Name: Automatyczne przesunięcie linii środkowej i oszacowanie ciśnienia śródczaszkowego na podstawie obrazów tomografii komputerowej mózgu (Wideo) | JoVE Journal
Uploaded: 2013-04-13T14:00:00.000+00:00
Duration: 14 min 8 s
Description: Poznaj automatyczną metodę szacowania przesunięcia linii środkowej i ciśnienia śródczaszkowego na podstawie obrazów CT mózgu u pacjentów z urazem czaszkowo-mózgowym. Wykorzystuje przetwarzanie obrazu i uczenie maszynowe.

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

Materiał ten opiera się na pracy częściowo finansowanej przez National Science Foundation w ramach grantu nr IIS0758410. Dane zostały dostarczone przez Carolinas Healthcare System.

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
<ol>
 <li>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.</li>
 <li>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.</li>
 <li>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.</li>
</ol>
3. Segmentacja komór
<ol>
 <li>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.
 </li>
 <li>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. </li>
</ol>
4. Rzeczywista estymacja linii środkowej
<ol>
 <li>Wyznacz punkty charakterystyczne na szablonach komór wydobytych z obrazowania MR.</li>
 <li>Przeprowadź dopasowanie kształtów wielu obszarów (Multiple Regions Shape Matching)5,8 pomiędzy wysegmentowanymi komorami a szablonem MR.</li>
 <li>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.</li>
</ol>
5. Dalsza ekstrakcja cech
<ol>
 <li>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.</li>
 <li>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.</li>
 <li>Zebrano również informacje demograficzne oraz wskaźnik ciężkości obrażeń (Injury Severity Score).</li>
 <li>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.</li>
</ol>
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.
<ol>
 <li>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.</li>
 <li>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.</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>

Nie zadeklarowano żadnych konfliktów interesów.

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 ...

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.

zautomatyzowana ocena przesunięcia linii środkowej i szacowanie ciśnienia wewnątrzczaszkowego na podstawie obrazów tomografii komputerowej mózgu

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

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.

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...

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.

Zautomatyzowana ocena przesunięcia linii środkowej i szacowanie ciśnienia wewnątrzczaszkowego na podstawie obrazów tomografii komputerowej mózgu

W niniejszej pracy przedstawiamy zautomatyzowany system oparty głównie na obrazach tomografii komputerowej (TK), składający się z dwóch głównych komponentów: przesunięcia linii środkowej...

Ogólnym celem tego eksperymentu jest wykrywanie przesunięć linii środkowej na obrazach tomografii komputerowej (CT) mózgu pacjentów z urazowym uszkodzeniem mózgu, a tym samym szacowanie ciśnienia wewnątrzczaszkowego w obrębie mózgu. W ramach tego projektu opracowaliśmy metodę obliczeniową do analizy obrazów CT i przewidywania ciśnienia wewnątrzczaszkowego, czyli ICP. Impulsem do realizacji tego projektu jest fakt, że w wielu przypadkach urazów głowy zawsze istnieje podejrzenie, że ICP lub ciśnienie wewnątrzczaszkowe może być podwyższone. Za pomocą CT możemy ocenić obrzęk mózgu, krwiaki oraz przesunięcia linii środkowej lub przesunięcia tkanki mózgowej, jednak nie jesteśmy w stanie wiarygodnie przewidzieć, jaki wpływ ma to na ciśnienie wewnątrzczaszkowe, poza ogólną wiedzą, że podnosi je do pewnego stopnia; i właśnie tutaj pomocne są opracowane przez nas metody obliczeniowe.Może ono z rozsądnym poziomem dokładności przewidzieć, jaki dokładnie wpływ mają zmiany anatomiczne na ciśnienie wewnątrzczaszkowe. Ten schemat przedstawia ogólny opis metodologii zastosowanej w niniejszym badaniu. Tomografia komputerowa jest częściej znana pod swoimi skróconymi nazwami: CT lub CAT.Skanowanie CT jest opracowywane na podstawie dużej serii dwuwymiarowych obrazów rentgenowskich wykonanych wokół jednej osi obrotu. W pierwszym kroku naszej metody pozyskiwane i analizowane są skany CT pacjentów z urazowymi obrażeniami mózgu (TBI), aby wykryć przesunięcie linii środkowej. Kolejny krok obejmuje ekstrakcję i analizę innych cech, takich jak różne informacje o teksturze obrazów CT oraz szacowanie ilości krwi.Nasze podejście wykorzystuje również wyekstrahowane cechy oraz inne informacje demograficzne do przewidywania ICP; do modelowania zależności między ICP a wyekstrahowanymi cechami zastosowano algorytmy uczenia maszynowego. Przybliżona idealna linia pośrodkowa jest wykrywana z wykorzystaniem symetrii czaszki. W pierwszej kolejności, za pomocą progowania skali szarości, czaszka zostaje wysegmentowana z przekroju obrazu.Następnie algorytm w sposób wyczerpujący przeszukuje każdy kąt obrotu wokół środka masy czaszki, aby znaleźć linię, która maksymalizuje symetrię wynikających z tego połówek czaszki. Przybliżona idealna linia środkowa to linia przechodząca przez punkt środka masy z zastosowaniem danego kąta obrotu. Przy maksymalizacji symetrii wykrywanie idealnej linii środkowej w oparciu wyłącznie o symetrię może nie zawsze dostarczać automatycznie znaczących wyników.Dlatego w naszej metodzie wykonujemy dodatkowy krok, aby zidentyfikować specyficzne cechy elektroniczne, takie jak posterior box theory oraz anterior fox attachment, w celu doprecyzowania lokalizacji linii aminowej. Następnie identyfikuje się posterior fox cere oraz anterior fox attachment względem krawędzi bruzdy pośrodkowej, aby doprecyzować przybliżoną idealną linię środkową, co pozwala na szybkie i dokładne wykrycie tych cech anatomicznych. Po drugie, na podstawie przybliżonej idealnej linii środkowej oraz dwóch jej punktów przecięcia definiuje się dwa prostokąty wyszukiwania.W przypadku sklepienia czaszki rozmiar prostokąta dobiera się tak, aby objął cechy anatomiczne przeznaczone do wykrycia. Przednie przyczepy lisa są wykrywane jako najwyższy punkt grzbietu na sklepieniu czaszki, natomiast wosk lisa jest wykrywany jako szara linia w obszarze tylnym. W przedniej części czaszki znajduje się wypukłość kostna.Fox cery rozciąga się od tego punktu. Ta cecha anatomiczna może służyć jako punkt wyjścia dla linii środkowej. Widać, że wypukłość zakrzywia się w dół do punktu lokalnego minimum na przedniej krawędzi foxera.Jeśli dolną krawędź kości czaszki potraktujemy jako krzywą na płaszczyźnie obrazu, to krzywą tę można zamodelować jako funkcję jednowymiarową. Wykrycie punktu wystającego sprowadza się wówczas do znalezienia minimum próbkowanej funkcji jednowymiarowej. Mając do dyspozycji górną segmentowaną kość czaszki, pierwszym krokiem jest wyodrębnienie dolnej krawędzi kości.Kolejny krok obejmuje detekcję wypukłości z wykorzystaniem lokalnego minimum. W tym przypadku lokalne minimum reprezentuje również punkt końcowy wypukłości. Ten schemat pokazuje, w jaki sposób wykrywana jest wypukłość w dolnej części mózgu.Ponieważ celem pierwszego etapu jest wykrycie jasnoszarych linii, a nie linii ciemniejszych, jako próg wykorzystuje się wartość mediany obszaru. Przy zastosowaniu tego progu wszystkie wartości skali szarości znajdujące się poniżej tej wartości zostają ustawione na wartość mediany. Następnie wykorzystuje się detektor krawędzi przejścia przez zero w celu wygenerowania mapy krawędzi.Pozwala to na zachowanie wyraźniejszych krawędzi podczas detekcji Sobela i umożliwia usunięcie niepożądanych krawędzi w następnym kroku. Następnie mapa krawędzi jest sukcesywnie dopracowywana z wykorzystaniem znanych cech móżdżku lisa. W pierwszej kolejności odbywa się to poprzez udoskonalenie mapy krawędzi z użyciem intensywności i gradientu, po czym do jej doprecyzowania stosuje się próg wielkości oraz próg koncentracji.W tym przypadku próg koncentracji jest niczym innym jak gęstością punktów krawędzi. Na koniec zastosowano transformatę Hougha w celu wykrycia linii reprezentujących lis.Sarah. Wynikiem transformaty HOF jest zazwyczaj zestaw linii.Two.Należy określić ograniczenia, aby wyodrębnić pożądane linie z tego zbioru. Po pierwsze, kąt nachylenia linii musi mieścić się w zakresie, w którym linie są skoncentrowane. Zakres ten uzyskuje się poprzez obliczenie statystyk kątów wykrytych linii.Po drugie, linia musi znajdować się w zakresie, w którym skoncentrowane są skupiska linii. Ostateczna idealna linia środkowa na tym etapie jest wybierana jako najdłuższa z linii spełniających powyższe ograniczenia. Ten obraz przedstawia dwa obszary zainteresowania oraz doprecyzowaną idealną linię środkową opartą na wewnętrznych wypustkach.Zielona linia to doprecyzowana idealna linia środkowa, a czerwona linia to przybliżone położenie idealnej linii środkowej mózgu przed doprecyzowaniem. Obraz ten przedstawia model 3D układu komorowego wraz z przekrojem mózgu z rezonansu magnetycznego (MRI). Czerwona część obrazu reprezentuje układ komorowy w 3D.Układ komorowy składa się z dwóch bocznych komór u góry, trzeciej komory w części środkowej oraz czwartej komory u dołu. Informacje na temat komory są pozyskiwane, ponieważ w przypadku zmiany ciśnienia wewnątrz mózgu spowodowanej urazem, ulega ona odkształceniu, co czyni ją odpowiednim obiektem do pomiaru deformacji tkanki mózgowej oraz analizy przypadków patologicznych. Na kolejnych przekrojach obrazów MRI lub CT układ komorowy przyjmuje różne kształty; po prawej stronie przedstawiono wyekstrahowane kształty układu komorowego z obrazu MRI.Celem segmentacji CT jest zidentyfikowanie tych kształtów na oryginalnych skanach CT. W proponowanej przez nas metodzie proces segmentacji jest podzielony na dwie części. Najpierw stosowana jest wstępna metoda segmentacji niskopoziomowej w celu pogrupowania pikseli w różne części.Następnie zastosowano metodę dopasowania wzorca wysokiego poziomu w celu identyfikacji komór mózgu na podstawie wyników segmentacji. Przedstawiony obraz ilustruje niskopoziomową segmentację opartą na metodzie mieszanek Gaussa. W pierwszej kolejności oryginalne obrazy CT poddano filtrowaniu za pomocą filtra medianowego.Wynik przedstawiono na lewym obrazie. Następnie zastosowano algorytm K-średnich w celu uzyskania segmentacji rdzenia. Wynik ten pokazano na środku.Po zastosowaniu algorytmu K-średnich wykorzystywana jest metoda goss i mieszanin. Obraz po prawej stronie przedstawia zainicjowane, odmienne rozkłady i wartości goss na obrazie 2D. Z wykorzystaniem tej samej segmentacji stosuje się metodę maksymalnej wiarygodności (expectation maximization) w celu ewolucji parametrów, co pozwala na uzyskanie ostatecznego, dostrojonego wyniku segmentacji.Układ komorowy w kierunku Z nie wykazuje znaczących różnic w całym zbiorze treningowym. W związku z tym odwzorowania można przybliżyć za pomocą formy liniowej. W opisanej tutaj metodzie odwzorowania te są najpierw inicjowane ręcznie, a następnie optymalizowane przy użyciu zestawu obrazów treningowych.Istnieją trzy warunki akceptacji wstępnej segmentacji komór. Po pierwsze, segment musi być stosunkowo duży. Po drugie, segment nie może znajdować się blisko krawędzi mózgu.Po trzecie, segment przecina szablon komory. Rysunki na dole przedstawiają przykład etapu rozpoznawania komory z uzyskanych wyników. Można zauważyć, że części komory zostały pomyślnie rozpoznane przy użyciu ograniczeń dotyczących rozmiaru, ramki ograniczającej oraz szablonu.Aby oszacować rzeczywistą linię środkową, w pierwszej kolejności dopasowujemy segmentowane komory do szablonów za pomocą dopasowania kształtów. Rysunek ten przedstawia proces dopasowywania. Najpierw próbkowane są punkty krawędzi.Następnie, poprzez optymalizację kosztu dopasowania dwóch kształtów, wyznaczane są odpowiedniości punktów pomiędzy nimi. Na przykład w drugim rzędzie ostatni obraz przedstawia odpowiedniość poprzez połączenie czerwonych punktów jednego kształtu z zielonymi punktami drugiego kształtu.Ponieważ układ komorowy jest strukturą 3D i przyjmuje różne kształty na poszczególnych przekrojach TK, przeprowadzamy dopasowanie kształtu na wszystkich przekrojach TK. Dla każdego przekroju definiujemy punkty charakterystyczne, które mogą posłużyć do oszacowania linii środkowej. Na przykład punktami charakterystycznymi w kształtach komór bocznych są punkty krawędzi wewnętrznej obu komór bocznych.Punkty charakterystyczne te są identyfikowane na podstawie ich zgodności z punktami charakterystycznymi na szablonie, które są etykietowane ręcznie przed procesem dopasowania. Poniżej przedstawiamy wiele wyników dopasowania uzyskanych przy wyborze różnych szablonów. Dla każdego dopasowania kształtu przypisany jest koszt dopasowania.Wybierając minimalny koszt dopasowania, znajdujemy najlepszy szablon do wykorzystania w dopasowaniu kształtów i identyfikacji punktów charakterystycznych. W tym przykładzie punkty z wyników segmentacji są przedstawione kolorem zielonym, a punkty z szablonów kolorem czerwonym. Porównując koszt dopasowania, możemy zauważyć, że pierwszy szablon jest najlepszym wyborem.Po zidentyfikowaniu punktów charakterystycznych obliczamy ich współrzędne X. Zazwyczaj punkty charakterystyczne znajdują się po stronie lewej i prawej. Współrzędna X rzeczywistej linii środkowej jest szacowana jako średnia współrzędnych X lewych i prawych punktów charakterystycznych.Przedstawiamy tutaj cztery wyniki szacowania. Zielona pionowa linia reprezentuje oszacowaną współrzędną X rzeczywistej linii środkowej. Szablon dopasowania został pokazany za pomocą niebieskich punktów.Zidentyfikowane punkty charakterystyczne są zaznaczone na niebiesko. Z wyników wynika, że szacowanie rzeczywistej linii środkowej przebiega bardzo pomyślnie po jej wstępnym wyznaczeniu. Obliczenie poziomego przesunięcia linii środkowej S jest proste.X ideal to współrzędna X idealnej linii środkowej, a X actual to współrzędna X oszacowanej rzeczywistej linii środkowej. Przedstawione tutaj obrazy ilustrują zarówno oszacowaną idealną linię środkową, jak i linię rzeczywistą. Poza wykorzystaniem przesunięcia linii środkowej, cechy te, które wyodrębniamy, mogą dostarczyć nam dodatkowych informacji w przewidywaniu poziomów ICP.Głównym założeniem tej metody jest wyodrębnienie jak największej liczby cech, a następnie, przy użyciu metod selekcji cech, zachowanie tylko tych, które są istotne dla dostarczenia informacji o ICB. Cechy wyodrębnione z tomografii komputerowej obejmują przesunięcie linii środkowej, ilość krwi oraz wzorce tekstury. Cechy z innych źródeł obejmują dane demograficzne, takie jak wiek pacjenta, punktacja urazowa (trauma score) oraz wskaźnik ciężkości obrażeń (injury severity score).Do etykietowania pikseli wykorzystano algorytm segmentacji oparty na modelu mieszanin gaussowskich. Piksele pogrupowano w cztery kategorie: krew, płyn mózgowo-rdzeniowy, istotę szarą oraz teksturę istoty białej. Wzorce w obrazach CT mogą zawierać informacje o stanie mózgu.Wysoki poziom ciśnienia wewnątrzczaszkowego może zmienić wzorzec tekstury. Skupiamy się głównie na wzorcach tekstury w obszarze pozbawionym płynu mózgowo-rdzeniowego lub analiza tekstury krwi jest stosowana do małych podobrazów bądź okien obrazu CT. W każdym obrazie CT wybieranych jest sześć okien.Cechy teksturalne są ekstrahowane przy użyciu dyskretnej transformaty Fouriera oraz dyskretnej transformaty falkowej. W skrócie oznacza to, że dostępna jest ogromna ilość informacji. Przetworzenie wszystkich tych sygnałów jednocześnie staje się bardzo problematyczne dla lekarzy, niezależnie od ich doświadczenia.Obecny projekt, którego celem jest analiza tomografii komputerowej oraz wprowadzenie zautomatyzowanego obrazowania, byłby niezwykle przydatny dla lekarzy medycyny ratunkowej i traumatologów, takich jak ja, pomagając nam znacznie szybciej przetwarzać te dane. Zbiór danych obejmuje 17 pacjentów z urazami czaszkowo-mózgowymi o stopniu od lekkiego do ciężkiego. W przypadku każdego pacjenta wykonano kilka badań CT, co łącznie daje 57 skanów wykorzystanych w badaniu.Wartość reprezentująca ciśnienie wewnątrzczaszkowe jest rejestrowana co godzinę. Wyróżnia się dwie kategorie podwyższonego poziomu ICP. ICP definiuje się jako ciśnienie wewnątrzczaszkowe przekraczające 12 tor.W przypadku prawidłowego ICP, definiuje się je jako ICP mniejsze lub równe 12 tor. W tym zbiorze danych znajduje się 33 przypadki prawidłowe oraz 24 przypadki podwyższonego ICP. W celu stworzenia modelu zastosowano dwustopniową dziesięciokrotną walidację krzyżową.Pierwszy etap jest etapem zagnieżdżonym, w którym przeprowadza się selekcję cech. W drugim etapie stosowana jest genetyczna metoda przeszukiwania, a klasyfikatorem wykorzystywanym w połączeniu z tą metodą jest maszyna wektorów nośnych. Ten obraz przedstawia idealną estymację linii środkowej.Czerwona linia przedstawia przybliżoną idealną linię środkową wyznaczoną na podstawie symetrii czaszki. Po doprecyzowaniu z wykorzystaniem cech anatomicznych otrzymaliśmy dokładniejszą szacunkową idealną linię środkową, oznaczoną kolorem zielonym. Na obrazach przedstawiono szacowaną rzeczywistą linię środkową.Zielone linie reprezentują szacowaną rzeczywistą linię środkową, a niebieskie punkty są dopasowanymi szablonami. Obraz po prawej stronie przedstawia szacowaną idealną linię środkową po lewej stronie środka oraz rzeczywistą linię środkową. Po prawej stronie widoczne jest wynikowe przesunięcie linii środkowej wynikające z szacowania.Przedstawiamy tutaj również wyniki ilościowe z oceny naszych metod. W większości przekrojów CT w naszym zbiorze danych błąd między idealną linią środkową oszacowaną za pomocą naszej metodologii a liniami środkowymi oznaczonymi przez lekarza wynosi około dwóch pikseli lub jednego milimetra. W przypadku rzeczywistej linii środkowej, przy zachowaniu określonej kontroli jakości wyników segmentacji, ponad 80% wykazuje różnicę mniejszą niż 2,25 milimetra.Ocena przewidywania ciśnienia wewnątrzczaszkowego charakteryzuje się dokładnością na poziomie około 70% przy zastosowaniu dziesięciokrotnej walidacji krzyżowej. Przede wszystkim rozdzieliliśmy procesy segmentacji niskiego i wysokiego poziomu. Chociaż taka konstrukcja może przynieść korzyści dzięki włączeniu różnych algorytmów, możemy nie wykorzystać w pełni wszystkich informacji zawartych w segmentacji niskiego poziomu.Poprzez połączenie segmentacji niskiego poziomu z segmentacją wysokiego poziomu możemy uzyskać lepsze wyniki segmentacji. Kierując się tą ideą, możemy zastosować metody takie jak segmentacja oparta na modelu lub segmentacja oparta na rejestracji w celu poprawy predykcji, a także w celu przeprowadzenia szerszej ewaluacji proponowanej metody. Zebranie większej liczby zbiorów danych w celu zwiększenia wielkości próby przyniesie korzyści dla badania.

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

Research

JoVE Journal

Medicine

Medycyna

Zautomatyzowane przesunięcie środka i estymacja ciśnienia wewnątrzczaszkowego na podstawie obrazów CT mózgu

W niniejszym artykule opisano techniki wykonywania funkcjonalnego obrazowania rezonansu magnetycznego o wysokiej rozdzielczości z próbkowaniem 1,2 mm w obrębie ludzkiego śródmózwia i struktur podkorowych przy użyciu skanera 3T. Jako przykład przedstawiono zastosowanie tych technik do opracowania map topograficznych stymulacji wzrokowej w ludzkim wzgórzu górnym (SC).

Metody funkcjonalnego obrazowania rezonansem magnetycznym o wysokiej rozdzielczości dla ludzkiego śródmózgowia

Lesion Explorer (LE) to półautomatyczny potok przetwarzania obrazów opracowany w celu uzyskania objętości regionalnej tkanki mózgowej i podkorowej hiperintensywności zmian ze strukturalnego rezonansu magnetycznego choroby Alzheimera i zdrowych osób starszych.  Aby zapewnić wysoki poziom dokładności i niezawodności, poniżej znajduje się prowadzony przez wideo, ustandaryzowany protokół dla ręcznych procedur LE.

Lesion Explorer: Ustandaryzowany protokół z przewodnikiem wideo do dokładnej i niezawodnej wolumetrii pochodzącej z MRI u osób z chorobą Alzheimera i zdrowymi osobami w podeszłym wieku

Opisujemy kroki, które należy wykonać, aby korzystać z naszego specjalnie zaprojektowanego oprogramowania do integracji, wizualizacji i planowania obrazów w chirurgii epilepsji.

Ścieżka rozwoju integracji obrazów 3D multimodalnych i planowania wspomaganego komputerowo w chirurgii padaczki

Jednoczesna ocena hemodynamiki mózgu mózgu i właściwości rozpraszania światła w tkance mózgowej szczura in vivo jest demonstrowana przy użyciu konwencjonalnego wielospektralnego systemu obrazowania odbicia rozproszonego.

Jednoczesna ocena właściwości hemodynamiki mózgu i rozpraszania światła w mózgu szczura in vivo za pomocą wielospektralnego obrazowania odbicia rozproszonego

Opisano metodę rejestrowania sygnałów monitorowania multimodalności u pacjentów z ciężkimi urazami mózgu przy użyciu techniki pojedynczego otworu przy łóżku pacjenta.

Przyłóżkowe, z pojedynczym otworem do monitorowania multimodalnego w ciężkim uszkodzeniu mózgu

Dostępny tutaj jest praktyczny samouczek dla ogólnodostępnego, ustandaryzowanego potoku przetwarzania obrazów w celu mapowania objawów zmian chorobowych. Dla każdego etapu przetwarzania dostępny jest przewodnik krok po kroku, od ręcznej segmentacji zawału w tomografii komputerowej/rezonansie magnetycznym po późniejszą rejestrację w standardowej przestrzeni, wraz z praktycznymi zaleceniami i ilustracjami z przykładowymi przypadkami.

Segmentacja zawału mózgu i rejestracja w rezonansie magnetycznym lub tomografii komputerowej w celu mapowania objawów zmian

Pomimo kluczowej roli splotu naczyniówkowego w mózgu, badania neuroobrazowe tej struktury są rzadkie z powodu braku niezawodnych narzędzi do automatycznej segmentacji. Obecny protokół ma na celu zapewnienie złotego standardu ręcznej segmentacji splotu naczyniówkowego, która może stanowić podstawę przyszłych badań neuroobrazowych.

Ręczna segmentacja ludzkiego splotu naczyniówkowego za pomocą rezonansu magnetycznego mózgu

Przezczaszkowe ultrasonografie to niezbędne narzędzie do monitorowania pacjentów z różnymi schorzeniami neurologicznymi. Chociaż jest powszechnie stosowany w sposób protokolarny w badaniach konsultacyjnych, mózg został pominięty w wielu protokołach wykorzystujących ultrasonografię przyłóżkową (PoCUS). W niniejszym badaniu zaproponowano protokół akwizycji obrazu PoCUS.

Punkt opieki nad pacjentem Przezczaszkowe, oznaczone kolorami dupleksowe ultrasonografie tętnicy środkowej mózgu

Tutaj opisujemy standaryzowany protokół mapowania motorycznego z wykorzystaniem nTMS połączony z rekonstrukcją drogi korowo-rdzeniowej (CST) opartą na obrazowaniu tensorowym dyfuzji (DTI). Protokół jest powtarzalny, klinicznie wykonalny i łatwo integrowalny z rutynowym procesem klinicznym, zapewniając solidne i wartościowe ramy do oceny szlaków ruchowych, badań nad neuroplastycznością oraz planowania rehabilitacji.

Standaryzowany protokół do funkcjonalnego mapowania motorycznego z wykorzystaniem nawigowanej przezczaszkowej stymulacji magnetycznej

Opisano nową technikę rejestrowania ciśnienia wewnątrz czaszki. Ta małoinwazyjna metoda wykorzystuje światłowodowy system pomiaru ciśnienia do dokładnego pomiaru ciśnienia wewnątrzczaszkowego (ICP) u znieczulonych szczurów, nie powodując przy tym istotnych urazów mózgu. Technikę tę można zastosować w szerokim zakresie modeli eksperymentalnych.

Pomiar nadtwardówkowego ciśnienia wewnątrzczaszkowego u szczurów przy użyciu światłowodowego przetwornika ciśnienia

Poznaj automatyczną metodę szacowania przesunięcia linii środkowej i ciśnienia śródczaszkowego na podstawie obrazów CT mózgu u pacjentów z urazem czaszkowo-mózgowym. Wykorzystuje przetwarzanie obrazu i uczenie maszynowe.

Automatyczne przesunięcie linii środkowej i oszacowanie ciśnienia śródczaszkowego na podstawie obrazów tomografii komputerowej mózgu (Wideo) | JoVE Journal

Zautomatyzowana ocena przesunięcia linii środkowej i szacowanie ciśnienia wewnątrzczaszkowego na podstawie obrazów tomografii komputerowej mózgu

Przeglądaj więcej filmów