Zaproponowano zautomatyzowany system szacowania przesunięcia linii środkowej oraz wstępnej oceny ciśnienia wewnątrzczaszkowego (ICP) w oparciu o obrazy tomografii komputerowej (CT) u pacjentów z urazowym uszkodzeniem mózgu (TBI), wykorzystujący techniki przetwarzania obrazów i uczenia maszynowego.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Zautomatyzowana ocena przesunięcia linii środkowej i szacowanie ciśnienia wewnątrzczaszkowego na podstawie obrazów tomografii komputerowej mózgu
* These authors contributed equally
W tym artykule
Podsumowanie
Streszczenie
W niniejszej pracy przedstawiamy zautomatyzowany system oparty głównie na obrazach tomografii komputerowej (CT), składający się z dwóch głównych komponentów: systemu szacowania przesunięcia linii środkowej oraz systemu wstępnej oceny ciśnienia wewnątrzczaszkowego (ICP). Aby oszacować przesunięcie linii środkowej, w pierwszej kolejności przeprowadza się szacowanie idealnej linii środkowej w oparciu o symetrię czaszki i cechy anatomiczne w tomografii komputerowej mózgu. Następnie wykonuje się segmentację komór mózgu ze skanu CT, która służy jako wskazówka do identyfikacji rzeczywistej linii środkowej poprzez dopasowanie kształtu. Procesy te naśladują metodę pomiaru stosowaną przez lekarzy i wykazały obiecujące wyniki w ewaluacji. W drugim komponencie ekstrahowanych jest więcej cech związanych z ICP, takich jak informacje o teksturze, ilości krwi w skanach CT; uwzględnione zostają również inne zapisane parametry, takie jak wiek i wskaźnik ciężkości obrażeń (injury severity score), w celu oszacowania ICP. Do budowy modelu predykcyjnego przy użyciu programu RapidMiner zastosowano techniki uczenia maszynowego, w tym selekcję cech oraz klasyfikację, np. za pomocą maszyn wektorów nośnych (SVMs). Ewaluacja predykcji wskazuje na potencjalną użyteczność modelu. Oszacowane przesunięcie idealnej linii środkowej oraz przewidywane poziomy ICP mogą być wykorzystywane jako szybki etap wstępnej oceny pomocny dla lekarzy w podejmowaniu decyzji o zaleceniu lub odradzaniu inwazyjnego monitorowania ICP.
Wprowadzenie
Co roku w Stanach Zjednoczonych odnotowuje się około 1,4 miliona przypadków przyjęć na oddziały ratunkowe z powodu urazowych obrażeń mózgu (TBI), z czego ponad 50 000 kończy się śmiercią1. Ciężkie TBI zazwyczaj towarzyszy wzrost ciśnienia wewnątrzczaszkowego (ICP), objawiający się m.in. krwiakami i obrzękiem tkanki mózgowej. Prowadzi to do zmniejszenia ciśnienia perfuzyjnego mózgu i przepływu krwi mózgowej, co naraża uszkodzony mózg na dodatkowe ryzyko. Silny wzrost ICP może być fatalny w skutkach, dlatego monitorowanie ICP u pacjentów z TBI jest kluczowe. Zazwyczaj wymaga to wprowadzenia cewników bezpośrednio do mózgu w celu monitorowania ciśnienia, co jest ryzykowną procedurą, którą można przeprowadzić wyłącznie w specjalistycznych ośrodkach medycznych. Procedura ta wiąże się również z ryzykiem, np. infekcji. Jednak niektóre oznaki podwyższonego ICP mogą być zauważalne w obrazowaniu medycznym. W szczególności przesunięcie linii środkowej jest często powiązane ze wzrostem ICP i może być uchwycone na obrazach tomografii komputerowej (CT) mózgu. W związku z tym obrazy te stwarzają możliwość nieinwazyjnego wykrywania podwyższonego ICP, co może służyć jako etap wstępnej przesiewowej oceny przed trepanacją czaszki. Tomografia komputerowa pozostaje złotym standardem w wstępnej ocenie TBI spośród wszystkich innych metod obrazowania, np. MRI, ze względu na wysoką szybkość i stosunkowo niski koszt2. Ponadto badanie CT nie wymaga od pacjenta całkowitego unieruchomienia i posiada zaletę w wykrywaniu poważnych nieprawidłowości, takich jak złamania kości i krwiaki. Chociaż CT jest powszechnie stosowane do wykrywania obrażeń mózgu, przy obecnej technologii przesunięcie linii środkowej nie jest mierzone automatycznie, przez co lekarze muszą oceniać ten istotny czynnik poprzez inspekcję wizualną. Niewłaściwa lub niespójna interpretacja CT jest często związana z naturą ludzkiego systemu wzrokowego i złożoną strukturą mózgu. O ile niewielkie przesunięcia linii środkowej są trudne do zauważenia, o tyle często mają one nieocenioną wartość w ocenie obrażeń mózgu, szczególnie we wczesnych etapach urazu, zanim stan pacjenta ulegnie pogorszeniu. Z drugiej strony, duże przesunięcie linii środkowej sugeruje bardzo wysokie ICP i cięższe TBI. Jednak wizualna analiza obrazów CT i ilościowe przewidywanie poziomu ICP jest dla człowieka zadaniem bardzo wymagającym. Dzięki postępom w zautomatyzowanych technikach obliczeniowych cechy wyodrębniane z obrazów CT, takie jak przesunięcie linii środkowej, objętość krwiaka i tekstura obrazów CT mózgu, mogą być mierzone dokładnie i automatycznie przy użyciu zaawansowanych metod przetwarzania obrazu. Jednak zależność między ICP a przesunięciem linii środkowej, jak również innymi cechami, takimi jak stopień krwawienia czy tekstura obrazów CT, nie została jeszcze zbadana. W niniejszej pracy zaproponowano ramy obliczeniowe do pomiaru przesunięcia linii środkowej oraz innych cech fizjologicznych i anatomicznych na obrazach CT mózgu, a następnie do nieinwazyjnego przewidywania stopnia ICP przy użyciu technik uczenia maszynowego.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
1. Przegląd metodologii
Proponowany schemat analizuje obrazy tomografii komputerowej (CT) mózgu pacjentów z urazowym uszkodzeniem mózgu (TBI), aby automatycznie obliczyć przesunięcie linii środkowej w przypadkach patologicznych, a następnie wykorzystać tę wartość oraz inne wyekstrahowane informacje do przewidzenia ciśnienia wewnątrzczaszkowego (ICP). Rysunek 1 przedstawia schemat całego systemu. Automatyczny pomiar przesunięcia linii środkowej można podzielić na trzy etapy. Po pierwsze, idealna linia środkowa mózgu, t.j. linia środkowa przed urazem, jest wyznaczana za pomocą hierarchicznego wyszukiwania opartego na symetrii czaszki i cechach tkanki3. Po drugie, dla każdego obrazu CT mózgu przeprowadzana jest segmentacja układu komorowego4. Po trzecie, rzeczywista linia środkowa jest szacowana na podstawie zsegmentowanego, zdeformowanego układu komorowego przy użyciu metody dopasowania kształtów5. Następnie, na podstawie wyznaczenia idealnej i rzeczywistej linii środkowej, szacowane jest poziome przesunięcie układu komorowego. Po sukcesywnym oszacowaniu przesunięcia linii środkowej, cechy obejmujące przesunięcie linii środkowej, informacje o teksturze obrazów CT oraz inne dane demograficzne są wykorzystywane do przewidywania ICP. Do modelowania zależności między ICP a wyekstrahowanymi cechami zastosowano algorytmy uczenia maszynowego6.
2. Idealna estymacja linii środkowej
- Ten krok służy do wykrycia przybliżonej idealnej linii środkowej z wykorzystaniem symetrii czaszki. Najpierw, za pomocą progowania obrazu w skali szarości, należy wysegmentować czaszkę z pozostałej zawartości obrazu CT. Następnie wykonuje się pełny przegląd w celu zidentyfikowania kątów obrotu wokół środka masy czaszki. Optymalny kąt obrotu definiuje się jako taki kąt, który maksymalizuje symetrię otrzymanych połówek czaszki. Przybliżona idealna linia środkowa to linia przechodząca przez punkt środka masy, ustawiona pod optymalnym kątem obrotu względem pierwotnego kierunku pionowego obrazu CT.
- Ten krok służy do wykrycia tylnej części falx cerebri oraz przedniego przyczepu falx do krawędzi bruzdy strzałkowej. Krok ten jest wykonywany w celu doprecyzowania zidentyfikowanej przybliżonej idealnej linii środkowej. Najpierw definiuje się dwa prostokąty wyszukiwania, których środki znajdują się w dwóch punktach przecięcia przybliżonej idealnej linii środkowej z calvarium. Następnie empirycznie dobiera się rozmiary prostokątów tak, aby obejmowały one cechy anatomiczne do wykrycia, zgodnie z poniższym opisem. Przedni przyczep falx wykrywa się jako punkt szczytowy grzbietu na calvarium, natomiast falx cerebri wykrywa się jako szarą linię w obszarze tylnym3.
- Ten krok wykorzystuje powyższe wykryte cechy do doprecyzowania położenia idealnej linii środkowej. Po określeniu punktu szczytowego przedniego przyczepu falx oraz punktu w tylnej części falx cerebri położonego najdalej od calvarium, doprecyzowana idealna linia środkowa jest linią łączącą te dwa punkty.
3. Segmentacja komór
- W pierwszej kolejności przeprowadź segmentację niskopoziomową z wykorzystaniem modelu mieszanin gaussowskich (GMM) dla każdego przekroju CT4,7. Obrazy CT można podzielić na 4 typy tkanek: kość/krew, płyn mózgowo-rdzeniowy (CSF), istotę szarą i istotę białą. W celu inicjalizacji modelu mieszanin gaussowskich parametry są szacowane na podstawie wyniku iteracyjnej segmentacji obrazu CT metodą K-średnich. Następnie zastosuj metodę maksymalizacji wiarygodności i oczekiwań (EM), aby iteracyjnie zoptymalizować GMM w celu lepszego odwzorowania obrazu CT. Wynik twardej segmentacji można uzyskać poprzez podział obrazu CT na obszary w oparciu o maksymalne prawdopodobieństwo przynależności każdego piksela do poszczególnych typów obszarów.
- Po niskopoziomowej segmentacji GMM wprowadź dodatkowe ograniczenia do wyniku segmentacji w celu rozpoznania obszarów komór mózgu. Zachowane zostają tylko obszary komór, których rozmiar przekracza określony próg. Zastosuj również ograniczenia dotyczące lokalizacji obszarów komór, wykorzystując ramkę ograniczającą mózg oraz zestaw szablonów komór. Wyodrębnij zestaw szablonów komór z obrazów MR standardowego mózgu, a następnie powiększ go za pomocą dylatacji morfologicznej, aby uwzględnić różnice między poszczególnymi osobnikami oraz przypadki patologiczne.
4. Rzeczywista estymacja linii środkowej
- Wyznacz punkty charakterystyczne na szablonach komór wydobytych z obrazowania MR.
- Przeprowadź dopasowanie kształtów wielu obszarów (Multiple Regions Shape Matching)5,8 pomiędzy wysegmentowanymi komorami a szablonem MR.
- Oszacuj rzeczywistą linię środkową na podstawie zidentyfikowanych punktów charakterystycznych na kształtach komór z wykorzystaniem dopasowania kształtów. Następnie użyj średniej z wartości średnich współrzędnych x dla strony lewej i prawej tych punktów charakterystycznych, aby zdefiniować współrzędną x linii środkowej.
5. Dalsza ekstrakcja cech
- Zmierz objętość krwiaka/krwawienia wewnątrzczaszkowego na podstawie wyników segmentacji z wykorzystaniem modelu mieszanin gaussowskich (GMM) uzyskanych z obrazów CT. Wynik segmentacji może obejmować niewielkie obszary, w tym krew w zatokach żylnych oraz sierp mózgu, jednak zazwyczaj można je pominąć w porównaniu z obszarami krwiaka. Następnie policz liczbę pikseli zaklasyfikowanych jako krew dla każdego przekroju i zsumuj je. Końcowa suma określa objętość krwi pozanaczyniowej w badaniu CT.
- Wyodrębnij cechy teksturalne. Najpierw wybierz sześć okien na każdym obrazie CT, które obejmują istotę szarą i białą, ale omijają krew oraz struktury komór w obrazie CT, patrz Rysunek 6. Następnie wyodrębnij odpowiadające im cechy teksturalne, stosując następujące metody: Gray Level Run length9, analiza histogramu, analiza Fouriera, Dual Tree Complex Wavelet analysis10.
- Zebrano również informacje demograficzne oraz wskaźnik ciężkości obrażeń (Injury Severity Score).
- Wszystkie wyodrębnione cechy z każdego obrazu CT są agregowane w celu reprezentacji całego badania CT. Konkretnie, dla wszystkich wybranych cech należących do danego badania CT, np. cechy ƒ przesunięcia linii środkowej lub cechy teksturalnej, oblicza się wartości min(f), max(f), median(f), mean(f), std(f). Dla cechy ilości krwawienia wewnątrzczaszkowego, oprócz 5 wymienionych powyżej operatorów, dodaje się również sum(f), aby zarejestrować całkowitą objętość krwi.
6. Wyznaczanie ICP
Głównym założeniem szacowania ICP jest zastosowanie technik uczenia maszynowego w celu zbudowania modelu na podstawie zestawu próbek treningowych. Następnie zbudowany model jest oceniany na pozostałych próbkach testowych. Ze względu na wysoką wymiarowość wyodrębnionych cech, w tym tych pochodzących z tomografii komputerowej (CT) i informacji demograficznych, istotna jest selekcja cech w celu usunięcia tych niepowiązanych, co pozwala uzyskać relatywnie prosty, a tym samym stabilny model. W związku z tym w procesie szacowania/przewidywania ICP należy wykonać dwa kroki. Pierwszym jest wybór istotnych cech, które niosą informacje pomocne w przewidywaniu ICP. Drugim krokiem jest wykorzystanie maszyn wektorów nośnych (SVM) jako algorytmu uczenia do opracowania i oceny modelu treningowego. Oprogramowanie takie jak RapidMiner11 jest idealne do tego zadania, ponieważ stanowi bardzo dobrze rozwinięte narzędzie dla większości algorytmów uczenia maszynowego i zapewnia potężne interfejsy do trenowania i oceniania modeli.
- Przeprowadź selekcję cech w dwóch etapach. W pierwszym etapie wykorzystaj kryterium współczynnika przyrostu informacji (information gain ratio), aby wybrać 50 najważniejszych cech. W drugim etapie zastosuj algorytm genetyczny z wykorzystaniem SVM w celu dalszej optymalizacji selekcji cech. Następnie wykorzystaj końcowy zestaw wybranych cech do budowy modelu predykcji ICP w kolejnym kroku.
- Przeprowadź klasyfikację i ewaluację ICP za pomocą technik uczenia maszynowego. Ogólny schemat procesu trenowania i testowania został przedstawiony w programie RapidMiner na Rysunku 8. W celu ewaluacji zastosuj schemat 10-krotnej walidacji krzyżowej jako zewnętrzną warstwę. Aby zbudować model o lepszej zdolności generalizacji i uniknąć przeuczenia do danych treningowych, zagnieźdź kolejną warstwę walidacji krzyżowej wewnątrz każdego folderu treningowego. W tych modułach najpierw zastosuj opisany powyżej proces selekcji cech, a następnie użyj SVM do klasyfikacji z dedykowanym modułem do wyboru parametrów6.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Testowe zestawy danych CT zostały udostępnione przez Carolinas Healthcare System (CHS) za zgodą Institutional Review Board. U wszystkich badanych zdiagnozowano lekki do ciężkiego TBI w momencie pierwszej hospitalizacji. Dla każdego pacjenta wartość ICP była rejestrowana co godzinę za pomocą sond ICP umieszczonych w obszarze komór mózgu, zarówno przed, jak i po wykonaniu skanów CT. Aby powiązać wartość ICP z każdym skanem CT, wyciągnięto średnią z dwóch pomiarów ICP najbliższych czasowi wykonania skanu CT, z których oba m...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
W niniejszym badaniu zaproponowano intuicyjny i elastyczny model mający na celu rozwiązanie dwóch trudnych problemów: szacowania przesunięcia linii środkowej w obrazach CT oraz przewidywania poziomu ICP na podstawie wyekstrahowanych cech. Wyniki oceny potwierdzają skuteczność zaproponowanej metody. Zgodnie z naszą wiedzą, jest to pierwsze systematyczne badanie podejmujące oba te problemy. Zauważamy, że w oparciu o ogólny model możliwe są liczne potencjalne ulepszenia. Na przykład w zaproponowanej segmentacji segmentacja ...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Nie zadeklarowano żadnych konfliktów interesów.
Podziękowania
Materiał ten opiera się na pracy częściowo finansowanej przez National Science Foundation w ramach grantu nr IIS0758410. Dane zostały dostarczone przez Carolinas Healthcare System.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Bibliografia
- Langlois, J. A., Rutland-Brown, W., Thomas, K. E. Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , Centers for Disease Control and Prevention, National Center for Injury Prevention and Control. Atlanta, GA. (2006).
- Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
- Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching. BMC Medical Informatics and Decision Making. 9, Suppl 1. (2009).
- 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).
- 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).
- 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).
- Greenspan, H., Ruf, A., Goldberger, J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images. IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).
- Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
- Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
- Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
