Desvio da linha média automatizada e Estimativa Pressão Intracraniana com base em imagens do cérebro CT

O objetivo geral deste experimento é detectar mudanças na linha média a partir de imagens de tomografia computadorizada cerebral de pacientes com lesão cerebral traumática e, assim, estimar a pressão intracraniana dentro do cérebro. Neste projeto, desenvolvemos um método computacional para analisar as imagens de TC e prever a pressão intracraniana ou PIC. O incentivo para este projeto é o fato de que, em muitos casos em que as pessoas têm ferimentos na cabeça, há sempre a suspeita de que a PIC ou a pressão intracraniana possam estar elevadas, portanto, uma tomografia computadorizada, podemos avaliar o inchaço do cérebro, podemos avaliar hematomas, podemos avaliar mudanças na linha média ou, ou mudanças ciais do cérebro, Mas o que não podemos prever com segurança é o efeito que isso tem sobre a pressão intracraniana além de em geral, eleva-a até certo ponto, e é aí que estão os métodos computacionais em que estamos trabalhando são úteis.

Ele pode prever com um nível razoável de precisão exatamente quais efeitos as alterações anatômicas têm na pressão intracraniana. Este diagrama esquemático apresenta a visão geral da metodologia empregada nesta pesquisa. A tomografia axial computadorizada é mais comumente conhecida por seus nomes abreviados, tomografia computadorizada ou tomografia computadorizada.

As tomografias computadorizadas são desenvolvidas a partir de uma grande série de imagens de raios-x bidimensionais tiradas em torno de um único eixo de rotação. Na primeira etapa de nossa abordagem, as tomografias computadorizadas dos pacientes com lesões cerebrais traumáticas ou TCE são adquiridas e analisadas para detectar o desvio da linha média. A próxima etapa inclui extração e análise de outros recursos, como várias informações de textura de imagens de TC e estimativa da quantidade de sangue.

Nossa abordagem também usa os recursos extraídos, bem como outras informações demográficas para prever que os algoritmos de aprendizado de máquina do ICP são usados para modelar a relação entre o ICP e os recursos extraídos. A linha média ideal aproximada é detectada usando a simetria do crânio. Primeiro, usando o limite de escala de cinza, o crânio é segmentado a partir da fatia da imagem.

Em seguida, o algoritmo pesquisa exaustivamente cada ângulo de rotação em torno do centro de massa do crânio para encontrar a linha que maximiza a simetria das metades resultantes do crânio. A linha média ideal aproximada é a linha que passa pelo ponto central da massa com o ângulo de rotação. Maximizando a simetria, Detectar a linha média ideal com base apenas na simetria nem sempre pode nos fornecer resultados automaticamente significativos.

Portanto, em nosso método, damos um passo adiante para encontrar características eletrônicas específicas, como a teoria da caixa posterior e a fixação da raposa anterior para refinar as localizações da linha de amina. Em seguida, a cera posterior da raposa e a fixação anterior da raposa nas margens do sulco sagital são identificadas para refinar a linha média ideal aproximada, a fim de detectar essas características anatômicas com rapidez e precisão. Dois, retângulos de busca são definidos com base na linha média ideal aproximada e seus dois pontos de interseção.

Com a calvária, o tamanho do retângulo é escolhido para incluir as características anatômicas a serem detectadas. A fixação anterior da raposa é detectada como o ponto de pico da crista na calvária, enquanto a cera da raposa é detectada como a linha cinza na região posterior. Uma protrusão óssea está localizada na seção anterior do crânio.

A cery da raposa se estende a partir deste ponto. Essa característica anatômica pode ser usada como ponto de partida para a linha média. Pode-se ver que a protrusão se curva até um ponto mínimo local na borda anterior do foxer.

Se alguém vê a borda inferior dos ossos do crânio como uma curva no plano da imagem, então a curva pode ser modelada como uma função unidimensional. A detecção do ponto de protrusão torna-se uma questão de encontrar o mínimo de uma função unidimensional amostrada. Com a entrada do osso do crânio segmentado superior, o primeiro passo é extrair a borda inferior do osso.

O próximo passo envolve a detecção da saliência usando o mini local. Aqui, o mínimo local também representa o ponto final da protrusão. Este diagrama esquemático mostra como a raposa na parte inferior do cérebro é detectada.

Como o objetivo é detectar linhas cinza claro e não as linhas mais escuras na primeira etapa, o valor médio da área é usado como limite. Usando esse limite, todos os valores de escala de cinza abaixo dele são definidos como o valor mediano. Em seguida, um detector de borda cruzada zero é usado para gerar o mapa de borda.

Isso mantém as bordas mais ricas durante a detecção de sobell e permite a remoção de bordas indesejadas na próxima etapa. O mapa de borda é então refinado passo a passo usando recursos conhecidos da cera da raposa. Isso é feito primeiro refinando o mapa de bordas usando intensidade e gradiente, após o qual o limite de tamanho e o limite de concentração são usados para refiná-lo.

Mais adiante, o limite de concentração nada mais é do que a densidade dos pontos de borda. Finalmente, a transformada Hof é aplicada para detectar linhas que representam a raposa. Sarah. Os resultados da transformada HOF são geralmente um conjunto de linhas. Dois.

Restrições devem ser estabelecidas para extrair as linhas desejáveis deste conjunto. Primeiro, o ângulo da linha deve estar no intervalo em que as linhas estão concentradas. Este intervalo é obtido calculando as estatísticas dos ângulos da linha detectada.

Em segundo lugar, a linha deve estar dentro do intervalo onde o conjunto de linhas está concentrado. A linha média ideal final neste estágio é escolhida como as linhas mais longas que satisfazem as restrições acima. Esta imagem mostra as duas regiões de interesse e a linha média ideal refinada com base nas saliências internas.

A linha verde é a linha média ideal refinada e a linha vermelha é a posição aproximada da linha média ideal da chuva antes do refinamento. Esta imagem mostra o modelo 3D do sistema ventricular com a presença de uma fatia de ressonância magnética do cérebro. A porção vermelha da imagem representa o sistema ventricular em 3D.

O sistema ventricular consiste em dois ventrículos bilaterais na parte superior, o terceiro ventrículo no meio e o quarto ventrículo na parte inferior. A razão pela qual extraímos informações sobre um ventrículo é porque, quando a pressão é alterada dentro do cérebro devido a uma lesão, ele se deforma e, portanto, é um candidato adequado para medir a deformação do tecido cerebral e casos patológicos. Em sucessivas cortes de imagem de ressonância magnética ou tomografia computadorizada, o sistema ventricular aparece em várias formas à direita, as formas extraídas do sistema ventricular de uma ressonância magnética são mostradas.

O objetivo da segmentação da TC é identificar essas formas a partir das tomografias originais. Em nosso método proposto, o processo de segmentação é separado em duas partes. Primeiro, um método inicial de segmentação de baixo nível é aplicado para agrupar pixels em diferentes partes.

Em seguida, um método de correspondência de modelo de alto nível é usado para identificar ventrículos a partir de resultados segmentados. Esta imagem ilustra a segmentação de baixo nível com base em um método de mistura gaussiana. Primeiro, as imagens originais da TC foram filtradas usando filtragem mediana.

O resultado é mostrado na imagem à esquerda. Posteriormente, o algoritmo K-means é aplicado para obter uma segmentação central. Este resultado é mostrado no meio.

Depois que o algoritmo K-means é aplicado, o método goss e mistura é aplicado. A imagem à direita mostra um goss e distribuições diferentes na imagem 2D, que são inicializadas. Usando a maximização da expectativa de segmentação veio é usada para evoluir os parâmetros e, finalmente, o resultado da segmentação sintonizada é obtido.

O sistema ventricular na direção Z não apresenta variação significativa ao longo da série de treinamento. Portanto, os mapeamentos podem ser aproximados com a forma linear. No método descrito aqui, esses mapeamentos são primeiro inicializados manualmente e, em seguida, otimizados usando um conjunto de imagens de treinamento.

Existem três restrições para aceitar a segmentação inicial do ventrículo. Número um, o segmento precisa ser relativamente grande. Número dois, o segmento não está perto da borda do cérebro.

Número três, o segmento se cruza com o modelo de ventrículo. As figuras na parte inferior mostram um exemplo da etapa de reconhecimento do ventrículo a partir dos resultados. Pode-se ver que as partes do ventrículo são reconhecidas com sucesso usando restrições de tamanho, caixa delimitadora e modelo.

Para estimar a linha média real, primeiro combinamos os ventrículos segmentados com os modelos por correspondência de formas. Esta figura mostra o processo de correspondência. Primeiro, os pontos de borda são amostrados.

Em seguida, otimizando um custo de correspondência das duas formas. As correspondências dos pontos entre as duas formas são feitas. Por exemplo, na segunda linha, a última imagem mostra a correspondência conectando os pontos vermelhos de uma forma aos pontos verdes da outra.

Como o sistema ventricular é uma estrutura 3D e tem formas diferentes em diferentes cortes de TC, realizamos a correspondência de formas em todos os cortes de TC. Para cada fatia, definimos os pontos de recurso que podem ser usados para estimar a linha média. Por exemplo, os pontos de característica nas formas dos ventrículos laterais são os pontos da borda interna dos dois ventrículos laterais.

Esses pontos de recurso são identificados por sua correspondência com os pontos de recurso no modelo, que são rotulados manualmente antes do processo de correspondência. Aqui, mostramos muitos resultados correspondentes escolhendo diferentes modelos. Para cada correspondência de forma, há um custo de correspondência.

Ao selecionar o custo mínimo de correspondência, encontramos o melhor modelo a ser usado na correspondência de formas e identificamos os pontos de recurso. Neste exemplo, os pontos dos resultados da segmentação são mostrados em verde e os pontos dos modelos são mostrados em vermelho. Ao comparar o custo de correspondência, podemos ver que o primeiro modelo é o melhor a ser usado.

Uma vez que os pontos de recurso são identificados, calculamos as coordenadas X desses pontos de recurso. Normalmente, há pontos de recurso no lado esquerdo e pontos de recurso no lado direito. A coordenada X da linha média real é estimada como a média da coordenada X dos pontos de feição esquerdo e direito.

Aqui mostramos quatro resultados de estimativa. A linha vertical verde representa a coordenada X estimada da linha média real. O modelo de jogo é mostrado nos pontos azuis.

Os pontos de feição identificados são mostrados em azul. A partir dos resultados, podemos ver que a estimativa da linha média real funciona muito bem depois que a linha média real é estimada. O cálculo do deslocamento horizontal da linha média S é simples.

X ideal é a coordenada X da linha média ideal e X real é a coordenada X da linha média real estimada. As imagens mostradas aqui ilustram tanto a linha média ideal estimada quanto a linha média real. Além de usar o deslocamento da linha média, esses recursos que extraímos podem nos fornecer informações adicionais na previsão dos níveis de PIC.

A ideia principal por trás disso é extrair o maior número possível de recursos e, em seguida, usando métodos de seleção de recursos, podemos reter apenas os recursos relevantes no fornecimento de informações ICB. As características extraídas das tomografias computadorizadas incluem deslocamento da linha média, quantidade de sangue e padrões de textura. Os recursos de outras fontes incluem informações demográficas, como idade do paciente, escore de trauma e escore de gravidade da lesão.

Um algoritmo de segmentação baseado em modelo de mistura gian é usado para rotular os pixels. Os pixels são agrupados em quatro categorias, fluido cerebral sanguíneo, substância cinzenta e textura da substância branca. Os padrões nas imagens de TC podem incluir indicações do estado do cérebro.

Altos níveis de pressão intercraniana podem alterar o padrão de textura. Nós nos concentramos principalmente nos padrões de textura na área sem líquido cefalorraquidiano ou análise da textura do sangue é aplicada em pequenas subimagens ou janelas da imagem de TC. Seis janelas são selecionadas em cada imagem de TC.

As características de textura são extraídas usando transformada de Foer discreta e transformada wavelet discreta. O resumo disso é que há muita informação disponível. Torna-se muito problemático para os médicos, não importa o quão experientes eles sejam, processar todos esses sinais ao mesmo tempo.

Portanto, o projeto atual, que visa examinar a tomografia computadorizada e fazer imagens automatizadas, seria de grande utilidade para médicos de emergência e traumatologistas como eu para nos ajudar a processar esses dados muito mais rapidamente. O conjunto de dados tem 17 pacientes com lesões cerebrais traumáticas leves a graves. Cada paciente tem várias tomografias computadorizadas e há 57 exames no total usados no estudo.

Um valor que representa a pressão intercraniana é registrado a cada hora. Existem duas categorias de nível de PIC elevado. ICP é definido como ICP maior que 12 tor.

Para PIC normal, é definido como PIC menor ou igual a 12 tor. Neste conjunto de dados, existem 33 casos normais e 24 casos de PIC elevada. Para criar o modelo, usamos dois estágios de validação cruzada de dez vezes.

O primeiro é um estágio aninhado no qual a seleção de recursos é executada. Na segunda etapa, um método de pesquisa genética é usado e o classificador usado em conjunto com o método de pesquisa é uma máquina de vetores de suporte. Esta imagem mostra a estimativa ideal da linha média.

A linha vermelha é a linha média ideal aproximada com base na simetria do crânio. Após o refinamento usando características anatômicas, temos uma linha média ideal melhor estimada, que é a linha verde. Na imagem, essas imagens mostram a linha média real estimada.

As linhas verdes são a linha média real estimada e os pontos azuis são modelos correspondentes. A imagem à direita mostra a linha média ideal estimada à esquerda do centro e a linha média real. À direita, podemos ver o deslocamento da linha média resultante da estimativa.

Aqui também apresentamos os resultados quantitativos na avaliação de nossos métodos. Na maioria dos cortes de TC em nosso conjunto de dados, o erro entre a linha média ideal estimada por nossa metodologia e as linhas médias marcadas pelo médico é de cerca de dois pixels ou um milímetro. Para a linha média real, mais de 80% têm menos de 2,25 milímetros de diferença sob certo controle de qualidade dos resultados da segmentação.

A avaliação da previsão da pressão intercraniana tem cerca de 70% de precisão usando validação cruzada de dez vezes. Em primeiro lugar, separamos os processos de segmentação de baixo e alto nível. Embora esse design possa se beneficiar da incorporação de algoritmos diferentes, podemos não explorar todas as informações na segmentação de baixo nível.

Ao combinar a segmentação de baixo nível e a segmentação de alto nível, podemos ter melhores resultados de segmentação. Seguindo essa ideia, podemos usar métodos como segmentação baseada em modelo ou segmentação baseada em registro para ter uma melhor previsão, além de fornecer mais avaliação do método proposto. Coletando mais conjuntos de dados Ter um tamanho de amostra maior beneficiará o estudo.