뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정

이 실험의 전반적인 목표는 외상성 뇌 손상 환자의 뇌 CT 이미지에서 정중선 이동을 감지하여 뇌 내 두개내 압력을 추정하는 것입니다. 이 프로젝트에서는 CT 이미지를 분석하고 두개내 압력 또는 ICP를 예측하기 위한 계산 방법을 개발했습니다. 이 프로젝트의 동기는 사람들이 머리 부상을 입은 많은 경우에 ICP 또는 두개내 압력이 상승할 수 있다는 의심이 항상 있다는 사실입니다.따라서 CT를 통해 뇌의 부종을 평가할 수 있고, 혈종을 평가할 수 있으며, 뇌의 정중선 이동 또는 경골 이동을 평가할 수 있습니다. 그러나 우리가 신뢰할 수 있게 예측할 수 없는 것은 그것이 일반적으로 두개내 압력에 어떤 영향을 미치는지, 어느 정도 A를 높이는지, 그리고 우리가 연구하고 있는 계산 방법이 도움이 되는 곳입니다.

해부학적 변화가 두개내 압력에 어떤 영향을 미치는지 합리적인 수준의 정확도로 정확히 예측할 수 있습니다. 이 개략도는 이 연구에 사용된 방법론의 개요를 보여줍니다. 컴퓨터 축 단층 촬영은 CT 스캔 또는 CAT 스캔이라는 약어로 더 일반적으로 알려져 있습니다.

CT 스캔은 단일 회전 축을 중심으로 촬영된 대규모 2차원 X선 이미지로부터 현상됩니다. 우리 접근법의 첫 번째 단계에서는 외상성 뇌 손상 또는 TBI가 있는 환자의 CT 스캔을 획득하고 분석하여 정중선 이동을 감지합니다. 다음 단계는 CT 영상의 다양한 질감 정보, 혈액량 추정 등 다른 특징의 추출 및 분석입니다.

우리의 접근 방식은 또한 추출된 특성과 기타 인구 통계 정보를 사용하여 ICP를 예측하고, 기계 학습 알고리즘을 사용하여 ICP와 추출된 특성 간의 관계를 모델링합니다. 대략적인 이상적인 정중선은 두개골의 대칭을 사용하여 감지됩니다. 먼저 그레이 스케일 임계값을 사용하여 두개골이 이미지 슬라이스에서 분할됩니다.

그런 다음 알고리즘은 두개골의 질량 중심 주위의 모든 회전 각도를 철저하게 검색하여 두개골의 결과 절반의 대칭을 최대화하는 선을 찾습니다. 대략적인 이상적인 중선은 회전 각도로 질량 중심점을 통과하는 선입니다. 대칭을 최대화하고, 대칭만을 기반으로 이상적인 정중선을 감지하는 것이 항상 자동으로 의미 있는 결과를 제공하는 것은 아닐 수 있습니다.

따라서 우리의 방법에서는 한 걸음 더 나아가 후방 상자 이론 및 전방 여우 부착과 같은 특정 전자적 특징을 찾아 아민 라인의 위치를 정제합니다. 다음으로, 시상열구의 가장자리에 대한 후방 여우 cere와 전방 여우 부착을 식별하여 이러한 해부학적 특징을 빠르고 정확하게 감지하기 위해 대략적인 이상적인 정중선을 정제합니다. 둘째, 검색 직사각형은 대략적인 이상적인 중심선과 두 개의 교차점을 기반으로 정의됩니다.

calvarium을 사용하면 사각형의 크기가 감지될 해부학적 특징을 포함하도록 선택됩니다. 앞쪽 여우 부착물은 칼바리움에 있는 능선의 정점으로 감지되는 반면, 여우 세레는 뒤쪽 영역에서 회색 선으로 감지됩니다. 뼈 돌출부는 두개골의 앞쪽 부분에 있습니다.

여우 울음소리는 이 지점부터 확장됩니다. 이 해부학적 특징은 정중선의 시작점으로 사용할 수 있습니다. 돌출부가 여우의 앞쪽 가장자리에서 국소 최소 지점으로 아래로 구부러지는 것을 볼 수 있습니다.

두개골 뼈의 아래쪽 가장자리를 이미지 평면의 곡선으로 보는 경우 곡선을 1차원 함수로 모델링할 수 있습니다. 돌출 지점의 감지는 샘플링된 1차원 함수의 최소값을 찾는 문제가 됩니다. 위쪽 세그먼트화된 두개골 뼈를 입력하고, 첫 번째 단계는 뼈의 아래쪽 가장자리를 추출하는 것입니다.

다음 단계는 로컬 미니를 사용하여 돌출부를 감지하는 것입니다. 여기서 국소 최소값은 돌출부의 끝점도 나타냅니다. 이 개략도는 뇌의 아래쪽에 있는 여우가 어떻게 감지되는지를 보여줍니다.

첫 번째 단계에서 어두운 선이 아닌 밝은 회색 선을 감지하는 것이 목표이므로 영역의 중앙값이 임계값으로 사용됩니다. 이 임계값을 사용하면 그 아래의 모든 회색 음영 값이 중앙값으로 설정됩니다. 그런 다음 제로 크로싱 에지 감지기를 사용하여 에지 맵을 생성합니다.

이렇게 하면 소벨 감지 중에 더 풍부한 가장자리를 유지하고 다음 단계에서 원치 않는 가장자리를 제거할 수 있습니다. 그런 다음 가장자리 지도는 여우 cere의 알려진 기능을 사용하여 단계별로 다듬어집니다. 이것은 먼저 intensity 및 gradient를 사용하여 가장자리 맵을 구체화한 다음 size threshold와 concentration threshold를 사용하여 구체화하여 수행됩니다.

더 나아가 여기서 농도 임계값은 가장자리 점의 밀도일 뿐입니다. 마지막으로 Hof 변환이 적용되어 여우를 나타내는 선을 감지합니다. 사라. HOF 변환의 결과는 일반적으로 선 집합입니다. 2.

이 세트에서 원하는 라인을 추출하기 위해 제약 조건을 설정해야 합니다. 첫째, 선의 각도는 선이 집중된 범위 내에 있어야 합니다. 이 범위는 감지된 선의 각도에 대한 통계를 계산하여 얻습니다.

둘째, 선은 선의 클러스터가 집중되어 있는 범위 내에 있어야 합니다. 이 단계에서 이상적인 최종 정중선은 위의 제약 조건을 충족하는 가장 긴 선으로 선택됩니다. 이 이미지는 두 개의 관심 영역과 내부 돌출부를 기반으로 개선된 이상적인 정중선을 보여줍니다.

녹색 선은 정제된 이상적인 정중선이고 빨간색 선은 정제 전 비의 이상적인 정중선의 대략적인 위치입니다. 이 이미지는 뇌의 MRI 절편이 있는 심실계의 3D 모델을 보여줍니다. 이미지의 빨간색 부분은 3D로 심실을 나타냅니다.

심실계는 상단에 있는 두 개의 양측 심실, 중간에 있는 세 번째 뇌실, 하단에 있는 네 번째 심실로 구성됩니다. 우리가 심실에 대한 정보를 추출하는 이유는 손상으로 인해 뇌 내부의 압력이 변할 때 뇌가 변형되어 뇌 조직의 변형 및 병리학적 사례를 측정하기에 적합한 후보이기 때문입니다. 연속적인 MRI 또는 CT 이미지 슬라이스에서 심실계는 오른쪽에 다양한 모양으로 나타나며, MRI에서 추출된 심실계의 모양이 표시됩니다.

CT 분할의 목적은 원래 CT 스캔에서 이러한 모양을 식별하는 것입니다. 우리가 제안한 방법에서 세분화 프로세스는 두 부분으로 구분됩니다. 먼저, 초기의 저수준 세분화 방법이 적용되어 픽셀을 서로 다른 부분으로 그룹화합니다.

그런 다음 높은 수준의 템플릿 일치 방법을 사용하여 분할된 결과에서 심실을 식별합니다. 이 이미지는 가우스 혼합 방법을 기반으로 하는 저수준 분할을 보여줍니다. 먼저, 원본 CT 영상은 중앙값 필터링을 사용하여 필터링되었습니다.

결과는 왼쪽 이미지에 나와 있습니다. 그 후, K-means 알고리즘이 적용되어 코어 세분화를 얻습니다. 이 결과는 중간에 표시됩니다.

K-means 알고리즘이 적용된 후 goss 및 mix 방법이 적용됩니다. 오른쪽 이미지는 초기화된 2D 이미지에 대한 다른 goss와 분포를 보여줍니다. came segmentation expectation maximization을 사용하여 매개변수를 발전시키고 최종적으로 attuned segmentation 결과를 얻습니다.

Z 방향의 심실계는 훈련 세트 전반에 걸쳐 큰 변화를 보이지 않습니다. 따라서 매핑은 선형 형식으로 근사화할 수 있습니다. 여기에 설명된 방법에서 이러한 매핑은 먼저 수동으로 초기화된 다음 학습 이미지 집합을 사용하여 최적화됩니다.

초기 심실 분할을 받아들이기 위한 세 가지 제약 조건이 있습니다. 첫째, 세그먼트가 상대적으로 커야 합니다. 둘째, 분절은 뇌의 가장자리에 가깝지 않습니다.

세 번째, 분절은 심실 주형(ventricle template)과 교차합니다. 하단의 그림은 결과에서 심실 인식 단계의 예를 보여줍니다. 심실 부분이 size, bounding box 및 template constraints를 사용하여 성공적으로 인식되는 것을 볼 수 있습니다.

실제 정중선을 추정하기 위해 먼저 형상 일치를 통해 분할된 심실을 템플릿과 일치시킵니다. 이 그림은 일치 프로세스를 보여줍니다. 먼저 가장자리 점이 샘플링됩니다.

그런 다음 두 셰이프의 일치 비용을 최적화합니다. 두 모양 사이의 점의 대응이 이루어집니다. 예를 들어 두 번째 행에서 마지막 이미지는 한 셰이프의 빨간색 점을 다른 셰이프의 녹색 점에 연결하여 대응을 보여 줍니다.

심실계는 3D 구조이고 CT 절편마다 모양이 다르기 때문에 모든 CT 절편에서 모양 일치를 수행합니다. 각 슬라이스에 대해 중간선을 추정하는 데 사용할 수 있는 특징점을 정의합니다. 예를 들어, 측면 심실 모양의 특징점은 두 측면 뇌실의 내부 가장자리 점입니다.

이러한 특징점은 템플릿의 특징점에 대한 대응으로 식별되며, 일치 프로세스 전에 수동으로 레이블이 지정됩니다. 여기에서는 다른 템플릿을 선택하여 많은 일치 결과를 보여줍니다. 각 형상 일치에는 일치 비용이 있습니다.

최소 일치 비용을 선택하여 형상 일치에 사용할 최상의 템플릿을 찾고 특징점을 식별합니다. 이 예에서 세분화 결과의 포인트는 녹색으로 표시되고 템플릿의 포인트는 빨간색으로 표시됩니다. 경기 비용을 비교하면 첫 번째 템플릿이 사용하기에 가장 적합하다는 것을 알 수 있습니다.

특징점이 식별되면 이러한 특징점의 X 좌표를 계산합니다. 일반적으로 왼쪽에는 특징점이 있고 오른쪽에는 특징점이 있습니다. 실제 중간선의 X 좌표는 왼쪽 및 오른쪽 피처 포인트의 X 좌표의 평균으로 추정됩니다.

여기서는 네 가지 추정 결과를 보여줍니다. 녹색 수직선은 실제 중앙선의 예상 X 좌표를 나타냅니다. 경기 템플릿은 파란색 점으로 표시됩니다.

식별된 피처 포인트는 파란색으로 표시됩니다. 결과에서 실제 정중선의 추정이 실제 정중선이 추정된 후에 매우 잘 작동한다는 것을 알 수 있습니다. 수평 정중선 이동 S의 계산은 간단합니다.

X ideal은 이상적인 중간선의 X 좌표이고 X actual은 추정된 실제 중간선의 X 좌표입니다. 여기에 표시된 이미지는 예상되는 이상적인 정중선과 실제 정중선을 모두 보여줍니다. 미드라인 시프트를 사용하는 것 외에도, 우리가 추출한 이러한 특징들은 ICP 수치를 예측하는 데 추가적인 정보를 제공할 수 있습니다.

이것의 주요 아이디어는 가능한 한 많은 기능을 추출한 다음 기능 선택 방법을 사용하여 ICB 정보 제공과 관련된 기능만 유지할 수 있다는 것입니다. CT 스캔에서 추출한 특징에는 정중선 이동, 혈액 양 및 질감 패턴이 포함됩니다. 다른 소스의 기능에는 환자 연령, 외상 점수 및 부상 심각도 점수와 같은 인구 통계 정보가 포함됩니다.

gian 혼합 모델 기반 세분화 알고리즘은 픽셀에 레이블을 지정하는 데 사용됩니다. 픽셀은 혈액 대뇌액(blood cerebral fluid), 회백질(gray matter), 백질 질감(white matter texture)의 4가지 범주로 분류됩니다. CT 영상의 패턴에는 뇌 상태의 징후가 포함될 수 있습니다.

높은 수준의 두개간 압력은 질감 패턴을 변경할 수 있습니다. 우리는 주로 뇌척수액이나 혈액이 없는 영역의 질감 패턴에 초점을 맞추고, CT 이미지의 작은 하위 이미지나 창에 질감 분석을 적용합니다. 각 CT 영상에서 6개의 창이 선택됩니다.

텍스처 특징은 이산 포어 변환(discrete foer transform) 및 이산 웨이블릿 변환(discrete wavelet transform)을 사용하여 추출됩니다. 길고 짧은 것은 사용할 수 있는 정보가 너무 많다는 것입니다. 의사가 아무리 경험이 많아도 이러한 모든 신호를 동시에 처리하는 것은 매우 문제가 됩니다.

따라서 CAT 스캔을 보고 자동 이미징을 수행하는 것을 목표로 하는 현재 프로젝트는 저와 같은 응급 의사와 외상 전문의가 이 데이터를 훨씬 더 빠르게 처리하는 데 도움이 될 것입니다. 이 데이터 세트에는 경증에서 중증의 외상성 뇌 손상을 입은 17명의 환자가 있습니다. 각 환자는 여러 번의 CT 스캔을 받았으며 연구에는 총 57개의 스캔이 사용되었습니다.

두개간 압력을 나타내는 값이 매시간 기록됩니다. 상승된 ICP 수준에는 두 가지 범주가 있습니다. ICP는 12tor보다 큰 ICP로 정의됩니다.

일반 ICP의 경우 12tor 이하의 ICP로 정의됩니다. 이 데이터 세트에는 정상 사례 33건과 ICP 상승 사례 24건이 있습니다. 모델을 만들기 위해 10중 교차 검증의 두 단계를 사용합니다.

첫 번째는 기능 선택이 수행되는 중첩 단계입니다. 두 번째 단계에서는 유전자 검색 방법을 사용하고 검색 방법과 함께 사용되는 분류기는 지원 벡터 기계입니다. 이 이미지는 이상적인 미드라인 추정치를 보여줍니다.

빨간색 선은 두개골의 대칭을 기반으로 한 대략적인 이상적인 정중선입니다. 해부학적 특징을 사용하여 정제한 후, 우리는 녹색 선인 더 잘 추정된 이상적인 정중선을 갖게 되었습니다. 이미지에서 이러한 이미지는 추정된 실제 정중선을 보여줍니다.

녹색 선은 추정된 실제 정중선이고 파란색 점은 일치하는 템플릿입니다. 오른쪽 이미지는 중앙 왼쪽의 추정된 이상적인 정중선과 실제 정중선을 보여줍니다. 오른쪽에서는 추정치에서 결과로 생성된 중간선 이동을 볼 수 있습니다.

여기에서는 또한 방법 평가에서 정량적 결과를 제시합니다. 데이터 세트에 있는 대부분의 CT 절편에서 우리의 방법론에서 추정한 이상적인 정중선과 의사가 분류한 정중선 사이의 오차는 약 2픽셀 또는 1mm입니다. 실제 정중선의 경우 80% 이상이 세분화 결과의 특정 품질 관리에서 2.25mm 미만의 차이를 가지고 있습니다.

두개간 압력 예측 평가는 10 배 교차 검증을 사용하여 약 70 %의 정확도를 갖습니다. 우선, 낮은 수준의 세분화 프로세스와 높은 수준의 세분화 프로세스를 구분합니다. 이 설계는 다양한 알고리즘을 통합함으로써 이점을 얻을 수 있지만 낮은 수준의 세분화에서 모든 정보를 활용하지 못할 수도 있습니다.

낮은 수준의 세분화와 높은 수준의 세분화를 결합하면 더 나은 세분화 결과를 얻을 수 있습니다. 이 아이디어에 따라 모델 기반 세분화 또는 등록 기반 세분화와 같은 방법을 사용하여 더 나은 예측을 할 수 있을 뿐만 아니라 제안된 방법에 대한 더 많은 평가를 제공할 수 있습니다. 더 많은 데이터 세트 수집 표본 크기를 늘리려면 연구에 도움이 됩니다.