzando simmetria del cranio. Primo, utilizzando scala di grigi soglia, il cranio deve essere segmentato dal resto del contenuto nell&#39;immagine CT. Dopo di che, effettuare una ricerca esaustiva per identificare gli angoli di rotazione attorno al centro di massa del cranio. L&#39;angolo di rotazione ottimale è definito come l&#39;angolo che massimizza la simmetria delle metà risultanti del cranio. La linea mediana approssimata ideale è la linea che passa attraverso il centro di massa e ha l&#39;angelo ottimale rotazione rispetto alla direzione verticale originale dell&#39;immagine CT. </li><li> Questo passaggio rileva la posterior falce cerebrale e anteriore attaccamento falce ai margini del solco sagittale. Questa operazione viene eseguita per raffinare la linea mediana identificato approssimativa ideale. Definite prima due rettangoli perquisizione centrati nei due punti di intersezione tra la linea mediana approssimativa ideale e la calotta cranica. Quindi, scegliere le dimensioni dei rettangoli empiricamente in modo da coprire le caratteristiche anatomiche da rilevare come spiegato di seguito. L&#39;attacco anteriore falce viene rilevato come il punto di picco della cresta sulla calotta cranica e la falce cerebrale viene rilevato come la linea grigia nella regione posteriore 3. </li><li> Questa fase utilizza le caratteristiche rilevate in precedenza per perfezionare la posizione ideale linea mediana. Una volta che il punto di picco della falce attacco anteriore e il punto più lontano nel posteriore falce cerebri dal calvarum sono specificate, la linea mediana raffinato ideale è la linea che collega i due punti. </li></ol> 3. Ventricolo Segmentazione <ol><li> In primo luogo applicare un basso-lesegmentazione vel utilizzando un modello mistura gaussiana (GMM) per ogni sezione CT 4,7. Immagini TC possono essere suddivisi in 4 tipi di tessuti: osso / sangue, liquido cerebrospinale (CSF), sostanza grigia e sostanza bianca. Per l&#39;inizializzazione del modello mistura gaussiana, i parametri sono stimati in base iterativo K-means risultato della segmentazione dell&#39;immagine CT. Quindi utilizzare l&#39;aspettativa-massimizzazione (EM) per ottimizzare la GMM iterativamente di rappresentare al meglio l&#39;immagine CT. Il risultato della segmentazione rigido può essere ottenuta suddividendo l&#39;immagine CT in regioni in base alla probabilità massima di appartenenza che ogni pixel appartiene alla regione tipi diversi. </li><li> Dopo il basso livello di segmentazione GMM, applicare ulteriori vincoli sul risultato della segmentazione per riconoscere regioni ventricolari. Regioni ventricolari solo con dimensioni superiori a una certa soglia vengono mantenute. Applicare vincoli sulla posizione delle regioni ventricolari e utilizzando la casella di delimitazione cervello e l&#39;insieme di ventriclposta modelli. Estrarre il set di modelli da un ventricolo del cervello immagini standard MR e poi ingrandirla con la dilatazione morfologica per accogliere variazioni tra diversi soggetti e casi patologici. </li></ol> 4. Stima effettiva Midline <ol><li> Specificare i punti caratteristici nei modelli ventricolo estratti da MR. </li><li> Non la forma più aree di corrispondenza tra 5,8 ventricoli segmentati e il modello MR. </li><li> Stimare la linea mediana effettivo basato su tali punti caratteristici individuati sulle forme ventricolo mediante corrispondente forma. Quindi utilizzare la media dei media lato sinistro e lato destro aritmetica della x-coordinate dei punti caratteristici per definire la coordinata x della linea mediana. </li></ol> 5. Più funzionalità Estrazioni <ol><li> Misurare l&#39;ematoma intracranico / emorragia volume rispetto al modello mistura gaussiana (GMM) risultati di segmentazione ottenuto dalle immagini TC. Il risultato può segmentato include piccole regioni comprese seno venoso sangue e falce cerebri, ma possono solitamente essere trascurata in confronto alle regioni di ematoma. Poi contare il numero di pixel classificati come il sangue per ogni sezione e riassumerle. La somma finale quantifica il volume di sangue travasato in esame TC. </li><li> Estrarre caratteristiche texture. Per prima cosa selezionare sei finestre in ogni immagine CT che cattura la materia grigia e bianca, ma evitare le strutture sangue e ventricolo nell&#39;immagine CT, vedere la Figura 6. Poi estrarre le caratteristiche di composizione, corrispondenti utilizzando i seguenti metodi: grigio lunghezza Run Livello 9, analisi Istogramma, analisi di Fourier, analisi wavelet doppio albero Complex 10. </li><li> Le informazioni demografiche e di punteggio di gravità della lesione vengono raccolti. </li><li> Tutte le caratteristiche estratte di ogni immagine CT sono aggregati per rappresentare l&#39;intero esame TC. Specificamente, min (f), max (f), mediana (f), media (f), std (f) sono calcolati al tral le caratteristiche selezionate appartenenti all&#39;esame CT particolare, ad esempio una ƒ funzione dello spostamento linea mediana o una caratteristica texture. Per la funzione di emorragia intracranica importo, oltre ai cinque operatori sopra elencati, sum (f) viene aggiunto anche registrare il volume totale di sangue. </li></ol> 6. ICP Stima L&#39;idea principale della stima ICP è quello di applicare le tecniche di apprendimento automatico per costruire un modello basato su una serie di campioni di addestramento. Allora il modello costruito viene valutata su campioni di prova rimanenti. A causa della dimensione elevata di caratteristiche estratte in particolare quelli dei TAC e le informazioni demografiche, la funzionalità di selezione è importante per rimuovere le funzioni indipendenti per un modello relativamente semplice così stabile. Quindi ci sono due passaggi da eseguire per ICP stima / previsione. In primo luogo, selezionare le funzioni che sono relative informative nel predire PIC. Il secondo passo è quello di utilizzare Support Vector Machines (SVM) comealgoritmo di apprendimento per sviluppare e valutare il modello di formazione. Software come RapidMiner 11 è l&#39;ideale per questo compito, perché è uno strumento molto ben sviluppato per la maggior parte degli algoritmi di apprendimento automatico e fornisce interfacce molto potenti per la formazione e la valutazione dei modelli. <ol><li> Eseguire la funzione di selezione in due fasi. In primo luogo utilizzare il criterio di informazione di guadagno rapporto nella prima fase per selezionare le prime 50 funzioni. Nella seconda fase, utilizzare un algoritmo genetico che incorpora SVM per ottimizzare ulteriormente la selezione delle caratteristiche. Quindi utilizzare il set finale di funzioni selezionate per costruire il modello per la previsione ICP nel passaggio seguente. </li><li> Eseguire la classificazione ICP e valutazione attraverso tecniche di apprendimento automatico. Il diagramma di livello superiore della formazione e test sono mostrati nella RapidMiner in Figura 8. Applicare un 10 volte convalida incrociata regime come strato più esterno per la valutazione. Al fine di costruire un modello con una migliore generalizzazione e di evitare un eccesso di raccordo per tegli dati di allenamento, nido un altro strato di cross-validation all&#39;interno di ogni piega formazione. In questi moduli, applicare prima il processo di selezione delle caratteristiche di cui sopra e quindi utilizzare una SVM per la classificazione con il proprio modulo di selezione del parametro 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>

Nessun conflitto di interessi dichiarati.

In questo studio, un quadro intuitivo e flessibile si propone di affrontare due problemi di difficile risoluzione: la stima dello spostamento linea mediana in CT immagini e la previsione a livello ICP sulla base di caratteristiche estratte. I risultati della valutazione mostrano l&#39;efficacia del metodo proposto. Per quanto ne sappiamo, questa è la prima volta di uno studio sistematico per affrontare questi due problemi. Notiamo che, sulla base del quadro generale, ci sono molti potenziali miglioramenti che possono es...

Ogni anno ci sono circa 1,4 milioni di lesioni cerebrali traumatiche (TBI) relativi casi di pronto soccorso negli Stati Uniti, di cui, oltre 50.000 provocare la morte 1. Grave trauma cranico è di solito accompagnata da un aumento della pressione intracranica (ICP) con sintomi come ematomi e tessuto cerebrale gonfiore. Questi risultato ridotta pressione di perfusione cerebrale e del flusso sanguigno cerebrale, mettendo il cervello danneggiato in rischi aggiuntivi. Grave aumento ICP può essere fatale, così il monitoraggio ICP per i pazienti con trauma cranico è fondamentale. Questo in genere richiede il posizionamento di cateteri direttamente nel cervello per il monitoraggio della pressione, una procedura rischiosa per i pazienti che possono essere eseguite in centri medici specializzati. La procedura prevede anche il rischio come l&#39;infezione. Tuttavia, alcuni segnali di elevata ICP può essere osservato in diagnostica per immagini. In particolare, spostamento linea mediana è spesso associato con un aumento della PIC e può essere catturata dal cervello calcolata tomography (CT) immagini. Come tali, queste immagini forniscono un&#39;opportunità per rilevamento non invasivo di elevata ICP che può essere usato come un pre-screening passo prima trapanazione cranica. TC è ancora il gold standard per la valutazione iniziale TBI tra tutte le altre modalità di imaging, ad esempio risonanza magnetica, a causa della sua alta velocità e relativo basso costo 2. Inoltre, un esame TC non richiede rigorosa immobilità del paziente, e ha un vantaggio nel rivelare anomalie gravi come fratture ossee ed ematomi. Mentre CT è comunemente utilizzato per il rilevamento di lesioni nel cervello, basati sulla tecnologia attuale, spostamento linea mediana non viene misurata automaticamente e pertanto i medici devono valutare questo fattore importante mediante ispezione visiva. Imprecisa o incoerente interpretazione CT è spesso associato con la natura del sistema visivo umano e la complessa struttura del cervello. Mentre piccoli spostamenti della linea mediana sono elusivi, sono spesso preziosi per la valutazione di lesioni cerebrali, in particolare nelle fasi iniziali della lesione prima condizione di un paziente diventa più grave. Sul lato opposto, spostamento linea mediana grande suggerisce molto elevata ICP e più grave TBI. Tuttavia, si tratta di un compito molto impegnativo per l&#39;uomo di ispezionare visivamente le immagini CT e prevedere il livello di ICP quantitativamente. Grazie ai progressi automatizzate tecniche computazionali, caratteristiche estratte da immagini TAC, come spostamento della linea mediana, il volume ematoma, e la struttura del cervello di immagini TC, può essere misurata con precisione e automaticamente utilizzando metodi avanzati di elaborazione delle immagini. Tuttavia, il rapporto tra ICP e lo spostamento della linea mediana, nonché altre caratteristiche quali il grado di sanguinamento, la trama da CT immagini non è stata esplorata. In questo documento, un quadro computazionale è stato proposto di misurare la misurazione linea mediana spostamento così come altre caratteristiche fisiologiche / anatomico su cerebrali immagini CT e quindi prevedere il grado di ICP non intrusivo utilizzando tecniche di apprendimento automatico.

automatizzato maiusc midline e stima della pressione intracranica in base cerebrali immagini ct

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

In questo articolo presentiamo un sistema automatizzato basato principalmente sui tomografia computerizzata (CT) immagini costituite da due componenti principali: la stima del cambio linea mediana e della pressione intracranica (ICP) di pre-screening sistema. Per stimare lo spostamento della linea mediana, prima stima della linea mediana ideale viene eseguita in base alla simmetria del cranio e caratteristiche anatomiche del cervello CT scan. Poi, la segmentazione dei ventricoli del TC viene eseguito e utilizzato come guida per l&#39;identificazione della linea mediana effettiva attraverso la forma coniugata. Questi processi imitare il processo di misurazione da parte di medici e hanno mostrato risultati promettenti nella valutazione. Nel secondo componente, più funzionalità vengono estratti correlate a ICP, come le informazioni di tessitura, quantità di sangue da TC e altre caratteristiche registrate, quali l&#39;età, punteggio di gravità della lesione per stimare la ICP sono anche incorporati. Macchine tecniche di apprendimento tra cui la funzionalità di selezione e classificazione, come il sostegnoVector Machines (SVM), sono impiegati per costruire il modello di previsione con RapidMiner. La valutazione della previsione mostra potenziale utilità del modello. Lo spostamento della linea mediana ideale stimato e previsto i livelli di ICP può essere usato come un rapido pre-screening passo per i medici a prendere decisioni, in modo da consigliare o sconsigliare invasivo monitoraggio della pressione intracranica.

I set di dati CT test sono stati forniti dal Sistema Carolinas Healthcare (CHS) in corso di approvazione istituzionale Comitato Etico. Tutti i soggetti sono stati diagnosticati con lieve trauma cranico grave al momento della prima ricoverato in ospedale. Per ogni paziente, il valore ICP stata registrata ogni ora usando sonde ICP all&#39;interno della regione ventricolo prima e dopo TC sono stati ottenuti. Per associare il valore di ICP con ogni scansione TC, la media dei due più vicini misure di ICP al tempo di TC, che ...

Un automatico stima spostamento della linea mediana e della pressione intracranica (ICP) di pre-screening sistema basato sulla tomografia computerizzata (TC) immagini per i pazienti con danno cerebrale traumatico (TBI) è proposto di utilizzare l&#39;elaborazione delle immagini e di tecniche di apprendimento automatico.

Automatizzato Maiusc Midline e stima della pressione intracranica in base cerebrali Immagini CT

In questo articolo presentiamo un sistema automatizzato basato principalmente su immagini di tomografia computerizzata (TC), composto da due componenti principali: lo spostamento della linea mediana...

L'obiettivo generale di questo esperimento è rilevare spostamenti della linea mediana a partire da immagini TC cerebrali di pazienti con lesione cerebrale traumatica, stimando così la pressione intracranica all'interno del cervello. In questo progetto, abbiamo sviluppato un metodo computazionale per analizzare le immagini TC e prevedere la pressione intracranica, o ICP. La motivazione di questo progetto risiede nel fatto che in molti casi di trauma cranico sussiste sempre il sospetto che la ICP, ovvero la pressione intracranica, possa essere aumentata. Mediante una TC, possiamo valutare il gonfiore cerebrale, possiamo rilevare ematomi, possiamo osservare spostamenti della linea mediana o spostamenti parziali del cervello, ma ciò che non possiamo prevedere in modo affidabile è l'effetto che tali alterazioni hanno sulla pressione intracranica, se non in termini generali, ossia che la aumentano fino a un certo grado. È proprio in questo contesto che i metodi computazionali su cui abbiamo lavorato risultano utili.È in grado di prevedere con un livello ragionevole di accuratezza gli effetti esatti che i cambiamenti anatomici hanno sulla pressione intracranica. Questo diagramma schematico presenta una panoramica della metodologia impiegata in questa ricerca. La tomografia assiale computerizzata è più comunemente nota con i suoi nomi abbreviati, TAC o scansione CAT.Le scansioni TC vengono sviluppate a partire da una lunga serie di immagini a raggi X bidimensionali acquisite attorno a un singolo asse di rotazione. Nel primo passaggio del nostro approccio, vengono acquisite e analizzate le scansioni TC dei pazienti con lesioni cerebrali traumatiche, o TBI, al fine di rilevare lo spostamento della linea mediana. Il passaggio successivo comprende l'estrazione e l'analisi di altre caratteristiche, come diverse informazioni di texture delle immagini TC e la stima della quantità di sangue.Il nostro approccio utilizza inoltre le caratteristiche estratte e altre informazioni demografiche per prevedere la PEC; algoritmi di apprendimento automatico vengono impiegati per modellare la relazione tra la PEC e le caratteristiche estratte. La linea mediana approssimativamente ideale viene rilevata sfruttando la simmetria del cranio. Inizialmente, mediante una soglia di intensità in scala di grigi, il cranio viene segmentato dalla sezione dell'immagine.Successivamente, l'algoritmo esplora in modo esaustivo ogni angolo di rotazione attorno al centro di massa del cranio per individuare la linea che massimizza la simmetria delle due metà risultanti del cranio. La linea mediana approssimativa è quella che passa per il punto centrale di massa con l'angolo di rotazione. Massimizzando la simmetria, rilevare la linea mediana ideale sulla base della sola simmetria potrebbe non fornire sempre automaticamente risultati significativi.Pertanto, nel nostro metodo, compiamo un ulteriore passo avanti per individuare caratteristiche elettroniche specifiche, come la teoria della scatola posteriore e l'attacco della volpe anteriore, al fine di affinare la posizione della linea amminica. Successivamente, vengono identificati il cere della volpe posteriore e l'attacco della volpe anteriore ai margini del solco sagittale per perfezionare l'individuazione della linea mediana ideale approssimativa, in modo da rilevare rapidamente e con precisione queste caratteristiche anatomiche. In secondo luogo, vengono definiti dei rettangoli di ricerca in base alla linea mediana ideale approssimativa e ai suoi due punti di intersezione.Con il cranio, la dimensione del rettangolo viene scelta in modo da includere le caratteristiche anatomiche da rilevare. L'attaccatura anteriore della volpe viene rilevata come punto massimo della cresta sul cranio, mentre il cranio della volpe viene rilevato come linea grigia nella regione posteriore. Una sporgenza ossea si trova nella sezione anteriore del cranio.La cresta della volpe si estende a partire da questo punto. Questa caratteristica anatomica può essere utilizzata come punto di partenza per la linea mediana. Si può osservare che la sporgenza curva verso il basso fino a un punto di minimo locale al margine anteriore della volpe.Se si considera il margine inferiore delle ossa del cranio come una curva sul piano dell'immagine, allora tale curva può essere modellata come una funzione unidimensionale. La rilevazione del punto di sporgenza diventa una questione di individuare il minimo di una funzione unidimensionale campionata. A partire dall'osso cranico segmentato superiore, il primo passo consiste nell'estrarre il margine inferiore dell'osso.Il passo successivo prevede il rilevamento della protrusione mediante il minimo locale. In questo caso, il minimo locale rappresenta anche il punto terminale della protrusione. Questo diagramma schematico mostra come viene rilevata la volpe nella parte inferiore del cervello.Poiché l'obiettivo è rilevare le linee grigio chiaro e non quelle più scure nel primo passaggio, come soglia viene utilizzato il valore mediano dell'area. Utilizzando questa soglia, tutti i valori della scala di grigi inferiori ad essa vengono impostati al valore mediano. Successivamente, viene utilizzato un rilevatore di bordi a zero crossing per generare la mappa dei bordi.Questo mantiene bordi più definiti durante il rilevamento sobell e consente la rimozione dei bordi indesiderati nel passaggio successivo. La mappa dei bordi viene quindi affinata passo dopo passo utilizzando caratteristiche note del cervello della volpe. Questo viene effettuato inizialmente affinando la mappa dei bordi mediante intensità e gradiente, per poi applicare una soglia di dimensione e una soglia di concentrazione per perfezionarla ulteriormente.Inoltre, qui la soglia di concentrazione non è altro che la densità dei punti del contorno. Infine, si applica la trasformata di Hof per rilevare le linee rappresentanti la volpe.Sarah. I risultati della trasformata HOF sono solitamente un insieme di linee.Due.Devono essere stabiliti dei vincoli per estrarre le linee desiderate da questo insieme. Innanzitutto, l'angolo della linea deve rientrare nel range in cui le linee sono concentrate. Questo intervallo si ottiene calcolando le statistiche degli angoli delle linee rilevate.In secondo luogo, la linea deve trovarsi all'interno dell'intervallo in cui è concentrato il gruppo di linee. La linea mediana ideale finale in questa fase viene scelta come la linea più lunga che soddisfa i suddetti vincoli. Questa immagine mostra le due regioni di interesse e la linea mediana ideale perfezionata in base alle protrusioni interne.La linea verde è la linea mediana ideale affinata, mentre la linea rossa indica la posizione approssimativa della linea mediana ideale del ventricolo prima dell'affinamento. Questa immagine mostra il modello tridimensionale del sistema ventricolare con la presenza di una sezione MRI del cervello. La parte rossa dell'immagine rappresenta il sistema ventricolare in 3D.Il sistema ventricolare è costituito da due ventricoli laterali nella parte superiore, dal terzo ventricolo al centro e dal quarto ventricolo nella parte inferiore. La ragione per cui si estraggono informazioni relative a un ventricolo è che, quando la pressione all'interno del cervello cambia a seguito di un trauma, il ventricolo si deforma; pertanto rappresenta un parametro adatto per misurare la deformazione del tessuto cerebrale e per analizzare casi patologici. In successivi tagli di immagini MRI o TC, il sistema ventricolare appare con forme diverse a destra; a sinistra sono mostrate le forme estratte del sistema ventricolare ottenute da una risonanza magnetica.Lo scopo della segmentazione TC è identificare queste forme dalle scansioni TC originali. Nel nostro metodo proposto, il processo di segmentazione è suddiviso in due parti. Innanzitutto, viene applicato un metodo di segmentazione iniziale a basso livello per raggruppare i pixel in diverse parti.Successivamente, viene utilizzato un metodo di confronto basato su modelli di alto livello per identificare i ventricoli dai risultati della segmentazione. Questa immagine illustra la segmentazione di basso livello basata su un metodo di miscela gaussiana. Innanzitutto, le immagini TC originali vengono filtrate mediante un filtro mediano.Il risultato è mostrato nell'immagine a sinistra. Successivamente, viene applicato l'algoritmo K-means per ottenere una segmentazione del nucleo. Questo risultato è mostrato nell'immagine centrale.Dopo l'applicazione dell'algoritmo K-means, viene quindi applicato il metodo goss e mistura. L'immagine a destra mostra un diverso goss e le distribuzioni nell'immagine 2D, che vengono inizializzate. Utilizzando la stessa segmentazione, il massimo valore atteso viene impiegato per far evolvere i parametri e, infine, si ottiene un risultato di segmentazione ottimizzato.Il sistema ventricolare nella direzione Z non mostra variazioni significative all'interno del set di addestramento. Pertanto, le corrispondenze possono essere approssimate con una forma lineare. Nel metodo descritto qui, queste corrispondenze vengono inizializzate manualmente e successivamente ottimizzate utilizzando un insieme di immagini di addestramento.Vi sono tre vincoli per accettare la segmentazione iniziale del ventricolo. Primo, il segmento deve essere relativamente grande. Secondo, il segmento non è vicino al margine del cervello.Punto tre, il segmento interseca il modello del ventricolo. Le figure in basso mostrano un esempio del passaggio di riconoscimento del ventricolo risultante. Si può osservare che le parti del ventricolo vengono correttamente riconosciute utilizzando vincoli di dimensione, di riquadro delimitatore e di modello.Per stimare la linea mediana effettiva, innanzitutto si confrontano i ventricoli segmentati con i modelli mediante l'allineamento di forma. Questa figura mostra il processo di abbinamento. In primo luogo, vengono campionati i punti del bordo.Quindi ottimizzando un costo di corrispondenza tra le due forme. Vengono stabilite le corrispondenze tra i punti delle due forme. Ad esempio, nella seconda riga, l'ultima immagine mostra la corrispondenza collegando i punti rossi di una forma ai punti verdi dell'altra forma.Poiché il sistema ventricolare è una struttura tridimensionale e presenta forme diverse in diverse sezioni TC, eseguiamo il confronto di forma su tutte le sezioni TC. Per ogni sezione, definiamo i punti caratteristici che possono essere utilizzati per stimare la linea mediana. Ad esempio, i punti caratteristici nelle forme dei ventricoli laterali sono i punti del margine interno dei due ventricoli laterali.Questi punti caratteristici vengono identificati in base alla loro corrispondenza con i punti caratteristici del modello, che sono etichettati manualmente prima del processo di abbinamento. Qui mostriamo numerosi risultati di abbinamento scegliendo modelli diversi. Per ogni abbinamento di forma, è presente un costo di corrispondenza.Selezionando il costo minimo di corrispondenza, individuiamo il modello migliore da utilizzare nell'allineamento delle forme e nell'identificazione dei punti caratteristici. In questo esempio, i punti derivanti dai risultati della segmentazione sono mostrati in verde, mentre i punti provenienti dai modelli sono mostrati in rosso. Confrontando il costo di corrispondenza, possiamo osservare che il primo modello è quello più adatto da utilizzare.Dopo aver identificato i punti caratteristici, calcoliamo le coordinate X di questi punti. Solitamente, sono presenti punti caratteristici sul lato sinistro e punti caratteristici sul lato destro. La coordinata X della linea mediana effettiva viene stimata come media della coordinata X dei punti caratteristici sinistro e destro.Qui mostriamo quattro risultati di stima. La linea verticale verde rappresenta la coordinata X stimata della linea mediana reale. Il modello di corrispondenza è mostrato nei punti blu.I punti caratteristici identificati sono mostrati in blu. Dai risultati, si può osservare che la stima della linea mediana reale funziona molto bene una volta che la linea mediana reale è stata stimata. Il calcolo dello spostamento orizzontale della linea mediana S è semplice.X ideale è la coordinata X della linea mediana ideale, e X effettivo è la coordinata X della linea mediana effettiva stimata. Le immagini mostrate qui illustrano sia la linea mediana ideale stimata sia la linea mediana effettiva. Oltre allo spostamento della linea mediana, queste caratteristiche che estraiamo possono fornirci ulteriori informazioni nella previsione dei livelli di PIC.L'idea principale alla base di questo approccio è estrarre il maggior numero possibile di caratteristiche e, successivamente, mediante metodi di selezione delle caratteristiche, mantenere solo quelle rilevanti per fornire informazioni sulla ICB. Le caratteristiche estratte dalle scansioni TC includono lo spostamento della linea mediana, la quantità di sangue e i modelli di tessitura. Le caratteristiche provenienti da altre fonti includono informazioni demografiche come l'età del paziente, il punteggio relativo al trauma e il punteggio di gravità della lesione.Viene utilizzato un algoritmo di segmentazione basato su un modello di miscuglio gaussiano per etichettare i pixel. I pixel vengono raggruppati in quattro categorie: liquido cerebrospinale, materia grigia e tessuto della materia bianca. I pattern nelle immagini TC possono includere indicazioni sullo stato del cervello.Livelli elevati di pressione intracranica possono modificare il modello di trama. Ci concentriamo principalmente sui modelli di trama nell'area priva di liquido cerebrospinale o sangue; l'analisi della trama viene applicata su piccole sottoimmagini o finestre dell'immagine TC. Vengono selezionate sei finestre in ciascuna immagine TC.Le caratteristiche testurali vengono estratte utilizzando la trasformata di Fourier discreta e la trasformata wavelet discreta. Il punto è che esiste una quantità enorme di informazioni disponibili. Diventa molto difficile per i medici, indipendentemente dalla loro esperienza, elaborare tutti questi segnali contemporaneamente.Pertanto, l'attuale progetto, che mira ad analizzare la TAC ed eseguire un'imaging automatizzata, sarebbe di grande utilità per i medici d'urgenza e i traumatologi come me, aiutandoci ad elaborare questi dati molto più rapidamente. Il dataset comprende 17 pazienti con lesioni cerebrali traumatiche da lievi a gravi. Ogni paziente ha sottoposto a diverse TAC, e nello studio sono state utilizzate complessivamente 57 scansioni.Un valore rappresentante la pressione intracranica viene registrato ogni ora. Esistono due categorie di livelli di PIC elevati. La PIC è definita come pressione intracranica maggiore di 12 tor.Per la PSC normale, si intende una PSC minore o uguale a 12 tor. In questo dataset, ci sono 33 casi normali e 24 casi di PSC elevata. Per creare il modello, utilizziamo due stadi di validazione incrociata dieci volte.La prima è una fase annidata in cui viene effettuata la selezione delle caratteristiche. Nella seconda fase, viene utilizzato un metodo di ricerca genetica e il classificatore impiegato in combinazione con il metodo di ricerca è la macchina a vettori di supporto. Questa immagine mostra la stima ideale della linea mediana.La linea rossa è la linea mediana ideale approssimativa basata sulla simmetria del cranio. Dopo il perfezionamento mediante le caratteristiche anatomiche, si ottiene una stima più accurata della linea mediana ideale, rappresentata dalla linea verde. Nell'immagine, queste immagini mostrano la linea mediana reale stimata.Le linee verdi rappresentano la linea mediana effettiva stimata, mentre i punti blu sono i modelli corrispondenti. L'immagine a destra mostra la linea mediana ideale stimata a sinistra del centro e la linea mediana effettiva. A destra, è possibile osservare lo spostamento risultante della linea mediana rispetto alla stima.Presentiamo qui anche i risultati quantitativi nella valutazione dei nostri metodi. Nella maggior parte delle sezioni TC del nostro dataset, l'errore tra la linea mediana ideale stimata dalla nostra metodologia e le linee mediane etichettate dal medico è di circa due pixel o un millimetro. Per la linea mediana effettiva, oltre l'80% presenta una differenza inferiore a 2,25 millimetri, a seguito di un determinato controllo di qualità dei risultati di segmentazione.La valutazione della previsione della pressione intracranica raggiunge un'accuratezza di circa il 70% utilizzando la validazione incrociata dieci volte. Prima di tutto, separiamo i processi di segmentazione a livello basso e a livello alto. Sebbene questo approccio possa trarre vantaggio dall'integrazione di diversi algoritmi, potremmo non sfruttare appieno tutte le informazioni ottenute dalla segmentazione a livello basso.Combinando la segmentazione a basso livello e quella ad alto livello, potremmo ottenere risultati di segmentazione migliori. Seguendo questa idea, possiamo utilizzare metodi come la segmentazione basata su modelli o la segmentazione basata su registrazione, al fine di ottenere una previsione più accurata e fornire ulteriori valutazioni del metodo proposto. Raccogliere più set di dati per ottenere una dimensione campionaria più ampia sarà vantaggioso per lo studio.

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

Research

Ricerca

JoVE Journal

Medicine

Medicina

Questo articolo descrive le tecniche per eseguire ad alta risoluzione risonanza magnetica funzionale, con 1,2 mm di campionamento mesencefalo umano e strutture subcorticali utilizzando uno scanner 3T. L'uso di queste tecniche per risolvere le mappe topografiche di stimolazione visiva nella umano collicolo superiore (SC) è dato come un esempio.

Ad alta risoluzione magnetica funzionale per immagini Metodi risonanza per mesencefalo umano

Lesione Explorer (LE) è una elaborazione delle immagini gasdotto semi-automatico sviluppato per ottenere tessuto cerebrale regionale e subcorticali volumetria iperintensità della lesione da MRI strutturale della malattia di Alzheimer e normale anziani. Per garantire un elevato livello di precisione e affidabilità, il seguente è un protocollo standardizzato di video-guidata per procedure manuali di LE.

Lesione Explorer: un video-guida, standardizzato protocollo preciso e affidabile Volumetrics MRI-derivati ​​nella malattia di Alzheimer e normale Anziani

Descriviamo i passi per usare il nostro software progettato su misura per l'integrazione di immagini, la visualizzazione e la pianificazione in chirurgia dell'epilessia.

Una pipeline per il 3D multimodalità integrazione di immagini e progettazione assistita da computer in chirurgia dell&#39;epilessia

La valutazione simultanea dell'emodinamica cerebrale e delle proprietà di scattering della luce del tessuto cerebrale in vivo è dimostrata usando un sistema di diffusione multispectrale a riflessione diffusa.

La valutazione simultanea di Emodinamica cerebrale e Light Scattering proprietà del<em&gt; In Vivo</em&gt; Cervello del cervello usando l&#39;imaging di riflessione diffusa multispettrale

Un metodo di registrazione monitoraggio segnali in pazienti con lesioni cerebrali gravi utilizzando un comodino di multimodality, burr singolo foro tecnica è descritta.

Un approccio di foro singolo, comodino Burr al Multimodality monitoraggio nel trauma cranico severo

Di seguito è riportata un'esercitazione pratica per una pipeline di elaborazione delle immagini standardizzata ad accesso aperto allo scopo di eseguire la mappatura dei sintomi di lesione. Viene fornita una procedura dettagliata per ogni fase di elaborazione, dalla segmentazione infarto manuale sulla TC/RM alla successiva registrazione allo spazio standard, insieme a raccomandazioni pratiche e illustrazioni con casi esemplari.

Segmentazione e registrazione dell'infarto cerebrale su risonanza magnetica o TC per la mappatura lesioni-sintomo

Nonostante il ruolo cruciale del plesso coroideo nel cervello, gli studi di neuroimaging di questa struttura sono scarsi a causa della mancanza di strumenti di segmentazione automatizzati affidabili. Il presente protocollo mira a garantire la segmentazione manuale gold standard del plesso coroideo che può informare i futuri studi di neuroimaging.

Segmentazione manuale del plesso coroideo umano mediante risonanza magnetica cerebrale

L'ecografia transcranica è uno strumento essenziale per il monitoraggio dei pazienti con varie condizioni neurologiche. Sebbene sia comunemente usato in modo protocollato negli studi consultivi, il cervello è stato trascurato in molti protocolli che utilizzano l'ecografia point-of-care (PoCUS). Questo studio propone un protocollo di acquisizione di immagini PoCUS.

Ecografia duplex transcranica con codice colore dell'arteria cerebrale media al punto di cura

Qui descriviamo un protocollo standardizzato per la mappatura motoria utilizzando nTMS combinato con la ricostruzione del tratto corticospinale (CST) basata su imaging tensoriale di diffusione (DTI). Il protocollo è riproducibile, clinicamente fattibile e facilmente integrabile nei flussi di lavoro clinici di routine, fornendo un quadro solido e prezioso per la valutazione delle vie motorie, la ricerca sulla neuroplasticità e la pianificazione della riabilitazione.

Un protocollo standardizzato per la mappatura motoria funzionale utilizzando stimolazione magnetica transcranica navigata

Una nuova tecnica per registrare le pressioni all'interno del cranio è descritto. Il metodo minimamente invasivo utilizza una fibra ottica sistema di rilevamento della pressione per misurare accuratamente la pressione endocranica (ICP) in ratti anestetizzati senza causare traumi significativi cervello. La tecnica può essere utilizzata in un'ampia gamma di modelli sperimentali.

Epidurale Misurazione della pressione intracranica in ratto utilizzando una fibra ottica trasduttore di pressione

Scopri un metodo computazionale per stimare lo shift della linea mediana e la pressione intracranica da immagini TC cerebrali in pazienti con trauma cranico. Questo sistema automatizzato migliora la precisione diagnostica.

Automatizzato Maiusc Midline e stima della pressione intracranica in base cerebrali Immagini CT

Esplora altri video