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

Ogólnym celem tego eksperymentu jest wykrycie przesunięć linii środkowej na obrazach tomografii komputerowej mózgu pacjentów z urazowym uszkodzeniem mózgu, a tym samym oszacowanie ciśnienia śródczaszkowego w mózgu. W ramach tego projektu opracowaliśmy metodę obliczeniową do analizy obrazów TK i przewidywania ciśnienia śródczaszkowego lub ICP. Zachętą do tego projektu jest fakt, że w wielu przypadkach, w których ludzie mają urazy głowy, zawsze istnieje podejrzenie, że ICP lub ciśnienie śródczaszkowe może być podwyższone, Więc tomografia komputerowa, możemy ocenić obrzęk mózgu, możemy ocenić krwiaki, możemy ocenić przesunięcia w linii środkowej lub, lub przesunięcia w mózgu, Ale to, czego nie możemy wiarygodnie przewidzieć, to jaki wpływ ma to na ciśnienie śródczaszkowe, poza tym, że ogólnie rzecz biorąc, podnosi je do pewnego stopnia, i tu właśnie pomocne są metody obliczeniowe, nad którymi pracujemy.

Może przewidzieć z rozsądnym poziomem dokładności, jaki wpływ mają zmiany anatomiczne na ciśnienie śródczaszkowe. Powyższy schemat ideowy przedstawia przegląd metodologii zastosowanej w tym badaniu. Komputerowa tomografia osiowa jest bardziej znana pod skróconymi nazwami, tomografia komputerowa lub tomografia komputerowa.

Tomografia komputerowa jest opracowywana na podstawie dużej serii dwuwymiarowych obrazów rentgenowskich wykonanych wokół jednej osi obrotu. W pierwszym kroku naszego podejścia skany tomografii komputerowej pacjentów z urazowymi uszkodzeniami mózgu lub TBI są pozyskiwane i analizowane w celu wykrycia przesunięcia linii środkowej. Następny krok obejmuje ekstrakcję i analizę innych cech, takich jak różne informacje o teksturze obrazów CT i oszacowanie ilości krwi.

Nasze podejście wykorzystuje również wyodrębnione cechy, a także inne informacje demograficzne do przewidywania, że algorytmy uczenia maszynowego ICP są używane do modelowania relacji między ICP a wyodrębnionymi cechami. Przybliżoną idealną linię środkową określa się za pomocą symetrii czaszki. Najpierw przy użyciu progowania skali szarości czaszka jest segmentowana od wycinka obrazu.

Następnie algorytm wyczerpująco przeszukuje każdy kąt obrotu wokół środka masy czaszki, aby znaleźć linię, która maksymalizuje symetrię powstałych połówek czaszki. Przybliżoną idealną linią środkową jest linia przechodząca przez punkt środkowy masy o kącie obrotu. Maksymalizacja symetrii, Wykrycie idealnej linii środkowej na podstawie samej symetrii nie zawsze może zapewnić nam automatycznie znaczące wyniki.

Dlatego w naszej metodzie idziemy o krok dalej, aby znaleźć określone cechy elektroniczne, takie jak teoria tylnego pudełka i przednie przyczepienie lisa, aby doprecyzować lokalizacje linii aminy. Następnie identyfikuje się tylną cerę lisa i przednie przyczepienie lisa do brzegów bruzdy strzałkowej, aby doprecyzować przybliżoną idealną linię środkową, aby szybko i dokładnie wykryć te cechy anatomiczne. Dwa prostokąty przeszukujące są definiowane na podstawie przybliżonej idealnej linii środkowej i jej dwóch punktów przecięcia.

W przypadku kalwarii rozmiar prostokąta jest dobierany tak, aby zawierał cechy anatomiczne, które mają być wykryte. Przyczep lisa przedniego jest wykrywany jako punkt szczytowy grzbietu na kalwarii, podczas gdy cere lisa jest wykrywana jako szara linia w okolicy tylnej. Występ kostny znajduje się w przedniej części czaszki.

Od tego miejsca rozciąga się lisia cery. Ta cecha anatomiczna może być wykorzystana jako punkt wyjścia dla linii środkowej. Można zauważyć, że występ zakrzywia się w dół do lokalnego punktu minimum na przedniej krawędzi lisa.

Jeśli spojrzymy na dolną krawędź kości czaszki jako krzywą na płaszczyźnie obrazu, to krzywą można modelować jako funkcję jednowymiarową. Wykrycie punktu wystania staje się kwestią znalezienia minimum próbkowanej funkcji jednowymiarowej. Po wprowadzeniu górnej segmentowanej kości czaszki, pierwszym krokiem jest wydobycie dolnej krawędzi kości.

Kolejnym krokiem jest wykrycie występu za pomocą lokalnego mini. W tym przypadku minimum lokalne reprezentuje również punkt końcowy występu. Ten schematyczny diagram pokazuje, w jaki sposób wykrywany jest lis w dolnej części mózgu.

Ponieważ celem jest wykrycie w pierwszym kroku jasnoszarych linii, a nie ciemniejszych linii, jako próg używana jest mediana wartości obszaru. Korzystając z tego progu, wszystkie wartości skali szarości poniżej niego są ustawiane jako wartość mediany. Następnie do wygenerowania mapy krawędzi przekroczenia zera używany jest detektor krawędzi.

Pozwala to zachować bogatsze krawędzie podczas wykrywania sobell i umożliwia usunięcie niechcianych krawędzi w następnym kroku. Mapa krawędzi jest następnie dopracowywana krok po kroku przy użyciu znanych cech lisa cere. Odbywa się to najpierw poprzez udoskonalenie mapy krawędzi za pomocą intensywności i gradientu, po czym do jej udoskonalenia wykorzystuje się próg rozmiaru i próg stężenia.

W tym miejscu próg stężenia to nic innego jak gęstość punktów krawędziowych. Na koniec transformacja Hof jest stosowana do wykrywania linii reprezentujących lisa. Sara. Wynikiem transformacji HOF jest zwykle zestaw linii. Dwa.

Należy ustanowić ograniczenia, aby wyodrębnić pożądane linie z tego zestawu. Po pierwsze, kąt linii musi mieścić się w zakresie, w którym linie są skoncentrowane. Zakres ten uzyskuje się poprzez obliczenie statystyk kątów wykrytej linii.

Po drugie, linia musi leżeć w zakresie, w którym skoncentrowane są skupiska linii. Ostateczna idealna linia środkowa na tym etapie jest wybierana jako najdłuższa linia spełniająca powyższe ograniczenia. To zdjęcie przedstawia dwa obszary zainteresowania i dopracowaną idealną linię środkową w oparciu o wewnętrzne występy.

Zielona linia to wyrafinowana idealna linia środkowa, a czerwona linia to przybliżona pozycja idealnej linii środkowej deszczu przed udoskonaleniem. Ten obraz przedstawia model 3D układu komorowego z obecnością wycinka mózgu z rezonansu magnetycznego. Czerwona część obrazu przedstawia układ komorowy w 3D.

Układ komorowy składa się z dwóch obustronnych komór na górze, trzeciej komory pośrodku i czwartej komory na dole. Powodem, dla którego wydobywamy informacje o komorze, jest to, że gdy ciśnienie w mózgu zmienia się z powodu urazu, odkształca się on i dlatego jest odpowiednim kandydatem do pomiaru deformacji tkanki mózgowej i przypadków patologicznych. W kolejnych wycinkach obrazu MRI lub CT układ komorowy pojawia się w różnych kształtach po prawej stronie, pokazane są wyodrębnione kształty układu komorowego z MRI.

Celem segmentacji tomografii komputerowej jest identyfikacja tych kształtów na podstawie oryginalnych skanów tomografii komputerowej. W proponowanej przez nas metodzie proces segmentacji jest podzielony na dwie części. Po pierwsze, stosowana jest początkowa metoda segmentacji niskiego poziomu, aby pogrupować piksele w różne części.

Następnie stosuje się metodę dopasowywania szablonów wysokiego poziomu w celu identyfikacji komór na podstawie wyników podzielonych na segmenty. Ten obraz ilustruje segmentację niskiego poziomu opartą na metodzie mieszaniny Gaussa. Po pierwsze, oryginalne obrazy CT przefiltrowane za pomocą filtrowania mediany.

Wynik jest pokazany na lewym obrazku. Następnie stosuje się algorytm K-średnich w celu uzyskania segmentacji rdzenia. Ten wynik jest pokazany w środku.

Po zastosowaniu algorytmu K-średnich stosuje się metodę gossa i mieszanki. Obraz po prawej stronie przedstawia różne goss i dystrybucje na obrazie 2D, które są inicjowane. Korzystając z oczekiwanej segmentacji, maksymalizacja jest wykorzystywana do ewolucji parametrów i ostatecznie uzyskuje się dostrojony wynik segmentacji.

Układ komorowy w kierunku Z nie wykazuje istotnych różnic w całym zestawie treningowym. W związku z tym odwzorowania można aproksymować za pomocą postaci liniowej. W opisanej tutaj metodzie te mapowania są najpierw inicjowane ręcznie, a następnie optymalizowane przy użyciu zestawu obrazów treningowych.

Istnieją trzy ograniczenia, aby zaakceptować początkową segmentację komory. Po pierwsze, segment musi być stosunkowo duży. Po drugie, segment nie znajduje się blisko krawędzi mózgu.

Po trzecie, segment przecina się z szablonem komory. Rysunki na dole pokazują przykład kroku rozpoznawania komory na podstawie wyników. Można zauważyć, że części komory są pomyślnie rozpoznawane za pomocą ograniczeń rozmiaru, obwiedni i szablonu.

Aby oszacować rzeczywistą linię środkową, najpierw dopasowujemy segmentowane komory do szablonów poprzez dopasowanie kształtu. Ten rysunek przedstawia proces dopasowywania. Najpierw próbkowane są punkty krawędziowe.

Następnie, optymalizując koszt dopasowania dwóch kształtów. Wykonywane są odpowiedniki punktów między tymi dwoma kształtami. Na przykład w drugim wierszu ostatni obraz przedstawia korespondencję przez połączenie czerwonych punktów z jednego kształtu z zielonymi punktami w drugim kształcie.

Ponieważ układ komorowy jest strukturą 3D i ma różne kształty na różnych wycinkach CT, wykonujemy dopasowanie kształtu we wszystkich plasterkach CT. Dla każdego przekroju definiujemy punkty charakterystyczne, które można wykorzystać do oszacowania linii środkowej. Na przykład punkty charakterystyczne w kształtach komór bocznych są wewnętrznymi punktami krawędzi dwóch komór bocznych.

Te punkty funkcji są identyfikowane na podstawie ich zgodności z punktami funkcji w szablonie, które są etykietowane ręcznie przed procesem dopasowywania. Tutaj pokazujemy wiele pasujących wyników, wybierając różne szablony. Dla każdego dopasowania kształtu istnieje koszt dopasowania.

Wybierając minimalny koszt dopasowania, znajdujemy najlepszy szablon do użycia w dopasowaniu kształtu i identyfikujemy punkty charakterystyczne. W tym przykładzie punkty z wyników segmentacji są wyświetlane na zielono, a punkty z szablonów są wyświetlane na czerwono. Porównując koszt dopasowania, widzimy, że pierwszy szablon jest najlepszy do użycia.

Po zidentyfikowaniu punktów charakterystycznych obliczamy współrzędne X tych punktów charakterystycznych. Zazwyczaj punkty charakterystyczne znajdują się po lewej stronie, a punkty charakterystyczne po prawej stronie. Współrzędna X rzeczywistej linii środkowej jest szacowana jako średnia współrzędnej X lewego i prawego punktu charakterystycznego.

Poniżej przedstawiamy cztery wyniki estymacji. Zielona linia pionowa reprezentuje szacowaną współrzędną X rzeczywistej linii środkowej. Szablon meczu jest pokazany w niebieskich punktach.

Zidentyfikowane punkty charakterystyczne są oznaczone kolorem niebieskim. Z wyników widzimy, że oszacowanie rzeczywistej linii środkowej działa bardzo dobrze po oszacowaniu rzeczywistej linii środkowej. Obliczanie przesunięcia poziomej linii środkowej S jest proste.

X idealna to współrzędna X idealnej linii środkowej, a X rzeczywista to współrzędna X szacowanej rzeczywistej linii środkowej. Pokazane tutaj obrazy ilustrują zarówno szacowaną idealną linię środkową, jak i rzeczywistą linię środkową. Oprócz korzystania z przesunięcia linii środkowej, te cechy, które wyodrębniamy, mogą dostarczyć nam dodatkowych informacji w przewidywaniu poziomów ICP.

Główną ideą tego rozwiązania jest wyodrębnienie jak największej liczby cech, a następnie, korzystając z metod wyboru cech, jesteśmy w stanie zachować tylko te cechy, które są istotne w dostarczaniu informacji ICB. Cechy wyodrębnione ze skanów CT obejmują przesunięcie linii środkowej, ilość krwi i wzory tekstury. Funkcje z innych źródeł obejmują informacje demograficzne, takie jak wiek pacjenta, ocena urazu i ocena ciężkości urazu.

Do oznaczania pikseli używany jest algorytm segmentacji oparty na modelu mieszaniny Giana. Piksele są pogrupowane w cztery kategorie: płyn mózgowy we krwi, istota szara i tekstura istoty białej. Wzorce na obrazach TK mogą zawierać wskazówki dotyczące stanu mózgu.

Wysoki poziom ciśnienia międzyczaszkowego może zmienić wzór tekstury. Skupiamy się głównie na wzorcach tekstur w obszarze bez płynu mózgowo-rdzeniowego lub analizy tekstury krwi jest stosowana na małych obrazach podrzędnych lub oknach obrazu CT. Na każdym obrazie CT wybieranych jest sześć okien.

Cechy tekstury są wyodrębniane za pomocą dyskretnej transformacji foer i dyskretnej transformacji falkowej. Krótko mówiąc, jest to, że dostępnych jest tak wiele informacji. Staje się to bardzo problematyczne dla lekarzy, bez względu na to, jak bardzo są doświadczeni, aby przetwarzać wszystkie te sygnały w tym samym czasie.

Tak więc obecny projekt, który ma na celu przyjrzenie się tomografii komputerowej i zautomatyzowanemu obrazowaniu, byłby bardzo przydatny dla lekarzy medycyny ratunkowej i traumatologów, takich jak ja, aby pomóc nam w znacznie szybszym przetwarzaniu tych danych. Zbiór danych obejmuje 17 pacjentów z łagodnymi lub ciężkimi urazami mózgu. Każdy pacjent ma kilka skanów CT, a w sumie w badaniu wykorzystano 57 skanów.

Wartość reprezentująca ciśnienie międzyczaszkowe jest rejestrowana co godzinę. Istnieją dwie kategorie podwyższonego poziomu ICP. ICP definiuje się jako ICP większe niż 12 torów.

W przypadku normalnego ICP definiuje się go jako ICP mniejszy lub równy 12 torów. W tym zbiorze danych znajdują się 33 normalne przypadki i 24 przypadki podwyższonego ICP. W celu stworzenia modelu wykorzystujemy dwa etapy dziesięciokrotnej walidacji krzyżowej.

Pierwszym z nich jest etap zagnieżdżony, w którym dokonywany jest wybór funkcji. W drugim etapie stosuje się metodę wyszukiwania genetycznego, a klasyfikatorem w połączeniu z metodą wyszukiwania jest maszyna wektora nośnego. Na tym obrazie przedstawiono idealne oszacowanie linii środkowej.

Czerwona linia to przybliżona idealna linia środkowa oparta na symetrii czaszki. Po dopracowaniu za pomocą cech anatomicznych mamy lepiej oszacowaną idealną linię środkową, którą jest zielona linia. Na obrazie te obrazy pokazują szacowaną rzeczywistą linię środkową.

Zielone linie to szacowana rzeczywista linia środkowa, a niebieskie punkty to dopasowane szablony. Obraz po prawej stronie przedstawia szacowaną idealną linię środkową na lewo od środka i rzeczywistą linię środkową. Po prawej stronie widzimy wynikowe przesunięcie linii środkowej w stosunku do oszacowania.

W tym miejscu prezentujemy również wyniki ilościowe w ocenie naszych metod. W większości wycinków tomografii komputerowej w naszym zestawie danych błąd między idealną linią środkową oszacowaną przez naszą metodologię a linią środkową oznaczoną przez lekarza wynosi około dwóch pikseli lub jednego milimetra. W przypadku rzeczywistej linii środkowej ponad 80% ma mniej niż 2,25 milimetra różnicy pod warunkiem pewnej kontroli jakości wyników segmentacji.

Ocena przewidywania ciśnienia międzyczaszkowego ma około 70% dokładności przy użyciu dziesięciokrotnej walidacji krzyżowej. Przede wszystkim oddzielamy procesy segmentacji niskiego i wysokiego poziomu. Chociaż ten projekt może skorzystać na włączeniu różnych algorytmów, możemy nie wykorzystać wszystkich informacji w segmentacji niskiego poziomu.

Łącząc segmentację niskiego poziomu i segmentację wysokiego poziomu, możemy uzyskać lepsze wyniki segmentacji. Podążając za tą ideą, możemy użyć metod takich jak segmentacja oparta na modelu lub segmentacja oparta na rejestracji, aby uzyskać lepszą prognozę, a także zapewnić większą ocenę proponowanej metody. Gromadzenie większej liczby zestawów danych Posiadanie większej wielkości próby będzie korzystne dla badania.