脳のCT画像に基づく自動ミッドラインシフト、頭蓋内圧の推定

この実験の全体的な目標は、外傷性脳損傷患者の脳CT画像から正中線シフトを検出し、それによって脳内の頭蓋内圧を推定することです。本研究では、CT画像を解析し、頭蓋内圧(ICP)を予測するための計算手法を開発しました。このプロジェクトの動機は、頭部外傷を負った多くの人々が、ICPや頭蓋内圧が上昇しているのではないかという疑いが常にあるという事実です。そのため、CTでは、脳の腫れを評価したり、血腫を評価したり、脳の正中線シフトを評価したりすることができます。 しかし、それが頭蓋内圧にどのような影響を与えるかは、一般的にはある程度まで上昇し、私たちが取り組んできた計算方法が役立つという以外には、確実に予測することはできません。

解剖学的変化が頭蓋内圧にどのような影響を与えるかを、合理的な精度で正確に予測することができます。この概略図は、本研究で採用された方法論の概要を示しています。コンピュータ断層撮影は、CTスキャンまたはCATスキャンという略称でより一般的に知られています。

CTスキャンは、1軸の回転を中心に撮影された一連の2次元X線画像から展開されます。私たちのアプローチの最初のステップでは、外傷性脳損傷またはTBIの患者のCTスキャンを取得して分析し、正中線シフトを検出します。次のステップでは、CT画像の各種テクスチャ情報や血液量の推定など、他の特徴量の抽出と解析を行います。

また、このアプローチでは、抽出された特徴量やその他の人口統計情報を使用して ICP を予測し、機械学習アルゴリズムを使用して ICP と抽出された特徴量との関係をモデル化します。おおよその理想的な正中線は、頭蓋骨の対称性を使用して検出されます。まず、グレースケールのしきい値処理を使用して、頭蓋骨が画像スライスからセグメント化されます。

次に、アルゴリズムは、頭蓋骨の質量中心を中心にすべての回転角度を徹底的に検索して、結果として得られる頭蓋骨の半分の対称性を最大化する線を見つけます。おおよその理想的な正中線は、回転角度で質量中心点を通る線です。対称性を最大化するために、対称性のみに基づいて理想的な正中線を検出すると、必ずしも自動的に意味のある結果が得られるとは限りません。

したがって、私たちの方法では、さらに一歩進んで、後方ボックス理論やアテリアフォックスアタッチメントなどの特定の電子的特徴を見つけて、アミンラインの位置を洗練します。次に、後部キツネの脳と矢状溝の縁への前キツネの付着部を特定して、これらの解剖学的特徴を迅速かつ正確に検出するために、おおよその理想的な正中線を絞り込みます。2 つの検索矩形は、近似理想的な正中線とその 2 つの交点に基づいて定義されます。

calvariumでは、長方形のサイズは、検出される解剖学的特徴を含むように選択されます。前方のキツネの付着部は頭蓋骨の隆起点として検出されますが、キツネの頭蓋は後部の灰色の線として検出されます。骨の突起は頭蓋骨の前部にあります。

この点からキツネの飼育が伸びています。この解剖学的特徴は、正中線の始点として使用できます。突起は、フォクサーの前縁の局所的な最小点まで湾曲していることがわかります。

頭蓋骨の下端を画像平面上の曲線として見ると、曲線は1次元関数としてモデル化できます。突起点の検出は、サンプリングされた1次元関数の最小値を見つけることが問題になります。上部セグメント化された頭蓋骨の入力により、最初のステップは骨の下端を抽出することです。

次のステップでは、ローカルミニを使用して突起を検出します。ここで、ローカル最小値は突起の端点も表します。この概略図は、脳の下部のキツネがどのように検出されるかを示しています。

最初のステップでは、暗い線ではなく明るい灰色の線を検出することが目的であるため、領域の中央値がしきい値として使用されます。このしきい値を使用すると、そのしきい値を下回るすべてのグレースケール値が中央値として設定されます。次に、ゼロクロッシングエッジ検出器を使用してエッジマップを生成します。

これにより、ソベル検出中にエッジが豊富に維持され、次のステップで不要なエッジを除去できます。次に、エッジマップは、キツネのセレの既知の機能を使用して段階的に洗練されます。これは、最初に強度と勾配を使用してエッジマップを細分化し、その後、サイズしきい値と濃度しきい値を使用してエッジマップを細分化することによって行われます。

さらに、ここでは、濃度のしきい値はエッジポイントの密度に他なりません。最後に、キツネを表す線を検出するために Hof 変換が適用されます。サラ。HOF変換の結果は、通常、一連の線です。2。

このセットから目的のラインを抽出するには、制約を設定する必要があります。まず、線の角度は、線が集中する範囲内にある必要があります。この範囲は、検出されたラインの角度の統計を計算することによって得られます。

次に、線は線のクラスターが集中している範囲内にある必要があります。この段階での最終的な理想的な正中線は、上記の制約を満たす最長の線として選択されます。この画像は、2つの関心領域と、内側の突起に基づいて洗練された理想的な正中線を示しています。

緑の線は洗練された理想的な正中線で、赤い線は洗練された前の雨の理想的な正中線のおおよその位置です。この画像は、脳のMRIスライスが存在する心室系の3Dモデルを示しています。画像の赤い部分は、3Dで心室系を表しています。

心室系は、上部に2つの両側心室、中央に3番目の脳室、下部に4番目の脳室で構成されています。私たちが心室に関する情報を抽出するのは、損傷によって脳内の圧力が変化すると、脳室が変形するため、脳組織の変形や病理学的症例を測定するのに適した候補であるためです。連続したMRIまたはCT画像スライスでは、心室系が右側にさまざまな形で現れ、MRIから抽出された心室系の形状が示されています。

CTセグメンテーションの目的は、元のCTスキャンからこれらの形状を特定することです。私たちの提案方法では、セグメンテーションプロセスを2つの部分に分けます。まず、初期の低レベルのセグメンテーション方法を適用して、ピクセルを異なる部分にグループ化します。

次に、高レベルのテンプレートマッチング方法を使用して、セグメント化された結果から心室を特定します。この画像は、ガウス混合法に基づく低レベルのセグメンテーションを示しています。まず、元のCT画像を中央値フィルタリングを使用してフィルタリングします。

結果を左の画像に示します。その後、K-means アルゴリズムを適用してコア セグメンテーションを取得します。この結果を中央に示します。

K-meansアルゴリズムが適用された後、gossと混合法が適用されます。右の画像は、初期化された 2D 画像上の異なる goss と分布を示しています。来たセグメンテーション期待値を使用して、パラメータを最大化してパラメータを進化させ、最後に、同調したセグメンテーション結果が得られます。

Z 方向の心室系は、トレーニング セット全体で有意な変動を示しません。したがって、マッピングは線形形式で近似できます。ここで説明する方法では、これらのマッピングは最初に手動で初期化され、次に一連のトレーニング イメージを使用して最適化されます。

初期心室セグメンテーションを受け入れるには、3つの制約があります。第一に、セグメントは比較的大きくなければなりません。その2、セグメントが脳の端に近くない。

3つ目は、セグメントが心室テンプレートと交差することです。下部の図は、結果からの心室認識ステップの例を示しています。心室部分は、サイズ、バウンディングボックス、およびテンプレート制約を使用して正常に認識されていることがわかります。

実際の正中線を推定するために、まず、形状マッチングによってセグメント化された心室をテンプレートと一致させます。次の図は、マッチングのプロセスを示しています。まず、エッジポイントがサンプリングされます。

次に、2 つの形状のマッチング コストを最適化します。2 つの形状間の点の対応が行われます。たとえば、2 行目の最後の画像は、1 つの図形の赤い点をもう一方の図形の緑の点に接続することによる対応を示しています。

心室系は3D構造であり、CTスライスごとに異なる形状を持つため、すべてのCTスライスで形状マッチングを行います。各スライスについて、正中線の推定に使用できる特徴点を定義します。たとえば、側心室形状の特徴点は、2 つの側心室の内側のエッジ点です。

これらの特徴点は、テンプレート上の特徴点に対応していることで識別され、一致プロセスの前に手動でラベル付けされます。ここでは、さまざまなテンプレートを選択して、多くの一致する結果を示します。形状のマッチングごとに、マッチング コストがあります。

最小のマッチングコストを選択することで、形状マッチングに使用する最適なテンプレートを見つけ、特徴点を特定します。この例では、セグメンテーション結果のポイントは緑で表示され、テンプレートのポイントは赤で示されています。マッチコストを比較すると、最初のテンプレートが最適であることがわかります。

特徴点が特定されたら、これらの特徴点のX座標を計算します。通常、左側に特徴点があり、右側に特徴点があります。実際の正中線の X 座標は、左と右の特徴点の X 座標の平均として推定されます。

ここでは、4つの推定結果を示します。緑色の垂直線は、実際の正中線の推定 X 座標を表します。マッチ テンプレートは青いポイントで示されています。

識別された特徴点は青色で示されています。結果から、実際の正中線の推定は、実際の正中線が推定された後、非常にうまく機能することがわかります。水平正中線シフトSの計算は簡単です。

X ideal は理想的な正中線の X 座標であり、X actual は推定された実際の正中線の X 座標です。ここに示す画像は、推定される理想的な正中線と実際の正中線の両方を示しています。正中線シフトを使用するだけでなく、抽出するこれらの特徴は、ICPレベルを予測するための追加情報を提供する場合があります。

その背景にあるのは、できるだけ多くの特徴を抽出し、特徴選択の方法を使用することで、ICB情報の提供に関連する特徴だけを保持することです。CTスキャンから抽出される特徴には、正中線シフト、血液量、テクスチャパターンなどがあります。他のソースからの特徴には、患者の年齢、外傷スコア、傷害重症度スコアなどの人口統計情報が含まれます。

Gian混合モデルベースのセグメンテーションアルゴリズムを使用して、ピクセルにラベルを付けます。ピクセルは、血液脳液、灰白質、白質テクスチャの4つのカテゴリに分類されます。CT画像のパターンには、脳の状態を示すものが含まれる場合があります。

高レベルの頭蓋間圧は、テクスチャパターンを変える可能性があります。私たちは主に、脳脊髄液や血液のない領域のテクスチャパターンに焦点を当て、CT画像の小さなサブ画像やウィンドウにテクスチャ分析を適用します。各CT画像では6つのウィンドウが選択されています。

テクスチャの特徴は、離散フォア変換と離散ウェーブレット変換を使用して抽出されます。それの長短は、利用可能な情報が非常に多いということです。医師にとって、どんなに経験が豊富であっても、これらの信号をすべて同時に処理することは非常に問題になります。

ですから、CATスキャンを見て自動画像処理を行うことを目的とした現在のプロジェクトは、救急医や私のような外傷専門医にとって、このデータをはるかに迅速に処理するのに役立つでしょう。このデータセットには、軽度から重度の外傷性脳損傷の患者が 17 人含まれています。各患者はいくつかのCTスキャンを受けており、この研究では合計57回のスキャンが使用されました。

頭蓋間圧を表す値は1時間ごとに記録されます。ICPレベルの昇格には2つのカテゴリがあります。ICP は、ICP が 12 tor を超えることと定義されます。

通常のICPの場合、ICPは12tor以下と定義されます。このデータセットでは、正常な症例が33例、ICPが上昇した症例が24例あります。モデルを作成するために、10倍の交差検証の2つのステージを使用します。

1 つ目は、機能選択が実行されるネストされたステージです。第2段階では、遺伝子検索法が使用され、検索方法と組み合わせて使用される分類器はサポートベクターマシンです。次の図は、理想的な正中線の推定を示しています。

赤い線は、頭蓋骨の対称性に基づくおおよその理想的な正中線です。解剖学的特徴を使用して改良した後、より正確に推定された理想的な正中線、つまり緑色の線が得られます。この画像では、これらの画像は推定された実際の正中線を示しています。

緑の線は推定された実際の正中線で、青のポイントは一致したテンプレートです。右側の画像は、中央の左側にある推定された理想的な正中線と実際の正中線を示しています。右側には、推定から得られた正中線のシフトが表示されます。

ここでは、私たちの方法の評価における定量的な結果も提示します。データセット内のほとんどのCTスライスでは、私たちの方法論によって推定された理想的な正中線と医師がラベル付けした正中線との間の誤差は、約2ピクセルまたは1ミリメートルです。実際の正中線では、セグメンテーション結果の特定の品質管理の下で、80%以上が2.25ミリメートル未満の差があります。

頭蓋間圧予測評価は、10倍交差検証を使用して約70%の精度を持っています。まず、低レベルのセグメンテーションプロセスと高レベルのセグメンテーションプロセスを分離します。この設計では、さまざまなアルゴリズムを組み込むことでメリットが得られますが、低レベルのセグメンテーションですべての情報を活用するわけではありません。

低レベルのセグメンテーションと高レベルのセグメンテーションを組み合わせることで、より良いセグメンテーション結果が得られる可能性があります。この考え方に従って、モデルベースのセグメンテーションやレジストレーションベースのセグメンテーションなどの方法を使用して、より良い予測を行うだけでなく、提案された方法をより評価することができます。より多くのデータセットを収集する サンプルサイズを大きくすると、研究にメリットがあります。