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

L'obiettivo generale di questo esperimento è rilevare gli spostamenti della linea mediana dalle immagini TC cerebrali di pazienti con lesione cerebrale traumatica e quindi stimare 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. L'incentivo per questo progetto è il fatto che in molti casi in cui le persone hanno lesioni alla testa, c'è sempre il sospetto che l'ICP o la pressione intracranica possano essere elevate, quindi una tc, possiamo valutare il gonfiore del cervello, possiamo valutare gli ematomi, possiamo valutare gli spostamenti della linea mediana o, o gli spostamenti parziali del cervello, Ma ciò che non possiamo prevedere in modo affidabile è l'effetto che ha sulla pressione intracranica se non in generale, la aumenta in una certa misura, ed è qui che i metodi computazionali su cui abbiamo lavorato sono utili.

È in grado di prevedere con un ragionevole livello di precisione esattamente quali effetti hanno i cambiamenti anatomici sulla pressione intracranica. Questo diagramma schematico presenta una panoramica della metodologia impiegata in questa ricerca. La tomografia assiale computerizzata è più comunemente conosciuta con i suoi nomi abbreviati, TAC o TAC.

Le scansioni TC sono sviluppate da una vasta serie di immagini a raggi X bidimensionali scattate attorno a un singolo asse di rotazione. Nella prima fase del nostro approccio, le scansioni TC dei pazienti con lesioni cerebrali traumatiche o TBI vengono acquisite e analizzate per rilevare lo spostamento della linea mediana. Il passaggio successivo include l'estrazione e l'analisi di altre caratteristiche come varie informazioni sulla consistenza delle immagini TC e la stima della quantità di sangue.

Il nostro approccio utilizza anche le caratteristiche estratte e altre informazioni demografiche per prevedere ICP: gli algoritmi di apprendimento automatico vengono utilizzati per modellare la relazione tra l'ICP e le caratteristiche estratte. La linea mediana ideale approssimativa viene rilevata utilizzando la simmetria del cranio. Innanzitutto, utilizzando la soglia della scala di grigi, il teschio viene segmentato dalla sezione dell'immagine.

Quindi l'algoritmo cerca ogni angolo di rotazione in modo esaustivo attorno al centro di massa del cranio per trovare la linea che massimizza la simmetria delle metà risultanti del cranio. La linea mediana ideale approssimativa è la linea che passa per il punto centrale della massa con l'angolo di rotazione. Massimizzare la simmetria, Rilevare la linea mediana ideale in base alla sola simmetria potrebbe non sempre fornirci automaticamente risultati significativi.

Pertanto, nel nostro metodo, facciamo un ulteriore passo avanti per trovare caratteristiche elettroniche specifiche come la teoria della scatola posteriore e l'attacco della volpe anteriore per affinare le posizioni della linea dell'ammina. Successivamente, vengono identificati il cere di volpe posteriore e l'attacco anteriore della volpe ai margini del solco sagittale per affinare la linea mediana ideale approssimativa al fine di rilevare queste caratteristiche anatomiche in modo rapido e accurato. In secondo luogo, i rettangoli di ricerca vengono definiti in base alla linea mediana ideale approssimativa e ai suoi due punti di intersezione.

Con il calvario, la dimensione del rettangolo viene scelta per includere le caratteristiche anatomiche da rilevare. L'attacco anteriore della volpe viene rilevato come il punto di picco della cresta sul calvario, mentre la cera della volpe viene rilevata come la linea grigia nella regione posteriore. Una sporgenza ossea si trova nella sezione anteriore del cranio.

La volpe si estende da questo punto. Questa caratteristica anatomica può essere utilizzata come punto di partenza per la linea mediana. Si può notare che la sporgenza curva verso il basso fino a un punto minimo locale sul bordo anteriore del volpe.

Se si osserva il bordo inferiore delle ossa del cranio come una curva sul piano dell'immagine, allora la curva può essere modellata come una funzione unidimensionale. Il rilevamento del punto di protrusione diventa una questione di trovare il minimo di una funzione unidimensionale campionata. Con l'input dell'osso cranico segmentato superiore, il primo passo è estrarre il bordo inferiore dell'osso.

Il passo successivo prevede il rilevamento della sporgenza utilizzando il mini locale. In questo caso, il minimo locale rappresenta anche il punto finale della protrusione. Questo diagramma schematico mostra come viene rilevata la volpe nella parte inferiore del cervello.

Poiché l'obiettivo è quello di rilevare le linee grigio chiaro e non le linee più scure nel primo passaggio, il valore mediano dell'area viene utilizzato come soglia. Utilizzando questa soglia, tutti i valori della scala di grigi al di sotto di essa vengono impostati come valore mediano. Quindi viene utilizzato un rilevatore di bordi per il passaggio per lo zero per generare la mappa dei bordi.

Ciò mantiene i bordi più ricchi durante il rilevamento della campana e consente la rimozione dei bordi indesiderati nel passaggio successivo. La mappa dei bordi viene quindi perfezionata passo dopo passo utilizzando le caratteristiche note della cera di volpe. Questo viene prima fatto perfezionando la mappa dei bordi utilizzando l'intensità e il gradiente, dopodiché la soglia di dimensione e la soglia di concentrazione vengono utilizzate per perfezionarla.

Più avanti, la soglia di concentrazione non è altro che la densità dei punti di spigolo. Infine, la trasformata Hof viene applicata per rilevare le linee che rappresentano la volpe. Sara. I risultati della trasformata HOF sono solitamente un insieme di linee. Due.

È necessario stabilire dei vincoli per estrarre le linee desiderabili da questo insieme. Innanzitutto, l'angolo della linea deve essere nell'intervallo in cui le linee sono concentrate. Questo intervallo si ottiene calcolando le statistiche degli angoli della linea rilevata.

In secondo luogo, la linea deve trovarsi all'interno dell'intervallo in cui si concentra l'ammasso di linee. La linea mediana ideale finale in questa fase viene scelta come la linea più lunga che soddisfa i vincoli di cui sopra. Questa immagine mostra le due regioni di interesse e la linea mediana ideale raffinata in base alle sporgenze interne.

La linea verde è la linea mediana ideale raffinata e la linea rossa è la posizione approssimativa della linea mediana ideale della pioggia prima dell'affinamento. Questa immagine mostra il modello 3D del sistema ventricolare con la presenza di una fetta di risonanza magnetica del cervello. La parte rossa dell'immagine rappresenta il sistema ventricolare in 3D.

Il sistema ventricolare è costituito da due ventricoli bilaterali in alto, il terzo ventricolo al centro e il quarto ventricolo in basso. Il motivo per cui estraiamo informazioni su un ventricolo è perché quando la pressione viene modificata all'interno del cervello a causa di una lesione, si deforma e quindi è un candidato adatto per misurare la deformazione del tessuto cerebrale e i casi patologici. Nelle successive sezioni di immagine MRI o TC, il sistema ventricolare appare in varie forme a destra, vengono mostrate le forme estratte del sistema ventricolare Da una risonanza magnetica.

Lo scopo della segmentazione TC è identificare queste forme dalle scansioni TC originali. Nel metodo da noi proposto, il processo di segmentazione è separato in due parti. Innanzitutto, viene applicato un metodo iniziale di segmentazione di basso livello per raggruppare i pixel in parti diverse.

Quindi viene utilizzato un metodo di corrispondenza dei modelli di alto livello per identificare i ventricoli dai risultati segmentati. Questa immagine illustra la segmentazione di basso livello basata su un metodo di miscela gaussiana. Innanzitutto, le immagini TC originali sono state filtrate utilizzando il filtro mediano.

Il risultato è mostrato nell'immagine a sinistra. Successivamente, viene applicato l'algoritmo K-means per ottenere una segmentazione del core. Questo risultato è mostrato al centro.

Dopo l'applicazione dell'algoritmo K-means, viene applicato il metodo goss e la miscela. L'immagine a destra mostra un goss e distribuzioni diverse sull'immagine 2D, che vengono inizializzate. Utilizzando la massimizzazione dell'aspettativa di segmentazione came viene utilizzata per evolvere i parametri e, infine, si ottiene un risultato di segmentazione sintonizzato.

Il sistema ventricolare in direzione Z non mostra variazioni significative nel set di allenamento. Pertanto, le mappature possono essere approssimate con la forma lineare. Nel metodo descritto di seguito, questi mapping vengono prima inizializzati manualmente e quindi ottimizzati utilizzando un set di immagini di training.

Ci sono tre vincoli per accettare la segmentazione iniziale del ventricolo. Numero uno, il segmento deve essere relativamente grande. Numero due, il segmento non è vicino al bordo del cervello.

Numero tre, il segmento si interseca con il modello del ventricolo. Le figure in basso mostrano un esempio della fase di riconoscimento ventricolare dai risultati. Si può vedere che le parti del ventricolo vengono riconosciute con successo utilizzando i vincoli di dimensione, riquadro di delimitazione e modello.

Per stimare la linea mediana effettiva, confrontiamo prima i ventricoli segmentati con i modelli mediante corrispondenza della forma. Questa figura mostra il processo di abbinamento. Innanzitutto, vengono campionati i punti del bordo.

Quindi ottimizzando un costo di corrispondenza delle due forme. Vengono effettuate le corrispondenze dei punti tra le 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 3D e ha forme diverse su diverse sezioni TC, eseguiamo la corrispondenza delle forme su tutte le sezioni TC. Per ogni fetta, 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 bordo interno dei due ventricoli laterali.

Questi punti funzione sono identificati dalla loro corrispondenza con i punti funzione sul modello, che vengono etichettati manualmente prima del processo di corrispondenza. Qui mostriamo molti risultati corrispondenti scegliendo diversi modelli. Per ogni forma corrispondente, c'è un costo di corrispondenza.

Selezionando il costo minimo di corrispondenza, troviamo il modello migliore da utilizzare nella corrispondenza della forma e identifichiamo i punti caratteristici. In questo esempio, i punti dei risultati della segmentazione sono mostrati in verde e i punti dei modelli sono mostrati in rosso. Confrontando il costo della corrispondenza, possiamo vedere che il primo modello è il migliore da utilizzare.

Una volta identificati i punti caratteristici, calcoliamo le coordinate X di questi punti caratteristici. Di solito, ci sono punti funzione sul lato sinistro e punti funzione sul lato destro. La coordinata X della linea mediana effettiva è stimata come la media delle coordinate X dei punti caratteristica sinistro e destro.

Qui mostriamo quattro risultati di stima. La linea verticale verde rappresenta la coordinata X stimata della linea mediana effettiva. Il modello di partita è mostrato nei punti blu.

I punti caratteristica identificati sono visualizzati in blu. Dai risultati, possiamo vedere che la stima della linea mediana effettiva funziona molto bene dopo che la linea mediana effettiva 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 che la linea mediana effettiva. Oltre a utilizzare lo spostamento della linea mediana, queste caratteristiche che estraiamo possono fornirci ulteriori informazioni nella previsione dei livelli di ICP.

L'idea principale alla base di questo è quella di estrarre il maggior numero possibile di caratteristiche e quindi, utilizzando metodi di selezione delle funzionalità, siamo in grado di conservare solo quelle caratteristiche che sono rilevanti nel fornire informazioni ICB. Le caratteristiche estratte dalle scansioni TC includono lo spostamento della linea mediana, la quantità di sangue e i modelli di texture. Le funzionalità provenienti da altre fonti includono informazioni demografiche come l'età del paziente, il punteggio del trauma e il punteggio della gravità della lesione.

Per etichettare i pixel viene utilizzato un algoritmo di segmentazione basato su un modello di miscela gian. I pixel sono raggruppati in quattro categorie, sangue liquido cerebrale, materia grigia e texture della sostanza bianca. I modelli nelle immagini TC possono includere indicazioni sullo stato del cervello.

Alti livelli di pressione intercranica possono modificare il modello di consistenza. Ci concentriamo principalmente sui modelli di texture nell'area senza liquido cerebrospinale o l'analisi della texture del sangue viene applicata su piccole immagini secondarie o finestre dell'immagine TC. In ogni immagine TC sono selezionate sei finestre.

Le caratteristiche della texture vengono estratte utilizzando la trasformata di foer discreta e la trasformata wavelet discreta. In breve, ci sono così tante informazioni disponibili. Diventa molto problematico per i medici, non importa quanto siano esperti, elaborare tutti questi segnali allo stesso tempo.

Quindi l'attuale progetto, che mira a esaminare la TAC e a fare l'imaging automatizzato, sarebbe di grande utilità per i medici di emergenza e i traumatologi come me per aiutarci a elaborare questi dati molto più rapidamente. Il set di dati ha 17 pazienti con lesioni cerebrali traumatiche da lievi a gravi. Ogni paziente ha diverse scansioni TC e ci sono 57 scansioni totali utilizzate nello studio.

Ogni ora viene registrato un valore che rappresenta la pressione intercranica. Esistono due categorie di livello ICP elevato. ICP è definito come ICP maggiore di 12 tor.

Per l'ICP normale, è definito come ICP inferiore o uguale a 12 tor. In questo set di dati, ci sono 33 casi normali e 24 casi di ICP elevata. Per creare il modello, utilizziamo due fasi di convalida incrociata decuplica.

La prima è una fase nidificata in cui viene eseguita la selezione delle funzionalità. Nella seconda fase, viene utilizzato un metodo di ricerca genetica e il classificatore utilizzato in combinazione con il metodo di ricerca è la macchina a vettore di supporto. Questa immagine mostra la stima ideale della linea mediana.

La linea rossa è la linea mediana ideale approssimativa in base alla simmetria del cranio. Dopo l'affinamento utilizzando le caratteristiche anatomiche, abbiamo una migliore stima della linea mediana ideale, che è la linea verde. Nell'immagine, queste immagini mostrano la linea mediana effettiva stimata.

Le linee verdi sono la linea mediana effettiva stimata e i punti blu sono modelli corrispondenti. L'immagine a destra mostra la linea mediana ideale stimata a sinistra del centro e la linea mediana effettiva. A destra, possiamo vedere lo spostamento della linea mediana risultante dalla stima.

Qui presentiamo anche i risultati quantitativi nella valutazione dei nostri metodi. Nella maggior parte delle sezioni TC nel nostro set di dati, 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 sotto un certo controllo di qualità dei risultati della segmentazione.

La valutazione della previsione della pressione intercranica ha un'accuratezza di circa il 70% utilizzando la convalida incrociata dieci volte. Prima di tutto, separiamo i processi di segmentazione di basso livello e di alto livello. Sebbene questo design possa trarre vantaggio dall'incorporazione di algoritmi diversi, potremmo non sfruttare tutte le informazioni nella segmentazione di basso livello.

Combinando la segmentazione di basso livello e la segmentazione di alto livello, potremmo avere risultati di segmentazione migliori. Seguendo questa idea, possiamo utilizzare metodi come la segmentazione basata su modelli o la segmentazione basata sulla registrazione per avere una migliore previsione, oltre a fornire una maggiore valutazione del metodo proposto. Raccogliere più set di dati Avere una dimensione del campione più ampia andrà a beneficio dello studio.