Name: 뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정 (동영상) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: 배우세요 외상성 뇌손상 환자의 CT 영상에서 자동으로 정중선 변위를 검출하고 기계학습을 활용해 뇌압을 예측하는 계산적 방법을. 이 기법은 임상 진단 정확도를 향상시킵니다.

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

자료는 부분적으로 부여 번호 IIS0758410 아래에있는 국립 과학 재단 (National Science Foundation)의 지원 작업에 기반을두고 있습니다. 데이터는 Carolinas 의료 시스템에 의해 공급되었다.

1. 방법론 개요 제안 된 프레임 워크는 자동으로 병적 인 경우에 정중선 변화를 계산하고 intracranial 압력 (ICP)을 예측하는 데뿐만 아니라 다른 추출 된 정보를 사용하는 외상성 뇌 손상 (외상성 뇌 손상) 환자의 뇌 중부 표준시 이미지를 처리합니다. 그림 1은 전체의 개략도 프레임 워크. 자동 중간 선 이동 측정은 세 단계로 나눌 수 있습니다. 첫째, 뇌의 이상적인 중간 선이 부상하기 전에 중간 선 즉, 두개골 대칭 및 조직 기능 3 기반으로 계층 적 검색을 통해 찾을 수 있습니다. 둘째, 심실 시스템은 각 뇌 중부 표준시 이미지를 4 분할 수 있습니다. 셋째, 실제 중간 선은 방법 5와 일치하는 모양을 사용하여 세그먼트 변형 심실 시스템에서 추정된다. 심실 시스템의 수평 이동은 다음 이상적인 중간 선 및 실제 중간 선의 평가를 기반으로 추정된다. t 후그는 정중선 변화가 연속 정중선 변화, CT 이미지의 텍스처 정보뿐만 아니라 다른 인구 통계 학적 정보를 포함하여 기능이 ICP를 예측하는 데 사용됩니다, 추정된다. 기계 학습 알고리즘은 ICP 및 추출 기능 6 사이의 관계를 모델링하는 데 사용됩니다. 2. 이상적인 중간 선 추정 <ol><li> 이 단계는 두개골의 대칭을 사용하여 대략적인 이상적인 중간 선을 감지합니다. 첫째, 임계 값 그레이 스케일 사용하여 두개골은 중부 표준시 이미지에있는 콘텐츠의 나머지 부분에서 분할 있어야합니다. 그 이후, 두개골의 질량 중심 주위의 회전 각도를 확인하는 철저한 검색을 수행합니다. 최적의 회전 각도는 두개골의 결과 절반의 대칭을 극대화 각도로 정의됩니다. 대략 이상적인 중간 선은 대량 센터 지점을 통해 선 통과하고 중부 표준시 이미지의 원래 수직 방향에 대해 최적의 회전 천사가 있습니다. </li><li> 이 단계는 P를 감지osterior falx cerebri 및 시상 고랑의 여백에 앞 falx 첨부. 이 단계는 확인 된 대략 이상적인 중간 선을 구체화하기 위해 수행된다. 먼저 대략적인 이상적인 중간 선 및 개관 사이에 두 교차로 지점에 중심이 검색의 사각형을 정의합니다. 다음 경험적 그래서 그들은 아래에 설명했던 것과 같이, 해부학 기능을 감지 할 커버하는 사각형의 크기를 선택합니다. 앞 falx 첨부 파일은 개관과 falx cerebri는 뒤쪽 지역 3 회색 선으로 감지의 능선의 정상 지점으로 검출된다. </li><li> 이 단계는 이상적인 중간 선 위치를 수정 위의 감지 이러한 기능을 사용합니다. calvarum에서 앞 falx 첨부 파일과 뒤쪽 falx cerebri에서 먼 지점의 정상 지점이 지정되면, 세련된 이상적인 중간 선은 두 점을 연결하는 선입니다. </li></ol> 3. 심실 세분화 <ol><li> 먼저 낮은 르를 적용벨 세분화는 각 중부 표준시 슬라이스 4,7에 대한 가우스 혼합 모델 (GMM)를 사용하여. 뼈 / 피, 뇌척수 (CSF), 회색 물질과 흰색 물질 : 중부 표준시 이미지는 조직의 4 종류로 나눌 수 있습니다. 가우스 혼합 모델의 초기화를 들어, 매개 변수는 중부 표준시 이미지의 K-방법을 반복 세분화 결과를 기준으로하여 계산됩니다. 그런 다음 더 나은 중부 표준시 이미지를 표현하기 위해 반복적으로 GMM을 최적화하기 위해 기대 - 극대화 (EM) 메소드를 사용합니다. 하드 분할 결과는 각 픽셀이 다른 지역 유형에 속해있는 회원의 최대 확률에 따라 지역에 중부 표준시 이미지를 분할하여 얻을 수 있습니다. </li><li> GMM의 낮은 수준의 세분화 후, 심실 영역을 인식하기 위해 세분화 결과에 대한 자세한 제약 조건을 적용 할 수 있습니다. 특정 임계 값 위의 크기 만 심실 영역은 유지됩니다. 잘 뇌 경계 상자와 ventricl 집합을 사용하는 것과 심실 지역의 위치에 제약을 적용전자 템플릿. 표준 뇌 MR 영상에서 뇌실 템플릿의 집합을 추출하고 다른 과목과 병적 인 가지 경우 중 변화를 수용하기 위해 형태학의 팽창를 사용하여 확대. </li></ol> 4. 실제 중간 선 추정 <ol><li> MR에서 추출 된 심실 템플릿에있는 기능 포인트를 지정합니다. </li><li> 여러 지역 형태는 세그먼트 심실과 MR 템플릿 사이에 5,8 일치 마십시오. </li><li> 형상 검색 기능을 사용하여 심실 모양의 식별 기능 포인트에 따라 실제 중간 선을 추정. 그런 다음 중간 선을 x 좌표를 정의 할 수있는 기능 포인트의 x-좌표의 의미 왼쪽 평균과 오른쪽의 평균을 사용합니다. </li></ol> 5. 더 많은 기능 Extractions <ol><li> 중부 표준시 이미지에서 얻은 가우스 혼합 모델 (GMM) 분류 결과에 따라 intracranial 출혈 / 출혈 볼륨을 측정합니다. 분할 결과 5월정맥 굴 혈액과 falx cerebri 등의 작은 지역을 clude 있지만, 일반적으로 혈종의 지역에 비해 무시 될 수 있습니다. 다음 각 슬라이스에 대한 혈액으로 분류 픽셀 수를 계산하고이를 요약. 최종 합계는 중부 표준시 시험의 extravasated 혈액 볼륨을 단정 지을. </li><li> 텍스처 기능을 추출합니다. 먼저 회색과 흰색 물질을 캡처 각 중부 표준시 이미지에 여섯 창을 선택하지만 중부 표준시 이미지에 혈액과 심실 구조를 피하고, 그림 6을 참조하십시오. 회색 레벨 실행 길이 9, 히스토그램 분석, 푸리에 분석, 듀얼 나무 복합 웨이블릿 분석 10 : 다음 방법을 사용하여 해당 질감 기능을 압축을 풉니 다. </li><li> 인구 통계 학적 정보와 부상 심각도 점수도 수집됩니다. </li><li> 각 중부 표준시 이미지의 모든 추출 기능은 전체 중부 표준시 시험을 나타 내기 위해 집계됩니다. 특히, 분 (F), 최대는 (F), 중간 (F), (F), 표준은 (F) 알 사이에 계산됩니다 의미특정 중부 표준시 심사에 속하는 리터 선택한 기능은 정중선 변화 나 질감 기능의 기능 ƒ을 지정할 수있다. intracranial 출혈 금액 기능에 대해 위에 나열된 5 연산자 외에, 합이 (F)도 전체 혈액 양을 기록에 추가됩니다. </li></ol> 6. ICP 추정 ICP 추정의 주요 아이디어는 훈련 샘플 세트를 기반으로 모델을 구축 할 기계 학습 기술을 적용하는 것입니다. 그런 다음 만들어진 모델이 남아있는 테스트 샘플에 평가됩니다. 때문에 중부 표준시 스캔 및 인구 통계 학적 정보에서 포함 추출 기능의 높은 차원의, 기능 선택은 비교적 간단하므로 안정적인 모델 관련이없는 기능을 제거하는 것이 중요합니다. 따라서 ICP 견적 / 예상 수행 할 두 가지 단계가 있습니다. 첫째, ICPs을 예측의 정보를있는 상대 기능을 선택합니다. 두 번째 단계는로 지원 벡터 머신 (SVM)를 사용하는 것입니다알고리즘 훈련 모델을 개발하고 평가합니다. 학습 이 기계 학습 알고리즘의 대부분은 매우 잘 발달 도구와 모델을 교육하고 평가하는 매우 강력한 인터페이스를 제공하기 때문에 같은 RapidMiner 11와 같은 소프트웨어는이 작업에 이상적입니다. <ol><li> 두 단계로 기능 선택을 수행합니다. 먼저 상위 50 기능을 선택하려면 첫 번째 단계에서의 정보 이득 비율 기준을 사용합니다. 두 번째 단계에서, 상기 기능 선택을 최적화하기 위해 유전자 알고리즘을 포함하는 SVM을 사용합니다. 다음 단계에서 ICP 예측에 대한 모델을 구축 할 수 선택한 기능의 최종 세트를 사용합니다. </li><li> 기계 학습 기술을 통해 ICP 분류 및 평가를 수행합니다. 교육 및 시험 서비스의 최상위 다이어그램은 그림 8에 RapidMiner에 표시됩니다. 평가를위한 outmost 층으로 10 배 크로스 유효성 검사 방식을 적용합니다. 더 나은 일반화와 모델을 구축하고 t으로 - 피팅 방지하기 위해그는 훈련 데이터, 둥지 각 교육 배 내부 교차 유효성 검사의 또 다른 레이어. 이러한 모듈에 먼저 위에 설명 된 기능 선택 과정을 적용하고 자신의 매개 변수를 선택 모듈 6 분류에 대한 SVM을 사용합니다. </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>

관심 없음 충돌이 선언 없습니다.

중부 표준시 이미지와 추출 기능에 따라 ICP 수​​준의 예측에 정중선 변화의 추정 : 본 연구에서는 직관적이고 유연한 프레임 워크는 두 도전 문제를 해결하기 위해 제안합니다. 평가 결과는 제안 된 방법의 효과를 보여줍니다. 우리가 아는 한,이 두 문제를 해결에 체계적으로 연구의 첫 번째 시간입니다. 우리는 일반적으로 프레임 워크를 기반으로, 달성 될 수있는 잠재적 인 개선이 있다는 것을 확인합니다. 예를 들어, 제안 된 분류에서, 낮은 수준의 세분화 및 높은 수준의 인식이 분리되어 현재 높은 수준에서 낮은 수준의 세분화는 전혀 의견이 없습니다. 이것은 낮은 수준의 비전과 높은 수준의 인식 사이의 상호 작용이 인간의 육안 검사에서 차이가 있습니다. 함께이 두 수준을 결합하는 한 잠재적 인 접근 방식은 소위 &quot;모델 기반의 낮은 수준의 세분화&quot;입니다. 이 방법에서 낮은 수준의 세분화는 일에 안내되어 있습니다대상 구조의 전자 높은 수준의 아틀라스 모델. 예를 들어, 등록 알고리즘은 표준 중부 표준시 이미지를 중부 ...

매년 미국에서 약 1,400,000 외상성 뇌 부상 (외상성 뇌 손상) 관련 긴급 부서 경우가 있으며, 그 중, 사망 1 50000 결과 이상. 외상성 뇌 손상 심한는 일반적으로 hematomas과 붓기 뇌 조직 등의 증상 intracranial 압력 (ICP)의 증가와 함께합니다. 감소 대뇌 관류 압력 및 추가 위험에 부상당한 뇌를 배치 뇌성 혈액의 흐름에 이러한 결과. 심한 ICP 증가는 치명적이 될 수 외상성 뇌 손상 환자에 대한 ICP를 모니터링하는 것은 매우 중요합니다 그래서. 이것은 일반적으로 직접 압력 모니터링, 만 전문 의료 센터에서 수행 할 수 있습니다 환자에 대한 위험 프로 시저에 대한 뇌에 카테터를 내재의 위치가 필요합니다. 절차는 또한 감염 등의 위험을 가지고 있습니다. 그러나, 고가 ICP의 일부 증상은 의료 영상에서 눈에 띄게 할 수 있습니다. 특히, 정중선 변화는 종종 ICP의 증가와 연결되어 있으며 뇌 계산 t에서 캡처 할 수omography (중부 표준시) 이미지. 따라서 이러한 이미지는 두개골 trepanation 전에 사전 심사 단계로 사용할 수있는 고가 ICP의 비 침습적 검출을위한 기회를 제공합니다. 중부 표준시 영상 때문에 높은 속도와 상대적으로 저렴한 비용 (2)의, 여전히 다른 모든 이미징 modalities, 예를 들어 MRI 간의 초기 외상성 뇌 손상 평가를위한 황금 표준입니다. 또한, 중부 표준시 시험은 엄격한 환자 부동가 필요합니다, 그리고 뼈 골절과 hematomas 등의 심각한 이상을 드러내 장점이 있습니다하지 않습니다. 중부 표준시는 일반적으로 현재의 기술을 바탕으로 뇌 부상의 검출에 사용되는 반면, 중간 선 이동이 자동으로 측정되지 않으며 따라서 의사는 육안 검사하여이 중요한 요소를 평가해야합니다. 부정확하거나 일관성 중부 표준시 해석은 종종 인간의 시각 시스템의 특성과 뇌의 복잡한 구조와 연결되어 있습니다. 작은 중간 선에 변화가 어려운 반면, 그들은 P에 뇌 손상의 평가에 대한 내용들을 귀중한 아르환자의 상태까지 부상 초기 단계의 관절은 더 심각됩니다. 스펙트럼의 다른 쪽, 큰 중간 선 이동은 높은 상승 ICP 및 외상성 뇌 손상 더 심각한을 제안합니다. 그러나, 시각적으로 중부 표준시 이미지를 검사하고 양적 ICP의 수준을 예측하는 인간에 대한 매우 어려운 작업입니다. 자동 계산 기술의 발전으로 인해, 이러한 뇌 중부 표준시 이미지의 정중선 변화, 혈종 량 및 질감 등의 중부 표준시 이미지,에서 추출 기능을 정확하게 측정 할 수 있으며, 자동으로 고급 이미지 처리 방법을 사용합니다. 그러나, ICP 및 중간 선 이동뿐만 아니라 출혈의 정도와 같은 다른 기능 사이의 관계는, CT 이미지에서 질감이 탐색되지 않았습니다. 본 논문에서는 계산 프레임 워크는 정중선 변화 측정뿐만 아니라 뇌 중부 표준시 이미지의 다른 생리학 / 해부학 기능을 측정 한 후 ICP 비 intrusively 기법을 학습 기계를 사용하는 정도를 예측하는 제안되었습니다.

뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 intracranial 압력 추정

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

정중선 변화 추정 및 intracranial 압력 (ICP) 사전 심사 시스템 :이 논문에서 우리는 주로 두 가지 구성 요소로 구성된 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 자동화 된 시스템을 제시한다. 이상적인 중간 선에의 추정은 두개골과 뇌 CT 촬영의 해부학 적 기능의 대칭에 따라 수행되는 첫 번째 정중선 변화를 측정합니다. 그런 다음, CT 촬영에서 심실의 세분화 수행과 모양 매칭을 통해 실제 중간 선의 식별을위한 가이드로 사용됩니다. 이 과정은 의사에 의해 측정 과정을 모방하고 평가 긍정적 인 결과를 보여 주었다. 두 번째 구성 요소에서 더 많은 기능도 포함됩니다 같은 연령, ICP를 추정하는 부상 심각도 점수와 같은 중부 표준시 스캔 및 기타 기록 기능의 텍스처 정보, 혈액 금액으로, ICP에 관한 압축이 풀립니다. 이러한 지원 등의 기능 선택과 분류 등의 기계 학습 기법,벡터 머신 (SVMs)는 RapidMiner를 사용하여 예측 모델을 구축하는 고용하고 있습니다. 예측의 평가 모델의 잠재적 인 유용성을 보여줍니다. 예상 이상적인 중간 선 이동 및 ICP 수​​준을 예측는 또는 침해 ICP 모니터링에 대한 권장 할 수 있도록, 의사 결정을 내릴 수있는 의사에 대한 빠른 사전 심사 단계로 사용할 수 있습니다.

테스트 중부 표준시 데이터 세트는 기관 검토위원회의 승인 아래 Carolinas 의료 시스템 (CHS)에 의해 제공되었다. 첫번째 병원에 입원했을 때 모든 과목은 심각한 외상성 뇌 손상에 약한 진단했다. 각 환자의 경우 ICP 값을 얻어되기 전에 및 중부 표준시 스캔 후 모두 심실 지역 내에서 ICP 프로브를 사용하여 시간마다 기록되었다. CT 촬영의 시간 내에 모두있는 각 CT 촬영, CT 스캔 시간 평균 ICP의 두 가장 가까운 측정을있는 ICP 값을 연결합니다. 그런 다음 CT 촬영시 예상 ICP 값으로 평균을 할당합니다. 그룹 두 클래스에 ICP 값 : 고가 ICP 경우 ICP&gt; 12mm HG와 일반 ICP 경우 ICP ≤ 12mm HG. 데이터 세트 17 환자가 포함되어 있습니다. 이 세트에서 391 축 CT 촬영 이미지는 쇼 심실 또는 심실를 포함하고 있어야 지역. 그림 2는 이상적인 중간 선 검출의 결과를 보여줍니다 것이 선택됩니다. 그림 3, 통풍...

자동화 된 중간 선 이동 추정 및 intracranial 압력 (ICP) 외상성 뇌 손상 (외상성 뇌 손상) 환자에 대한 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 사전 심사 시스템은 이미지 처리 및 머신 학습 기술을 사용하여 제안합니다.

뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정

본 논문에서 우리는 주로 컴퓨터 단층촬영(CT) 영상을 기반으로 하며, 두 가지 주요 구성 요소인 정중선 변위...로 이루어진 자동화 시스템을 제시합니다.

본 실험의 전반적인 목적은 외상성 뇌 손상 환자의 뇌 CT 영상에서 정중선 이동을 감지하여 뇌 내부의 두개강 내압을 추정하는 것입니다. 본 프로젝트에서 우리는 CT 영상을 분석하고 두개강 내압(ICP)을 예측하기 위한 계산 방법을 개발하였습니다. 이 프로젝트의 동기는 머리 부상을 입은 많은 사례에서 ICP 또는 두개강 내압이 상승했을 가능성이 항상 의심된다는 점에 있습니다. CT를 통해 뇌 부종, 혈종, 정중선 이동 또는 뇌의 부분적 이동을 평가할 수 있지만, 이러한 현상이 두개강 내압에 어떤 영향을 미치는지 일반적으로 압력을 어느 정도 높인다는 것 외에 신뢰성 있게 예측하는 것은 불가능합니다. 바로 이 지점에서 우리가 연구해 온 계산 방법들이 도움이 됩니다.해부학적 변화가 두개내압에 정확히 어떤 영향을 미치는지 상당히 정확한 수준으로 예측할 수 있습니다. 이 도식도는 본 연구에 적용된 방법론의 개요를 보여줍니다. 컴퓨터 단층 촬영은 약어로 CT 스캔 또는 CAT 스캔으로 더 흔히 알려져 있습니다.CT 스캔은 단일 회전축을 중심으로 촬영한 일련의 대량의 2차원 X선 영상을 통해 생성됩니다. 본 연구 방법의 첫 번째 단계에서는 외상성 뇌 손상(TBI) 환자의 CT 스캔 영상을 획득하고 분석하여 정중선 변위(midline shift)를 검출합니다. 다음 단계에서는 CT 영상의 다양한 질감 정보 및 혈액량 추정과 같은 다른 특징들의 추출 및 분석이 수행됩니다.본 연구의 접근 방식에서는 추출된 특징과 기타 인구통계학적 정보를 사용하여 ICP를 예측하며, ICP와 추출된 특징 사이의 관계를 모델링하기 위해 머신러닝 알고리즘이 사용됩니다. 대략적인 이상적인 정중선은 두개골의 대칭성을 이용하여 검출합니다. 먼저 그레이스케일 임계값 처리를 통해 이미지 슬라이스에서 두개골을 분할합니다.그 후 알고리즘은 두개골의 질량 중심을 기준으로 모든 회전 각도를 철저히 탐색하여, 결과적으로 나뉜 두개골 양측의 대칭성을 최대화하는 선을 찾습니다. 근사적인 이상적 정중선은 해당 회전 각도를 가진 질량 중심점을 통과하는 선입니다. 대칭성을 최대화하는 것만으로 이상적인 정중선을 검출하는 방식은 항상 자동으로 의미 있는 결과를 제공하지는 않을 수 있습니다.따라서 본 방법에서는 아민 라인의 위치를 정교화하기 위해 후방 박스 이론(posterior box theory) 및 전방 폭스 부착부(anterior fox attachment)와 같은 특정 전자적 특징을 찾는 단계를 추가로 수행합니다. 다음으로, 이러한 해부학적 특징을 빠르고 정확하게 검출하기 위해 후방 폭스 세레(posterior fox cere)와 시상구(sagittal sulcus) 가장자리에 있는 전방 폭스 부착부를 식별하여 대략적인 이상적 중앙선을 정교화합니다. 둘째로, 대략적인 이상적 중앙선과 두 개의 교차점을 기준으로 검색 사각형을 정의합니다.두개관(calvarium)의 경우, 검출하고자 하는 해부학적 특징들이 포함되도록 사각형의 크기를 선택합니다. 전방의 여우 부착점은 두개관 능선의 정점으로 검출하며, 여우 납막(fox cere)은 후방 영역의 회색 선으로 검출합니다. 골 돌출부는 두개골의 전방 섹션에 위치합니다.fox cery는 이 지점부터 연장됩니다. 이 해부학적 특징은 정중선을 위한 시작점으로 사용될 수 있습니다. 돌출부가 foxer의 앞쪽 가장자리에 있는 국소 최솟값 지점까지 아래로 굽어 있는 것을 확인할 수 있습니다.두개골 뼈의 하단 가장자리를 이미지 평면상의 곡선으로 간주한다면, 이 곡선은 1차원 함수로 모델링할 수 있습니다. 돌출 지점을 검출하는 것은 샘플링된 1차원 함수의 최솟값을 찾는 문제와 같습니다. 분할된 상단 두개골 뼈를 입력값으로 하여, 첫 번째 단계로 뼈의 하단 가장자리를 추출합니다.다음 단계에서는 로컬 미니(local mini)를 사용하여 돌출부를 검출합니다. 여기서 로컬 미니는 돌출부의 끝점을 나타내기도 합니다. 이 모식도는 뇌 하단부에 위치한 여우 모양의 돌출부가 어떻게 검출되는지를 보여줍니다.첫 번째 단계의 목적은 어두운 선이 아니라 연한 회색 선을 검출하는 것이므로, 해당 영역의 중앙값(median value)을 임계값으로 사용합니다. 이 임계값을 사용하여 그보다 낮은 모든 그레이스케일 값은 중앙값으로 설정합니다. 그런 다음 제로 크로싱 엣지 검출기(zero crossing edge detector)를 사용하여 엣지 맵을 생성합니다.이렇게 하면 Sobel 검출 중에 더 풍부한 엣지를 유지할 수 있으며, 다음 단계에서 원치 않는 엣지를 제거할 수 있습니다. 그 다음, 여우의 뇌(fox cere)가 가진 기지 특징을 이용하여 엣지 맵을 단계별로 정밀화합니다. 먼저 강도와 그래디언트를 사용하여 엣지 맵을 정밀화하고, 이어서 크기 임계값과 농도 임계값을 사용하여 이를 더욱 정밀하게 조정합니다.나아가 여기서 농도 임계값은 엣지 포인트의 밀도와 같습니다. 마지막으로, 여우를 나타내는 직선을 검출하기 위해 허프 변환이 적용됩니다. 허프 변환의 결과는 보통 일련의 직선 형태로 나타납니다.이 세트에서 원하는 라인을 추출하기 위해서는 제약 조건을 설정해야 합니다. 우선, 라인의 각도가 라인들이 집중되어 있는 범위 내에 있어야 합니다. 이 범위는 검출된 라인들의 각도에 대한 통계치를 계산하여 얻습니다.둘째, 해당 선은 선들이 집중되어 있는 범위 내에 위치해야 합니다. 이 단계에서 최종적인 이상적 중심선은 위의 제약 조건을 충족하는 가장 긴 선으로 선택됩니다. 이 이미지는 두 개의 관심 영역과 내부 돌출부를 기반으로 정밀하게 조정된 이상적 중심선을 보여줍니다.녹색 선은 정밀하게 조정된 이상적인 중심선이며, 빨간색 선은 조정 전 뇌의 이상적인 중심선 근사치입니다. 이 이미지는 뇌의 MRI 단면과 함께 뇌실계의 3D 모델을 보여줍니다. 이미지의 빨간색 부분은 3D로 표현된 뇌실계를 나타냅니다.뇌실 시스템은 상단의 양측 뇌실 두 개, 중앙의 제3뇌실, 그리고 하단의 제4뇌실로 구성됩니다. 뇌실에 대한 정보를 추출하는 이유는 부상으로 인해 뇌 내부의 압력이 변화할 때 뇌실이 변형되므로, 뇌 조직의 변형 및 병리적 사례를 측정하기에 적합한 대상이기 때문입니다. 연속적인 MRI 또는 CT 영상 슬라이스에서 뇌실 시스템은 오른쪽에 표시된 것과 같이 다양한 형태로 나타나며, MRI에서 추출된 뇌실 시스템의 형태가 제시되어 있습니다.CT 분할의 목적은 원본 CT 스캔에서 이러한 형태들을 식별하는 것입니다. 본 연구에서 제안하는 방법에서 분할 과정은 두 부분으로 나뉩니다. 우선, 픽셀들을 서로 다른 부분으로 그룹화하기 위해 초기 저수준 분할 방법이 적용됩니다.그 다음, 세분화된 결과에서 뇌실을 식별하기 위해 고수준 템플릿 매칭 방법이 사용됩니다. 이 이미지는 가우시안 혼합 방법을 기반으로 한 저수준 세분화를 보여줍니다. 먼저, 원본 CT 영상에 중간값 필터링을 적용하여 필터링합니다.결과는 왼쪽 이미지에 나타나 있습니다. 이후, K-means 알고리즘을 적용하여 핵심 분할(core segmentation)을 얻습니다. 이 결과는 중앙에 나타나 있습니다.K-means 알고리즘을 적용한 후, goss 및 혼합 방법(mixture method)을 적용합니다. 오른쪽 이미지는 초기화된 2D 이미지상의 서로 다른 goss 및 분포를 보여줍니다. 해당 세분화를 사용하여 파라미터를 발전시키기 위해 기대 최대화(expectation maximization)를 사용하며, 최종적으로 조정된 세분화 결과가 얻어집니다.Z 방향의 뇌실 시스템은 훈련 세트 전반에 걸쳐 유의미한 변화를 보이지 않습니다. 따라서 매핑은 선형 형태로 근사화할 수 있습니다. 여기에 설명된 방법에서는 이러한 매핑을 먼저 수동으로 초기화한 다음, 일련의 훈련 이미지를 사용하여 최적화합니다.초기 뇌실 분할을 수용하기 위한 세 가지 제약 조건이 있습니다. 첫째, 분할 영역이 상대적으로 커야 합니다. 둘째, 분할 영역이 뇌의 가장자리에 인접하지 않아야 합니다.셋째, 세그먼트가 뇌실 템플릿과 교차합니다. 하단의 그림들은 결과물에서 뇌실 인식 단계의 예시를 보여줍니다. 크기, 바운딩 박스 및 템플릿 제약 조건을 사용하여 뇌실 부분이 성공적으로 인식되었음을 확인할 수 있습니다.실제 정중선을 추정하기 위해, 먼저 분할된 뇌실을 형상 매칭을 통해 템플릿과 대조합니다. 이 그림은 매칭 과정을 보여줍니다. 우선, 가장자리 지점들을 샘플링합니다.그런 다음 두 형상의 매칭 비용을 최적화함으로써 두 형상 간의 점 대응 관계를 생성합니다. 예를 들어, 두 번째 행의 마지막 이미지는 한 형상의 빨간색 점과 다른 형상의 초록색 점을 연결하여 대응 관계를 보여줍니다.뇌실계는 3D 구조이며 CT 단면마다 모양이 다르기 때문에, 모든 CT 단면에 걸쳐 모양 매칭을 수행합니다. 각 단면에서 정중선을 추정하는 데 사용할 수 있는 특징점을 정의합니다. 예를 들어, 측뇌실 모양의 특징점은 양측 측뇌실의 내측 가장자리 지점들입니다.이러한 특징점들은 매칭 프로세스 전에 수동으로 레이블링된 템플릿 상의 특징점과의 대응 관계를 통해 식별됩니다. 여기에서는 서로 다른 템플릿을 선택하여 얻은 다양한 매칭 결과들을 보여줍니다. 각 형상 매칭에는 매칭 비용이 발생합니다.최소 매치 비용(match cost)을 선택함으로써, 형상 매칭에 사용할 최적의 템플릿을 찾고 특징점을 식별합니다. 이 예시에서 세그멘테이션 결과의 포인트는 녹색으로, 템플릿의 포인트는 빨간색으로 표시됩니다. 매치 비용을 비교하면 첫 번째 템플릿을 사용하는 것이 가장 적합함을 알 수 있습니다.특징점이 식별되면, 이 특징점들의 X 좌표를 계산합니다. 일반적으로 왼쪽과 오른쪽에 각각 특징점이 존재합니다. 실제 중심선의 X 좌표는 왼쪽과 오른쪽 특징점 X 좌표의 평균값으로 추정합니다.여기 네 가지 추정 결과가 제시되어 있습니다. 녹색 수직선은 실제 중심선의 추정된 X 좌표를 나타냅니다. 매칭 템플릿은 파란색 점으로 표시되어 있습니다.식별된 특징점들이 파란색으로 표시되어 있습니다. 결과로부터 실제 중심선을 추정한 후, 실제 중심선의 추정이 매우 정확하게 이루어짐을 확인할 수 있습니다. 수평 중심선 이동 S의 계산은 간단합니다.X ideal는 이상적인 정중선의 X 좌표이며, X actual은 추정된 실제 정중선의 X 좌표입니다. 여기에 제시된 이미지들은 추정된 이상적인 정중선과 실제 정중선을 모두 보여줍니다. 정중선 이동을 사용하는 것 외에도, 우리가 추출하는 이러한 특징들은 ICP 수치를 예측하는 데 추가적인 정보를 제공할 수 있습니다.이 방법의 핵심 아이디어는 가능한 한 많은 특성을 추출한 다음, 특성 선택 방법을 사용하여 ICB 정보 제공에 관련성이 있는 특성만 유지하는 것입니다. CT 스캔에서 추출된 특성에는 정중선 이동, 혈액량 및 텍스처 패턴이 포함됩니다. 다른 소스에서 얻은 특성에는 환자 연령, 외상 점수 및 손상 심각도 점수와 같은 인구통계학적 정보가 포함됩니다.가우시안 혼합 모델 기반 분할 알고리즘을 사용하여 픽셀을 라벨링합니다. 픽셀은 혈액, 뇌척수액, 회백질, 백질 질감의 네 가지 범주로 그룹화됩니다. CT 영상의 패턴에는 뇌 상태에 대한 징후가 포함될 수 있습니다.두개내압이 높으면 텍스처 패턴이 변할 수 있습니다. 본 연구에서는 주로 뇌척수액이 없는 영역의 텍스처 패턴에 집중하며, CT 영상의 작은 하위 이미지 또는 윈도우에 대해 혈액 텍스처 분석을 적용합니다. 각 CT 영상에서 6개의 윈도우를 선택합니다.이산 푸리에 변환과 이산 웨이브릿 변환을 사용하여 텍스트처 특징을 추출합니다. 요점은 가용한 정보가 매우 방대하다는 것입니다. 이로 인해 의사가 아무리 경험이 많더라도 이 모든 신호를 동시에 처리하는 것은 매우 어려운 문제가 됩니다.따라서 CT 스캔을 분석하고 자동 영상화를 구현하는 것을 목표로 하는 이번 프로젝트는, 저와 같은 응급의학과 의사 및 외상 전문의들이 이러한 데이터를 훨씬 더 빠르게 처리하는 데 큰 도움이 될 것입니다. 해당 데이터셋에는 경증에서 중증의 외상성 뇌 손상을 입은 환자 17명이 포함되어 있습니다. 각 환자별로 여러 건의 CT 스캔이 촬영되었으며, 본 연구에는 총 57건의 스캔 영상이 사용되었습니다.두개내압 수치를 매시간 기록합니다. ICP 수준의 상승은 두 가지 범주로 분류됩니다. ICP는 12 tor보다 높은 상태로 정의됩니다.정상 ICP는 12 tor 이하로 정의됩니다. 본 데이터셋에는 정상 사례 33건과 ICP 상승 사례 24건이 포함되어 있습니다. 모델을 구축하기 위해 두 단계의 10겹 교차 검증을 사용합니다.첫 번째는 특성 선택이 수행되는 중첩 단계입니다. 두 번째 단계에서는 유전적 탐색 방법이 사용되며, 이 탐색 방법과 결합하여 사용되는 분류기는 서포트 벡터 머신입니다. 이 이미지는 이상적인 중앙선 추정치를 보여줍니다.빨간색 선은 두개골의 대칭성을 기반으로 한 대략적인 이상적 정중선입니다. 해부학적 특징을 사용하여 정밀하게 조정한 후, 더 정확하게 추정된 이상적 정중선인 녹색 선을 얻었습니다. 이 이미지들은 추정된 실제 정중선을 보여줍니다.녹색 선은 추정된 실제 중심선이며, 파란색 점은 일치된 템플릿입니다. 오른쪽 이미지는 중심의 왼쪽에 위치한 추정된 이상적 중심선과 실제 중심선을 보여줍니다. 오른쪽에서는 추정으로 인한 결과적인 중심선 이동을 확인할 수 있습니다.여기에서는 또한 저희 방법론의 평가에 대한 정량적 결과도 함께 제시합니다. 저희 데이터셋의 대부분의 CT 슬라이스에서, 본 방법론으로 추정된 이상적인 정중선과 의사가 표시한 정중선 사이의 오차는 약 2픽셀 또는 1mm입니다. 실제 정중선의 경우, 세그멘테이션 결과에 대한 특정 품질 관리를 거쳤을 때 80% 이상이 2.25mm 미만의 차이를 보였습니다.두개내압 예측 평가는 10겹 교차 검증을 사용하여 약 70%의 정확도를 보였습니다. 우선, 저수준 분할 과정과 고수준 분할 과정을 분리합니다. 이러한 설계는 서로 다른 알고리즘을 통합함으로써 이점을 얻을 수 있지만, 저수준 분할의 모든 정보를 활용하지 못할 수도 있습니다.저수준 세분화와 고수준 세분화를 결합함으로써 더 나은 세분화 결과를 얻을 수 있습니다. 이러한 아이디어를 바탕으로 모델 기반 세분화 또는 등록 기반 세분화와 같은 방법을 사용하여 예측 능력을 향상시키는 동시에 제안된 방법에 대한 더 많은 평가를 제공할 수 있습니다. 더 많은 데이터 세트를 수집하여 표본 크기를 확대하는 것은 본 연구에 도움이 될 것입니다.

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

Research

연구

JoVE Journal

Medicine

의학

이 문서 3T 스캐너를 사용하여 인간의 midbrain과 subcortical 구조 1.2 밀리미터 샘플링과 고해상도 기능성 자기 공명 영상을 수행하는 기술을 설명합니다. 인간의 뛰어난 colliculus (SC)의 시각적 자극을 지형지도를 해결하기 위해 이러한 기술의 사용은 예제로 제공됩니다.

인간 Midbrain위한 고해상도 기능성 자기 공명 영상 방법

병변 탐색기 (LE)는 알츠하이머 질환과 정상 노인의 구조적 MRI에서 지역 뇌 조직과 피질 hyperintensity 병변 볼륨 측정을 얻기 위해 개발 한 반자동, 이미지 처리 파이프 라인입니다. 정확도 및 높은 수준의 신뢰성을 보장하기 위해, 다음과 LE 서 절차 영상 유도, 표준화 된 프로토콜이다.

병변 탐색기를 정확하고 신뢰할 수있는 MRI 유도 알츠하이머 병의 볼륨 측정 및 일반 노인을위한 영상 유도, 표준화 된 프로토콜

우리는 간질 수술에 이미지 통합, 시각화 및 계획에 대한 우리의 사용자 정의 설계 소프트웨어를 사용하는 단계를 설명합니다.

간질 수술에 3D Multimodality 이미지 통합 및 컴퓨터 지원 계​​획에 대한 파이프 라인

뇌 혈류 역학 및 생체 내 쥐의 뇌 조직의 산란 특성의 동시 평가는 종래의 멀티 스펙트럼 확산 반사율 촬상 시스템을 이용하여 설명된다.

대뇌 혈류와의 광 산란 특성을 동시에 평가<em&gt; 생체</em&gt; 다중 스펙트럼 확산 반사 이미징을 이용한 쥐 뇌

녹음 multimodality 병 상을 사용 하 여 심각한 뇌 부상 환자에 신호를 모니터링 하는 방법, 단일 버 구멍 기법 설명 되어 있습니다.

머리 맡, 단일 버 구멍 접근 Multimodality 심각한 뇌 손상에서 모니터링

여기에 제공된 개방형 이미지 처리 파이프라인은 병변 증상 매핑을 위한 실용적인 자습서입니다. CT/MRI의 수동 경색 세분화부터 표준 공간에 대한 후속 등록에 이르기까지 각 처리 단계에 대해 실용적인 권장 사항 및 예시사례가 있는 그림에 대한 단계별 연습이 제공됩니다.

병변 증상 매핑을 위한 MRI 또는 CT에 대한 뇌 경색 세분화 및 등록

뇌에서 맥락총의 중요한 역할에도 불구하고 이 구조에 대한 신경 영상 연구는 신뢰할 수 있는 자동 분할 도구가 없기 때문에 부족합니다. 현재 프로토콜은 미래의 신경 영상 연구에 정보를 제공할 수 있는 맥락총의 황금 표준 수동 분할을 보장하는 것을 목표로 합니다.

뇌 MRI를 사용한 인간 맥락총의 수동 분할

경두개 초음파는 다양한 신경 질환을 가진 환자를 모니터링하는 데 필수적인 도구입니다. 뇌는 자문 연구에서 프로토콜화된 방식으로 일반적으로 사용되지만, 현장 진료 초음파(PoCUS)를 사용하는 많은 프로토콜에서 간과되어 왔습니다. 본 연구는 PoCUS 이미지 획득 프로토콜을 제안한다.

Point of Care 경두개 색상으로 구분된 이중 초음파 중뇌동맥 초음파

여기서는 nTMS와 확산 텐서 영상(DTI) 기반 피질척수로(CST) 재건을 결합한 운동 매핑 표준화 프로토콜을 설명합니다. 이 프로토콜은 재현 가능하고 임상적으로 실현 가능하며 일상적인 임상 업무 흐름에 쉽게 통합되어 운동 경로 평가, 신경가소성 연구, 재활 계획에 대한 견고하고 가치 있는 틀을 제공합니다.

내비게이션 경두개골 자기 자극을 이용한 기능적 운동 매핑을 위한 표준화된 프로토콜

두개골 내의 압력을 기록하는 소설 기법이 설명되어 있습니다. 최소한 침략적 방법은 정확하게 심각한 뇌 손상을 유발하지 않고 anaesthetized 쥐에게 intracranial 압력 (ICP)를 측정하기위한 광섬유 압력 감지 시스템을 사용합니다. 기술은 실험적 모델의 넓은 범위에서 사용할 수 있습니다.

광섬유 압력 변환기를 사용하여 쥐에서 경막외 Intracranial 압력 측정

배우세요 외상성 뇌손상 환자의 CT 영상에서 자동으로 정중선 변위를 검출하고 기계학습을 활용해 뇌압을 예측하는 계산적 방법을. 이 기법은 임상 진단 정확도를 향상시킵니다.

뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정

더 많은 동영상 탐색