Artykuł metodologiczny

Automatyczne przesunięcie linii środkowej i oszacowanie ciśnienia śródczaszkowego na podstawie obrazów tomografii komputerowej mózgu

DOI:

10.3791/3871

⸱

13 kwietnia 2013

 ,  ,  ,  , 
1Department of Biostatistics, Virginia Commonwealth University, 2Virginia Commonwealth University Reanimation Engineering Science (VCURES) Center, 3Department of Computer Science, Virginia Commonwealth University, 4Department of Radiology, Virginia Commonwealth University, 5Department of Emergency Medicine, Virginia Commonwealth University

* These authors contributed equally

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaproponowano zautomatyzowany system szacowania przesunięcia w linii środkowej i wstępnego badania ciśnienia śródczaszkowego (ICP) oparty na obrazach tomografii komputerowej (CT) dla pacjentów z urazowym uszkodzeniem mózgu (TBI) przy użyciu technik przetwarzania obrazów i uczenia maszynowego.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W tym artykule prezentujemy zautomatyzowany system oparty głównie na obrazach tomografii komputerowej (CT), składający się z dwóch głównych elementów: szacowania przesunięcia w linii środkowej i systemu wstępnego badania ciśnienia śródczaszkowego (ICP). Aby oszacować przesunięcie linii środkowej, najpierw przeprowadza się oszacowanie idealnej linii środkowej na podstawie symetrii czaszki i cech anatomicznych w tomografii komputerowej mózgu. Następnie przeprowadzana jest segmentacja komór na podstawie tomografii komputerowej, która służy jako przewodnik do identyfikacji rzeczywistej linii środkowej poprzez dopasowanie kształtu. Procesy te naśladują proces pomiarowy stosowany przez lekarzy i przyniosły obiecujące wyniki w ocenie. W drugim komponencie wyodrębnia się więcej cech związanych z ICP, takich jak informacje o teksturze, ilość krwi ze skanów CT i inne zarejestrowane cechy, takie jak wiek, ocena ciężkości urazu w celu oszacowania ICP. Techniki uczenia maszynowego, w tym wybór i klasyfikacja cech, takie jak maszyny wektorów nośnych (SVM), są wykorzystywane do budowy modelu predykcyjnego przy użyciu RapidMiner. Ocena predykcji wskazuje na potencjalną przydatność modelu. Szacowane idealne przesunięcie linii środkowej i przewidywane poziomy ICP mogą być wykorzystane jako szybki etap wstępnych badań przesiewowych dla lekarzy w celu podjęcia decyzji, aby zalecić lub odrzucić inwazyjne monitorowanie ICP.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Każdego roku w Stanach Zjednoczonych dochodzi do około 1,4 miliona przypadków urazowych urazów mózgu (TBI) związanych z oddziałami ratunkowymi, z czego ponad 50 000 kończysię śmiercią. Ciężkiemu TBI zwykle towarzyszy wzrost ciśnienia śródczaszkowego (ICP) z objawami takimi jak krwiaki i obrzęk tkanki mózgowej. Powodują one zmniejszenie ciśnienia perfuzji mózgowej i przepływu krwi w mózgu, co naraża uszkodzony mózg na dodatkowe ryzyko. Znaczny wzrost ICP może być śmiertelny, dlatego monitorowanie ICP u pacjentów z TBI ma kluczowe znaczenie. Zazwyczaj wymaga to umieszczenia cewników na stałe bezpośrednio w mózgu w celu monitorowania ciśnienia, co jest ryzykowną procedurą dla pacjentów, którą można wykonać tylko w specjalistycznych ośrodkach medycznych. Zabieg wiąże się również z ryzykiem, takim jak infekcja. Jednak niektóre oznaki podwyższonego ICP mogą być zauważalne w obrazowaniu medycznym. W szczególności przesunięcie linii środkowej jest często związane ze wzrostem ICP i może być uchwycone na obrazach tomografii komputerowej mózgu (CT). W związku z tym obrazy te dają możliwość nieinwazyjnego wykrywania podwyższonego ICP, które można wykorzystać jako etap wstępnego badania przesiewowego przed trepanacją czaszki. Obrazowanie CT jest nadal złotym standardem wstępnej oceny TBI spośród wszystkich innych metod obrazowania, np. MRI, ze względu na dużą szybkość i stosunkowo niski koszt2. Co więcej, badanie TK nie wymaga ścisłego unieruchomienia pacjenta i ma tę zaletę, że ujawnia poważne nieprawidłowości, takie jak złamania kości i krwiaki. Chociaż tomografia komputerowa jest powszechnie stosowana do wykrywania urazów mózgu, w oparciu o obecną technologię, przesunięcie linii środkowej nie jest mierzone automatycznie i dlatego lekarze muszą ocenić ten ważny czynnik za pomocą oględzin. Niedokładna lub niespójna interpretacja tomografii komputerowej jest często związana z naturą ludzkiego układu wzrokowego i złożoną strukturą mózgu. Chociaż małe przesunięcia w linii środkowej są nieuchwytne, często są nieocenione w ocenie uszkodzenia mózgu, w szczególności we wczesnych stadiach urazu, zanim stan pacjenta stanie się poważniejszy. Po drugiej stronie spektrum, duże przesunięcie linii środkowej sugeruje bardzo podwyższone ICP i cięższe TBI. Jednak dla ludzi bardzo trudnym zadaniem jest wizualna kontrola obrazów TK i ilościowe przewidywanie poziomu ICP. Dzięki postępom w zautomatyzowanych technikach obliczeniowych cechy wyodrębnione z obrazów CT, takie jak przesunięcie linii środkowej, objętość krwiaka i tekstura obrazów TK mózgu, mogą być mierzone dokładnie i automatycznie przy użyciu zaawansowanych metod przetwarzania obrazu. Jednak związek między ICP a przesunięciem linii środkowej, a także inne cechy, takie jak stopień krwawienia, tekstura z obrazów CT, nie zostały zbadane. W tym artykule zaproponowano ramy obliczeniowe do pomiaru pomiaru przesunięcia linii środkowej, a także innych cech fizjologicznych / anatomicznych na obrazach tomografii komputerowej mózgu, a następnie nieinwazyjnego przewidywania stopnia ICP przy użyciu technik uczenia maszynowego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Przegląd metodologii

Proponowany framework przetwarza obrazy tomografii komputerowej mózgu pacjentów z urazowym uszkodzeniem mózgu (TBI) w celu automatycznego obliczenia przesunięcia linii środkowej w przypadkach patologicznych i wykorzystania go wraz z innymi uzyskanymi informacjami do przewidywania ciśnienia śródczaszkowego (ICP). Rysunek 1 przedstawia schemat ideowy całej struktury. Automatyczny pomiar przesunięcia linii środkowej można podzielić na trzy etapy. Po pierwsze, idealna linia środkowa mózgu, tj. linia środkowa przed urazem, jest znajdowana poprzez hierarchiczne wyszukiwanie oparte na symetrii czaszki i cechach tkanek3. Po drugie, układ komorowy jest podzielony na segmenty dla każdego obrazu TKmózgu 4. Po trzecie, rzeczywistą linię środkową szacuje się na podstawie segmentowego zdeformowanego układu komorowego przy użyciu metody dopasowania kształtu5. Przesunięcie poziome układu komorowego jest następnie szacowane na podstawie oszacowania idealnej linii środkowej i rzeczywistej linii środkowej. Po sukcesywnym oszacowaniu przesunięcia linii środkowej, do przewidywania ICP wykorzystuje się takie cechy, jak przesunięcie linii środkowej, informacje o teksturze obrazów CT, a także inne informacje demograficzne. Algorytmy uczenia maszynowego służą do modelowania relacji między ICP a wyodrębnionymi cechami6.

2. Idealne oszacowanie linii środkowej

  1. Ten krok wykrywa przybliżoną idealną linię środkową za pomocą symetrii czaszki. Po pierwsze, przy użyciu progowania w skali szarości, czaszka musi zostać oddzielona od reszty treści na obrazie CT. Następnie przeprowadź wyczerpujące wyszukiwanie, aby zidentyfikować kąty obrotu wokół środka masy czaszki. Optymalny kąt obrotu definiuje się jako kąt, który maksymalizuje symetrię powstałych połówek czaszki. Przybliżona idealna linia środkowa to linia przechodząca przez punkt środkowy masy i ma optymalny kąt obrotu w stosunku do pierwotnego kierunku pionowego obrazu CT.
  2. Ten krok wykrywa przyczepienie sierpa mózgu tylnego i sierpa przedniego do brzegów bruzdy strzałkowej. Ten krok jest wykonywany w celu doprecyzowania zidentyfikowanej przybliżonej idealnej linii środkowej. Najpierw zdefiniuj dwa prostokąty wyszukiwania wyśrodkowane w dwóch punktach przecięcia między przybliżoną idealną linią środkową a kalwarią. Następnie empirycznie wybierz rozmiary prostokątów, tak aby obejmowały one cechy anatomiczne, które mają zostać wykryte, jak wyjaśniono poniżej. Przyczep sierpa przedniego jest wykrywany jako punkt szczytowy grzbietu na kalwarii, a sierp mózgu jest wykrywany jako szara linia w tylnym obszarze3.
  3. W tym kroku wykorzystano cechy wykryte powyżej, aby doprecyzować idealną pozycję linii środkowej. Po określeniu punktu szczytowego przyczepu sierpa przedniego i najdalszego punktu w tylnym sierpa mózgu od kości nazębnej, wyrafinowaną idealną linią środkową jest linia łącząca te dwa punkty.

3. Segmentacja komór

  1. Najpierw zastosuj segmentację niskiego poziomu przy użyciu modelu mieszaniny Gaussa (GMM) dla każdego wycinka CT4,7. Obrazy CT można podzielić na 4 rodzaje tkanek: kość/krew, płyn mózgowo-rdzeniowy (CSF), istota szara i istota biała. W przypadku inicjalizacji modelu mieszaniny Gaussa parametry są szacowane na podstawie iteracyjnego wyniku segmentacji K-średnich obrazu CT. Następnie użyj metody maksymalizacji oczekiwań (EM), aby iteracyjnie zoptymalizować GMM, aby lepiej odwzorować obraz CT. Wynik twardej segmentacji można uzyskać, dzieląc obraz CT na regiony w oparciu o maksymalne prawdopodobieństwo członkostwa, że każdy piksel należy do różnych typów regionów.
  2. Po segmentacji niskiego poziomu GMM należy zastosować dalsze ograniczenia dotyczące wyniku segmentacji w celu rozpoznania regionów komorowych. Zachowywane są tylko obszary komorowe o wielkości powyżej pewnego progu. Zastosuj również ograniczenia dotyczące lokalizacji obszarów komorowych, korzystając z obwiedni mózgu i zestawu szablonów komór. Wyodrębnij zestaw szablonów komór ze standardowych obrazów MR mózgu, a następnie powiększ go za pomocą rozszerzenia morfologicznego, aby uwzględnić różnice między różnymi osobami i przypadkami patologicznymi.

4. Rzeczywiste oszacowanie linii środkowej

  1. Określ punkty charakterystyczne na szablonach komór wyodrębnionych z MR.
  2. Wykonaj dopasowanie kształtu wielu regionów5,8 między segmentowanymi komorami a szablonem MR.
  3. Oszacuj rzeczywistą linię środkową na podstawie zidentyfikowanych punktów charakterystycznych na kształtach komór przy użyciu dopasowywania kształtów. Następnie użyj średniej z lewej strony i średniej z prawej strony współrzędnych x tych punktów charakterystycznych, aby zdefiniować współrzędną x linii środkowej.

5. Więcej wyodrębnień funkcji

  1. Zmierz objętość krwiaka wewnątrzczaszkowego/krwawienia na podstawie wyników segmentacji modelu mieszaniny Gaussa (GMM) uzyskanych z obrazów CT. Wynik segmentacji może obejmować małe obszary, w tym krew w zatokach żylnych i sierp mózgu, ale zwykle można je pominąć w porównaniu z obszarami krwiaka. Następnie policz liczbę pikseli sklasyfikowanych jako krew dla każdego plasterka i zsumuj je. Ostateczna suma określa ilościowo objętość krwi wynaczynionej w badaniu CT.
  2. Wyodrębnianie elementów tekstury. Najpierw wybierz sześć okien na każdym obrazie TK, które przechwytują istotę szarą i białą, ale unikaj struktury krwi i komór na obrazie TK, patrz rysunek 6. Następnie wyodrębnij odpowiednie cechy tekstury przy użyciu następujących metod: Poziom szarości Długość przebiegu9, Analiza histogramu, Analiza Fouriera, Analiza falkowa kompleksu Dual Tree10.
  3. Zbierane są również informacje demograficzne i ocena ciężkości urazu.
  4. Wszystkie wyodrębnione cechy każdego obrazu TK są agregowane w celu przedstawienia całego badania TK. W szczególności min(f), max(f), mediana(f), średnia(f), std(f) są obliczane spośród wszystkich wybranych cech należących do danego badania TK, np. cechy ƒ przesunięcia linii środkowej lub cechy tekstury. W przypadku funkcji ilości krwotoku śródczaszkowego, oprócz 5 operatorów wymienionych powyżej, dodaje się również sum(f) w celu zarejestrowania całkowitej objętości krwi.

6. Oszacowanie ICP

Główną ideą szacowania ICP jest zastosowanie technik uczenia maszynowego do zbudowania modelu opartego na zestawie próbek treningowych. Następnie zbudowany model jest oceniany na pozostałych próbkach testowych. Ze względu na duży wymiar wyodrębnionych cech, w tym tych pochodzących ze skanów CT i informacji demograficznych, wybór cech jest ważny w celu usunięcia niepowiązanych cech w celu uzyskania stosunkowo prostego, a więc stabilnego modelu. W związku z tym istnieją dwa kroki, które należy wykonać w celu oszacowania/prognozowania ICP. Najpierw wybierz względne cechy, które są pouczające w przewidywaniu ICP. Drugim krokiem jest użycie maszyn wektorów nośnych (SVM) jako algorytmu uczenia się do opracowania i oceny modelu treningowego. Oprogramowanie takie jak RapidMiner11 jest idealne do tego zadania, ponieważ jest bardzo dobrze rozwiniętym narzędziem dla większości algorytmów uczenia maszynowego i zapewnia bardzo wydajne interfejsy do trenowania i oceny modeli.

  1. Wyboru funkcji należy dokonać w dwóch etapach. Najpierw użyj kryterium współczynnika zysku informacji w pierwszym etapie, aby wybrać 50 najlepszych cech. W drugim etapie użyj algorytmu genetycznego zawierającego SVM, aby jeszcze bardziej zoptymalizować wybór funkcji. Następnie użyj końcowego zestawu wybranych funkcji, aby zbudować model przewidywania ICP w następnym kroku.
  2. Przeprowadzaj klasyfikację i ocenę ICP za pomocą technik uczenia maszynowego. Diagram najwyższego poziomu szkolenia i testowania jest pokazany w RapidMiner na rysunku 8. Zastosuj 10-krotny schemat walidacji krzyżowej jako najbardziej zewnętrzną warstwę oceny. Aby zbudować model z lepszą generalizacją i uniknąć nadmiernego dopasowania do danych treningowych, zagnieżdż kolejną warstwę walidacji krzyżowej w każdym fałdzie treningowym. W tych modułach najpierw zastosuj opisany powyżej proces wyboru funkcji, a następnie użyj maszyny SVM do klasyfikacji z własnym modułem wyboru parametrów6.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zestawy danych testowych CT zostały dostarczone przez Carolinas Healthcare System (CHS) na podstawie zatwierdzenia przez Institutional Review Board. U wszystkich pacjentów zdiagnozowano łagodne lub ciężkie TBI przy pierwszym przyjęciu do szpitala. Dla każdego pacjenta wartość ICP była rejestrowana co godzinę za pomocą sond ICP wewnątrz komory zarówno przed, jak i po uzyskaniu tomografii komputerowej. Aby powiązać wartość ICP z każdym skanem CT, należy uśrednić dwa najbliższe pomiary ICP do czasu tomografii komputerowej, ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W tym badaniu zaproponowano intuicyjną i elastyczną ramę w celu rozwiązania dwóch trudnych problemów: oszacowania przesunięcia linii środkowej w obrazach TK oraz przewidywania poziomu ICP na podstawie wyodrębnionych cech. Wyniki oceny wskazują na skuteczność proponowanej metody. O ile nam wiadomo, jest to pierwszy raz systematycznego badania poświęconego tym dwóm problemom. Zauważamy, że w oparciu o ogólne ramy istnieje wiele potencjalnych ulepszeń, które można osiągnąć. Na przykład w proponowanej segmentacji segmentacja...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nie stwierdzono konfliktu interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Materiał oparty jest na pracy częściowo wspieranej 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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
  9. Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
  10. Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
  11. 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

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Szacowanie przesuni cia linii rodkowejanaliza TK m zguwykrywanie linii rodkowej w oparciu o symetrisegmentacja kom r m zguekstrakcja cech teksturyklasyfikacja za pomoc maszyn wektor w wspieraj cychmetody wyboru cechsystem wst pnej oceny ICPocena urazowych obra e m zgu

Powiązane artykuły