Name: 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 (動画) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: 学ぶ 脳CT画像からミッドラインシフトを自動検出し、機械学習を用いて頭蓋内圧を推定する計算的手法。この方法は外傷性脳損傷患者の診断精度向上に貢献する。

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

材料の一部が助成金番号IIS0758410下で国立科学財団によってサポートされた仕事に基づいています。データはキャロライナヘルスケアシステムによって供給された。

1。手法の概要提案されたフレームワークが自動的に病的な場合を正中線のシフトを計算し、頭蓋内圧（ICP）を予測することは、それだけでなく、他の抽出された情報を使用するように外傷性脳損傷（TBI）患者の脳のCT画像を処理する。 図1は全体の概略図を示しているフレームワーク。自動化された正中線のずれの測定は、次の3つのステップに分けることができます。まず、脳の正中線には理想的な、怪我する前正中線、 すなわち頭蓋骨の対称性と組織機能の3に基づく階層的な検索を介して検出されています。第二に、脳室系は、それぞれ脳のCT画像4のセグメント化されています。第三に、実際の正中線は、メソッド5に一致する形状を用いて、セグメント化された変形した心室系から推定される。脳室系の水平方向のシフトは、理想正中線と実際の正中線の推定に基づいて推定される。 t後彼正中線シフトを順次シフト正中線、CT画像のテクスチャ情報だけでなく、他の人口統計情報などの機能はICPを予測するために使用されている、と推定される。機械学習アルゴリズムは、ICPと抽出した特徴6との間の関係をモデル化するために使用されています。 2。理想的なミッドライン推定<ol><li>このステップでは、頭蓋骨の対称性を利用しておおよその理想的な正中線を検出します。まず、しきい値を使用してグレースケール、頭蓋骨はCT画像内のコンテンツの残りの部分から分割する必要があります。そのあと、頭蓋骨の質量中心のまわりの回転角度を識別するために徹底的な検索を実行。最適な回転角は頭蓋骨の結果半分の対称性を最大化する角度として定義される。おおよその理想的な正中線は質量中心点を通る直線であり、CT画像の元の垂直方向に対して最適な回転天使を持っています。 </li><li>このステップでは、Pを検出osterior大脳鎌と矢状溝の縁の前方に鎌のアタッチメント。このステップは、識別されたおおよその理想的な正中線を洗練するために行われる。最初の近似理想正中線と頭蓋の間に2つの交点を中心とする2探索矩形を定義します。次に、経験的に彼らは、以下で説明するように、検出されるべき解剖学的特徴をカバーしている四角形のサイズを選択します。前方鎌アタッチメントは頭蓋上の尾根のピーク点として検出されており、大脳鎌は、臼歯部3の灰色の線として検出されます。 </li><li>このステップでは、理想的な正中線の位置を絞り込むために、上記の検出、これらの機能を使用しています。 calvarumから前方鎌アタッチメントと後部大脳鎌で最も遠い点のピーク点が指定されたら、洗練された理想的な正中線には2つの点を結ぶ線である。 </li></ol> 3。心室セグメンテーション<ol><li>初の低ルを適用各CTスライス4,7のためにガウス混合モデル（GMM）を用いて、VELセグメンテーション。骨/血液、脳脊髄液（CSF）、灰白質と白質：CT画像は、組織の4つのタイプに分けることができます。ガウス混合モデルの初期化については、パラメータはCT画像のK-meansを繰り返し分割結果に基づいて推定されています。その後、より良いCT画像を表現するために反復的にGMMを最適化するために、期待値最大化（EM）メソッドを使用します。ハード分割結果は、各画素が異なる領域の種類に属しているメンバーシップの最大の確率に基づいて領域にCT画像を分割することによって得ることができる。 </li><li> GMMの低レベルのセグメンテーションの後、心室領域を認識するために、分割結果にさらに制約を適用します。一定のしきい値を超えるサイズの心室領域のみが保持されます。よく脳バウンディングボックスとventriclのセットを使用して、心室領域の位置に制約を適用メールテンプレート。標準脳MR画像から心室テンプレートのセットを抽出し、別の科目と病理学的なケースのばらつきに対応するために、形態学的な拡張を使用して、それを拡大します。 </li></ol> 4。実際のミッドライン推定<ol><li> MRから抽出​​した心室テンプレート上の特徴点を指定します。 </li><li>複数の領域の形状は、セグメント化された心室とMRの間で5,8テンプレートマッチングでください。 </li><li>形状マッチングを用いた心室形状で識別された特徴点に基づいて実際の正中線を推定する。その後、正中線のx座標を定義するために、それらの特徴点のx座標の平均左側の平均と右側の平均を使用しています。 </li></ol> 5。もっと特徴抽出<ol><li> CT画像から得られたガウス混合モデル（GMM）分割結果に基づいて、頭蓋内血腫/出血量を測定する。セグメント化された結果は、5月静脈洞血と大脳鎌を含む小領域をcludeが、それらは通常、血腫の地域に比較して無視することができます。次に、各スライスのための血液として分類された画素の数をカウントし、それらをまとめる。最後の合計が、CT検査で溢血ボリュームを定量化します。 </li><li>テクスチャ特徴を抽出します。最初の灰白質と白質を取り込み、各CT画像における6つの窓を選択しても、CT画像で血液や心室の構造を避けるため、 図6を参照してください。グレーレベルのランレングス9、ヒストグラム解析、フーリエ解析、デュアル木複素ウェーブレット解析10：すると、次のメソッドを使用して、対応するテクスチャの特徴を抽出する。 </li><li>人口統計情報、外傷重症度スコアも収集されます。 </li><li>各CT画像の抽出されたすべての機能が全体のCT検査を表現するために集約されます。具体的には、min（f）には、max（f）は、中央値（F）、（f）は、STD（f）をらの間で計算されることを意味特定のCT検査に属するL選択した機能は、正中線シフトやテクスチャ特徴のチャƒ、 例えば 。頭蓋内出血量の機能を利用するためには、上記の5事業者に加えて、 和（f）はまた、総血液量を記録するために追加されます。 </li></ol> 6。 ICPの推定 ICPの推定の主なアイデアは、トレーニングサンプルのセットに基づいてモデルを構築するための機械学習手法を適用することです。その後、構築されたモデルは、残りのテストサンプルで評価されます。なぜならCTスキャンや人口統計情報からのものも含め、抽出された特徴の次元数が大きい、特徴選択は、比較的単純なため、安定したモデルのために無関係な機能を削除することが重要です。したがって、ICPの推定/予測のために実行される2つのステップがあります。最初に、ICPを予測する上で有益であり、相対機能を選択します。第二段階は次のようにサポートベクターマシン（SVM）を使用することです研修モデルを開発し、評価するためのアルゴリズムを学習。それは機械学習アルゴリズムのほとんどのために非常によく開発されたツールであり、モデルを訓練し、評価するための非常に強力なインタフェースを提供しますので、このようなRapidMiner 11などのソフトウェアでは、このタスクのための理想的です。 <ol><li> 2段階で機能の選択を行います。最初のトップ50の機能を選択することが最初の段階で情報利得比基準を使用しています。第二段階では、さらなる機能の選択を最適化するために、遺伝的アルゴリズム組み込んSVMを使用しています。その後、次のステップで、ICPの予測のためのモデルを構築するために選択した機能の最終的なセットを使用しています。 </li><li>機械学習技術を介して、ICPの分類と評価を行う。トレーニングとテストのトップレベル図を図8にRapidMinerに示されている。評価のための最も外側の層として10分割交差検証スキームを適用します。高い汎使用してモデルを構築し、tにオーバーフィッティング避けるために、彼は訓練データ、各トレーニング折り込むクロスバリデーションの巣別の層。これらのモジュールでは、まず、上記の機能の選択のプロセスを適用し、その後、独自のパラメータ選択モジュール6と分類にSVMを使用しています。 </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>

特別な利害関係は宣言されません。

抽出された特徴に基づいて、CT画像とICPレベルの予測で正中線のシフトの推定：本研究では、直感的で柔軟なフレームワークは、2困難な問題に対処するために提案されている。評価実験により、提案手法の有効性を示す。私たちが知る限り、これは、これらの二つの問題に対処する上で系統的な研究の最初の時間です。我々は、一般的なフレームワークに基づいて、達成することができ、多くの潜在的な改善があることに気付く。例えば、提案セグメンテーションでは、低レベルの細分化と高レベルの認識が分離されており、現在は高レベルから低レベルのセグメンテーションへのフィードバックはありません。これは低レベルのビジョンと高レベルの認識との間の相互作用を持っている人間の目視検査とは異なります。一緒にこれらの2つのレベルを結合する一つの潜在的なアプローチは、いわゆる &quot;モデルをベースとした低レベルのセグメンテーション&quot;です。この方法では、低レベルのセグメンテーションは目によって導かれるターゲット構造の電子高水準アトラスモデル。例えば、登録アルゴリズムは標準的なCT画像にCT画像を整列するための最初のステップで適用することができる。それはCT画像と標準的なCT画像と...

毎年米国では約140万外傷性脳損傷（TBI）の関連救急外来の例がありますが、そのうち、死亡1に50,000以上の結果。 TBIの重度は、通常、血腫や脳組織の腫脹などの症状を持つ頭蓋内圧（ICP）の増加を伴っている。追加のリスクで負傷脳を置く減少脳灌流圧と脳血流のこれらの結果、。重度のICPの増加はとてもTBIのが重要である患者のためのICPを監視し、致命的なことができます。これは、典型的に圧力を監視するための脳、唯一の専門医療センターで行うことができる患者のために危険な手順に直接留置カテーテルの配置を必要とします。手順はまた、感染症などのリスクを伴います。しかし、高架ICPの兆しは医用画像工学における顕著かもしれません。具体的には、正中線シフトはしばしば、ICPの増加に関連付けられており、脳計算トンからキャプチャすることができますomography（CT）画像。このように、これらの画像は頭蓋穿頭前に事前審査のステップとして使用することができる高架ICPの非侵襲的検出のための機会を提供する。 CT撮影は、その高速性と相対的な低コストの2、それでも、他のすべての画像モダリティ、 例えば MRIの間の初期のTBIの評価のためのゴールドスタンダードである。さらに、CT検査は厳格な患者不動を必要とし、このような骨の骨折や血腫などの重篤な異常を明らかにすることの利点を持っていません。 CTは、一般的に、現在の技術に基づいて、脳の傷害を検出するために使用されているが、正中線のシフトが自動的に測定されていないため、医師は、目視検査により、この重要な要素を評価する必要があります。不正確なまたは矛盾したCTの解釈は、しばしば人間の視覚システムの性質や脳の複雑な構造に関連付けられています。小さな正中シフトはとらえどころのないですが、彼らはpで、脳損傷の評価のためにしばしば非常に貴重なものです患者の状態を前に損傷の初期段階で関節はいっそうひどくなります。スペクトルの反対側では、大正中シフトが高度に上昇したICPとTBIより厳しいことを示唆している。しかし、それは人間が視覚的にCT画像を検査し、定量的にICPのレベルを予測するために非常にやりがいのある仕事です。自動化された計算手法の進歩により、このような脳のCT画像の正中線シフト、血腫量、テクスチャなどCT画像から抽出された特徴を正確に測定することができると自動的に高度な画像処理手法を用いた。しかし、ICPと正中線のずれ、ならびにそのような出血の度合いなど、他の機能との関係は、CT画像からテクスチャが模索されていません。本論文では、計算フレームワークは、脳のCT画像上で正中線シフト測定だけでなく、他の解剖学的/生理学的特徴を測定するために提案され、その後、機械学習技術を用いて、非侵入ICPの程度を予測しました。

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

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

正中線シフト推定および頭蓋内圧（ICP）事前審査システム：本稿では、主に2つの主要コンポーネントから構成されるコンピュータ断層撮影（CT）画像に基づく自動化システムを提案する。第一、正中線のシフトを推定するために理想的な正中線の推定は、頭蓋骨と脳のCTスキャンで解剖学的特徴の対称性に基づいて実行されます。その後、CTスキャンから心室のセグメンテーションを行い、形状マッチングを通じて、実際の正中線の同定のためのガイドとして使用されます。これらのプロセスは、医師によって測定プロセスを模倣して、評価で有望な結果が示されている。第二成分は、より多くの機能も組み込まれているような、年齢、ICPを推定する外傷重症度スコアとしてCTスキャンや他の記録された特徴からテクスチャ情報、血液量として、ICPに関係が抽出されます。そのようなサポートなど、機能の選択と分類を含む機械学習技術、ベクターマシン（SVM）は、RapidMinerを使用して予測モデルを構築するために採用されています。予測の評価はモデルの潜在的な有用性を示しています。推定された理想的な正中線のずれとICPレベルは侵襲のICPモニタリングのためにまたは反対に推薦するように、意思決定を行う医師のための速い事前審査のステップとして使用することができると予測した。

テストのCTデータセットは、治験審査委員会の承認の下にキャロライナ·ヘルスケア·システム（CHS）により提供されていました。最初の病院に入院したときにすべての被験者は、TBIの重度軽度と診断された。それぞれの患者については、ICPの値が得られた前とCTスキャン後の両方の心室領域内のICPのプローブを使用した時間ごとに記録した。 CTスキャンの時間の範囲内である、どちらもそれぞれのCTスキャン、CTスキャンの時間に平均ICPの最も近い2つの測定値を、とICPの値を関連付けることができます。その後CTスキャン時の推定、ICP値として平均値を代入します。グループ2クラスにICPの値：高架ICPの場合は、ICP&gt; 12ミリメートルHgおよび通常のICPの場合は、ICP≤12ミリメートルHg。データセットには、17人の患者が含まれています。このセットから、391軸CTスキャン画像は、show心室または心室が含まれているはずの地域図2は、理想的な正中線の検出結果を示すことが選択されています。 図3は 、通気孔にriclesはセグメント化されています。 図4は、...

自動化された正中線のずれの推定および頭蓋内圧（ICP）の外傷性脳損傷（TBI）患者のコンピューター断層撮影​​（CT）画像に基づく事前審査システムは、画像処理と機械学習の手法を用いて提案されている。

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

本論文では、主にコンピュータ断層撮影（CT）画像に基づいた自動化システムを提示する。このシステムは、主に正中線偏移（midline shift）……からなる2つの主要コンポーネントで構成されている。

この実験の目的は、外傷性脳損傷患者の脳CT画像から正中線偏移（ミッドラインシフト）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。本プロジェクトでは、CT画像を解析して頭蓋内圧（ICP）を予測する計算手法を開発しました。このプロジェクトの背景には、頭部外傷を負った多くの症例において、常にICPまたは頭蓋内圧の上昇が疑われるという事実があります。CT検査によって、脳の腫脹、血腫、あるいは正中線偏移や脳の側方偏移を評価することは可能ですが、それが頭蓋内圧にどのような影響を与えるかを、一般的に「ある程度上昇させる」ということ以外に、確実に予測することは困難です。ここに、我々が取り組んできた計算手法が有用であるという点があります。解剖学的変化が頭蓋内圧にどのような影響を及ぼすかを、かなりの精度で予測することが可能です。この概略図は、本研究で採用された手法の概要を示しています。コンピュータ断層撮影は、一般にCTスキャンまたはCATスキャンという略称で知られています。CTスキャンは、単一の回転軸を中心に撮影された一連の大量の2次元X線画像から構成されます。本アプローチの最初のステップでは、外傷性脳損傷（TBI）患者のCTスキャンを取得し、正中線偏移（midline shift）を検出するために解析を行います。次のステップでは、CT画像のさまざまなテクスチャ情報や出血量の推定など、その他の特徴量の抽出および解析を行います。本アプローチでは、抽出された特徴量およびその他の人口統計学的情報を利用してICPを予測し、ICPと抽出特徴量との関係をモデル化するために機械学習アルゴリズムを使用します。頭蓋骨の対称性を利用して、近似的な理想的正中線が検出されます。まず、グレースケールしきい値処理を用いて、画像スライスから頭蓋骨をセグメンテーションします。次に、アルゴリズムが頭蓋骨の重心周囲のあらゆる回転角を網羅的に探索し、分割後の頭蓋骨の両半分の対称性を最大化する直線を特定します。近似的な理想的正中線は、その回転角で重心点を通る直線となります。対称性を最大化させ、対称性のみに基づいて理想的な正中線を検出しても、常に自動的に有意義な結果が得られるとは限りません。したがって、本手法では、アミンラインの位置を精査するために、後方ボックス理論や前方フォックス付着部などの特定の電子的特徴を特定するというさらなるステップを導入しています。次に、これらの解剖学的特徴を迅速かつ正確に検出するため、後方フォックス cere および正中溝の縁への前方フォックス付着部を特定し、近似的な理想的正中線を精査します。2つ目に、この近似的な理想的正中線とその2つの交点に基づいて、探索矩形を定義します。頭蓋冠において、検出したい解剖学的特徴が含まれるように矩形のサイズを選択します。前方のキツネの付着部は頭蓋冠上の隆起の頂点として検出され、後方領域のキツネの蝋膜は灰色の線として検出されます。頭蓋骨の前方部分には骨突出が存在します。fox ceryはこの点から延びています。この解剖学的特徴は、正中線の起点として利用できます。この突出部は、foxerの前縁にある局所的な最小点に向かって下方へ湾曲していることがわかります。頭蓋骨の下縁を画像平面上の曲線として捉えれば、その曲線は1次元関数としてモデル化できます。突出点の検出は、サンプリングされた1次元関数の最小値を見つける問題となります。セグメンテーションされた上部の頭蓋骨を入力として、まず最初に行うステップは骨の下縁を抽出することです。次のステップでは、ローカルミニマ（局所最小値）を用いて突起を検出します。ここでは、このローカルミニマが突起の終点にもなります。この概略図は、脳の下部にあるfox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、濃い色の線ではなく薄い灰色の線を検出することが目的であるため、領域の中央値をしきい値として使用します。このしきい値を用いて、それより低いすべてのグレースケール値を中央値に設定します。その後、ゼロクロスエッジ検出器を用いてエッジマップを生成します。これにより、Sobel検出時にエッジの情報がより豊富に保持され、次のステップで不要なエッジを除去することが可能になります。その後、キツネの脳（fox cere）の既知の特徴を用いて、エッジマップを段階的に精緻化します。まず、輝度と勾配を用いてエッジマップを精緻化した後、サイズしきい値と濃度しきい値を用いてさらに精緻化を行います。さらに、ここでの濃度しきい値は、エッジ点の密度に他なりません。最後に、フォックスを表す直線を検出するためにハフ変換を適用します。ハフ変換の結果は、通常、一連の直線となります。このセットから望ましい直線を抽出するために、制約を設定する必要があります。まず、直線の角度が直線が集中している範囲内にある必要があります。この範囲は、検出された直線の角度の統計量を算出することで得られます。次に、その線は直線のクラスターが集中している範囲内に位置していなければなりません。この段階における最終的な理想的な中心線は、上記の制約を満たす最も長い線として選択されます。この画像は、2つの関心領域と、内側の突出部に基づいて精査された理想的な中心線を示しています。緑色の線は精緻化された理想的な正中線であり、赤色の線は精緻化前の脳の理想的な正中線の近似位置です。この画像は、脳のMRIスライスを伴う脳室系の3Dモデルを示しています。画像の赤い部分は、3Dで表現された脳室系を表しています。脳室系は、上部の左右一対の側脳室、中央の第三脳室、および下部の第四脳室で構成されています。脳室に関する情報を抽出する理由は、損傷によって脳内の圧力が変化した際に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ための適切な指標となるからです。連続するMRIまたはCT画像のスライスにおいて、脳室系は右図のようなさまざまな形状で現れます。ここでは、MRIから抽出された脳室系の形状を示しています。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。提案手法では、セグメンテーションプロセスを2つのパートに分けて行います。まず、初期段階の低レベルセグメンテーション手法を適用し、画素を異なる領域にグループ化します。次に、セグメンテーション結果から脳室を特定するために、ハイレベルなテンプレートマッチング法を用います。この画像は、ガウス混合法に基づくロー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画像をメディアンフィルタリングを用い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行います。この結果を中央に示します。K-meansアルゴリズムを適用した後、gossおよび混合法を適用します。右側の画像は、初期化された2D画像上の異なるgossおよび分布を示しています。このセグメンテーションを用いて期待値最大化法（EMアルゴリズム）を適用し、パラメータを進化させることで、最終的に調整されたセグメンテーション結果が得られます。Z方向における心室系は、トレーニングセット全体で顕著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することが可能です。ここで述べる手法では、これらのマッピングをまず手動で初期化し、その後、一連のトレーニング画像を用いて最適化します。初期の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。1つ目は、セグメントが比較的大きい必要があることです。2つ目は、セグメントが脳の端に近くないことです。3番目に、セグメントが心室テンプレートと交差します。下部の図は、結果から得られた心室認識ステップの例を示しています。サイズ、バウンディングボックス、およびテンプレートの制約を用いることで、心室部位が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、まずセグメンテーションされた脳室を形状マッチングによってテンプレートと照合します。この図は、そのマッチングのプロセスを示しています。まず、エッジポイントをサンプリングします。次に、2つの形状の整合コストを最適化することにより、2つの形状間の点同士の対応付けを行います。例えば、2行目の最後の画像では、一方の形状の赤点からもう一方の形状の緑点へ線を結ぶことで、その対応関係が示されています。脳室系は3次元構造であり、CTスライスごとに形状が異なるため、すべてのCTスライスにわたって形状マッチングを行います。各スライスにおいて、正中線を推定するために使用できる特徴点を定義します。例えば、側脳室の形状における特徴点は、左右の両側脳室の内縁点となります。これらの特徴点は、マッチングプロセスの前に手動でラベル付けされたテンプレート上の特徴点との対応によって特定されます。ここでは、異なるテンプレートを選択した際の多くのマッチング結果を示します。各形状マッチングには、マッチングコストが存在します。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決定し、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からの点は緑色で、テンプレートからの点は赤色で示されています。マッチングコストを比較することで、最初のテンプレートが最適であることがわかります。特徴点を特定した後、これらの特徴点のX座標を算出します。通常、左側に特徴点があり、右側にも特徴点があります。実際の中心線のX座標は、左側と右側の特徴点のX座標の平均として推定します。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座標を表しています。マッチテンプレートは青色の点で示されています。特定された特徴点は青色で示されています。結果から、実際の正中線が推定された後、その推定が非常にうまく機能していることがわかります。水平方向の正中線シフト S の算出は簡単です。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。ここに示されている画像は、推定された理想的な正中線と実際の正中線の両方を例示しています。正中線シフトを用いる以外に、抽出したこれらの特徴がICPレベルの予測において追加の情報をもたらす可能性があります。このアプローチの主な概念は、可能な限り多くの特徴量を抽出し、その後、特徴量選択法を用いることで、ICB情報の提供に関連する特徴量のみを保持することにあります。CTスキャンから抽出される特徴量には、正中線偏移、血腫量、およびテクスチャパターンが含まれます。その他のソースからの特徴量には、患者の年齢、トラウマスコア、および傷害重症度スコアなどの人口統計学的情報が含まれます。ガウス混合モデルに基づくセグメンテーションアルゴリズムを使用して、ピクセルをラベル付けします。ピクセルは、血液、脳脊髄液、灰白質、および白質テクスチャの4つのカテゴリーに分類されます。CT画像におけるパターンには、脳の状態を示す指標が含まれる場合があります。頭蓋内圧が高くなると、テクスチャパターンが変化する可能性があります。本研究では主に、脳脊髄液が存在しない領域のテクスチャパターンに注目し、CT画像の小さなサブイメージまたはウィンドウに対してテクスチャ解析を適用します。各CT画像から6つのウィンドウを選択します。テクスチャ特徴量は、離散フーリエ変換および離散ウェーブレット変換を用いて抽出されます。要するに、利用可能な情報があまりに膨大であるということです。そのため、医師がいかに経験豊富であっても、これらすべての信号を同時に処理することは非常に困難になります。したがって、CTスキャンを解析し、自動画像診断を行うことを目的とした現在のプロジェクトは、私のような救急医や外傷外科医にとって、データの処理時間を大幅に短縮できる非常に有用なツールとなるでしょう。データセットには、軽度から重度の外傷性脳損傷を持つ17名の患者が含まれています。各患者について複数のCTスキャンが撮影されており、本研究では合計57件のスキャンが使用されています。頭蓋内圧を表す値が1時間ごとに記録されます。ICPレベルの上昇には2つのカテゴリーがあります。ICPは、12 torを超えるICPと定義されます。正常なICPは、12 tor以下と定義されます。このデータセットには、正常例が33例、ICP上昇例が24例含まれています。モデルを作成するために、2段階の10分割交差検証を用います。第一の段階は、特徴選択が行われるネストされたステージです。第二の段階では、遺伝的探索法が用いられ、その探索法と併せてサポートベクターマシンによる分類器が使用されます。この画像は、理想的な正中線推定を示しています。赤線は、頭蓋骨の対称性に基づいた概算の理想的な正中線です。解剖学的特徴を用いて調整した後、より精度の高い理想的な正中線の推定値が得られ、それが緑線となります。これらの画像では、推定された実際の正中線が示されています。緑色の線は推定された実際の中央線であり、青色の点はマッチングされたテンプレートです。右側の画像は、中心の左側にある推定された理想的な中央線と、実際の中央線を示しています。右側では、推定による結果的な中央線のずれを確認できます。ここでは、我々の手法の評価における定量的な結果についても提示します。データセット内のほとんどのCTスライスにおいて、我々の手法で推定した理想的な正中線と、医師がラベル付けした正中線との誤差は約2ピクセルまたは1mmでした。実際の正中線については、セグメンテーション結果に一定の品質管理を適用した条件下で、80%以上が2.25mm未満の差となっていました。頭蓋内圧予測の評価では、10分割交差検証を用いて約70%の正解率（Accuracy）が得られました。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。この設計は異なるアルゴリズムを組み込めるという利点がある一方で、低レベルセグメンテーションにおけるすべての情報を活用できていない可能性があります。低レベルセグメンテーションと高レベルセグメンテーションを組み合わせることで、より優れたセグメンテーション結果が得られる可能性があります。この考えに基づき、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手法を用いることで、予測精度の向上を図るとともに、提案手法のさらなる評価を行うことができます。また、より多くのデータセットを収集してサンプルサイズを拡大させることは、本研究にとって有益であると考えられます。

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

Research

JoVE Journal

Medicine

医学

この資料では、3Tのスキャナを用いたヒト脳および皮質下構造で1.2mmのサンプリングで高解像度の機能的磁気共鳴イメージングを実行するテクニックについて説明します。例として、与えられた人間の上丘（SC）における視覚刺激の地形図を解決するためにこれらの技術の使用。...

人間の中脳の高解像度機能的磁気共鳴画像法

病変エクスプローラ（LE）は、アルツハイマー病および正常高齢者の構造的MRIから局所脳組織及び皮質下高信号病変volumetricsを得るために開発された半自動、画像処理パイプラインである。精度と信頼性の高いレベルを確保するには、次のLEの手作業用ビデオガイド下、標準化されたプロトコルである。...

病変エクスプローラ：アルツハイマー病における正確で信頼性のMRI誘導Volumetrics用ビデオガイド下、標準化されたプロトコルおよび標準高齢者

私たちは、てんかん手術における画像統合、可視化および計画のために私たちのカスタム設計されたソフトウェアを使用するための手順を説明します。...

てんかん手術における3Dマルチモダリティ画像の統合とコンピュータ支援計画のためのパイプライン

脳血行動態およびin vivoでのラット脳組織の光散乱特性の同時評価は、従来のマルチスペクトル拡散反射イメージングシステムを用いて実証されています。...

脳血行動態との光散乱特性の同時評価<em&gt;インビボ</emマルチスペクトル拡散反射率イメージングの使用&gt;ラット脳

集学的治療の深刻な脳損傷の監視にベッドサイド、単一のバリの穴のアプローチ

ここでは、病変症状マッピングを目的としたオープンアクセスの標準化された画像処理パイプラインの実用的なチュートリアルを提供します。CT/MRIの手動梗塞セグメンテーションから、その後の登録から標準スペースまで、各処理ステップのステップバイステップのチュートリアルが提供され、例示的なケースを含む実用的な推奨事項とイラストが提供されます。...

病変症状マッピングに対するMRIまたはCTに関する脳梗塞セグメンテーションと登録

脳における脈絡叢の重要な役割にもかかわらず、この構造の神経画像研究は、信頼性の高い自動セグメンテーションツールがないため、ほとんどありません。現在のプロトコルは、脈絡叢のゴールドスタンダードの手動セグメンテーションを確実にすることを目的としています 将来の神経画像研究に情報を提供できる。...

脳MRIを用いたヒト脈絡叢の手動セグメンテーション

経頭蓋超音波は、さまざまな神経学的状態の患者を監視するために不可欠なツールです。脳は、コンサルティング研究でプロトコル化された方法で一般的に使用されていますが、ポイントオブケア超音波(PoCUS)を利用する多くのプロトコルでは見落とされてきました。この研究では、PoCUS画像取得プロトコルを提案します。...

ポイントオブケア中大脳動脈の経頭蓋色分けされたデュプレックス超音波

ここでは、nTMSと拡散テンソルイメージング(DTI)に基づく皮質脊髄路(CST)再建を組み合わせた運動マッピングの標準化プロトコルを説明します。このプロトコルは再現性が高く、臨床的に実現可能であり、日常的な臨床ワークフローに容易に統合できるため、運動経路評価、神経可塑性研究、リハビリテーション計画のための堅牢で価値ある枠組みを提供します。...

ナビゲーション経頭蓋磁気刺激を用いた機能的運動マッピングの標準化プロトコル

頭蓋骨内の圧力を記録するための新たな手法が記載されています。低侵襲の方法では、正確に重要な脳外傷を引き起こすことなく、麻酔ラットの頭蓋内圧（ICP）を測定する光ファイバ圧力検出システムを使用しています。技術は、実験モデルの広い範囲で使用することができます。...

光ファイバ圧力トランスデューサを使用したラットの硬膜外頭蓋内圧測定

学ぶ 脳CT画像からミッドラインシフトを自動検出し、機械学習を用いて頭蓋内圧を推定する計算的手法。この方法は外傷性脳損傷患者の診断精度向上に貢献する。

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

さらに動画を探す