Автоматизированная Средняя линия сдвига и внутричерепных оценки давления на основе КТ головного мозга изображений

Summary

Автоматизированной оценки сдвига срединной линии и внутричерепного давления (ВЧД) предварительной проверки системы, основанной на компьютерной томографии (КТ) изображения для пациентов с черепно-мозговой травмой (ЧМТ) предлагается использование обработки изображений и машинного обучения.

Abstract

В этой статье мы представляем автоматизированная система основана главным образом на компьютерной томографии (КТ) изображения, состоящего из двух основных компонентов: оценка средней линии сдвига и внутричерепного давления (ВЧД) предварительная проверка системы. Для оценки средней линии сдвига, в первую оценки идеальной средней линии осуществляется на основе симметрию черепа и анатомических особенностей в мозгу КТ. Тогда, сегментация желудочков с КТ выполняется, и использованы в качестве руководства для определения фактической средней линии через форму соответствия. Эти процессы имитировать процесс измерения врачей и показали многообещающие результаты в оценке. Во втором компоненте, больше возможностей извлекаются, связанные с ПМС, такими как текстуры информации, крови размере от КТ и другие записанные функций, таких как возраст, степень тяжести ранения оценка для оценки ПМС также включены. Машинное обучение методы, включая функцию выбора и классификации, такие, как поддержкаВекторные машины (SVMs), которые используются для создания модели прогнозирования использования RapidMiner. Оценка прогноза показывает потенциальную полезность модели. Предполагаемый идеальный сдвиг средней линии и прогнозируемые уровни МСП могут использоваться в качестве быстрого предварительного отбора шаг для врачей принимать решения, с тем чтобы рекомендовать за или против инвазивного мониторинга ВЧД.

Introduction

Каждый год Есть около 1,4 млн. черепно-мозговые травмы (ЧМТ) по делам, связанным отделение неотложной помощи в США, из которых более 50.000 приводят к смерти ^1. Тяжелая ЧМТ, как правило, сопровождается повышением внутричерепного давления (ВЧД) с такими симптомами, как гематомы и отека мозговой ткани. Это приводит к снижению церебрального перфузионного давления и мозгового кровотока, размещение потерпевшего мозг дополнительный риск. Тяжелые увеличение ICP может быть фатальным, так что мониторинг ПМС для пациентов с ЧМТ имеет решающее значение. Обычно для этого требуется размещение катетеров непосредственно в мозг для контроля давления, рискованная процедура для пациентов, которые могут быть выполнены только в специализированных медицинских центрах. Эта процедура также предполагает риска, таких как инфекции. Тем не менее, некоторые признаки повышенного ICP может быть заметным в области медицинской визуализации. В частности, средняя линия сдвига часто связано с увеличением ПМС и может быть захвачен от мозга компьютерная тomography (КТ) изображения. Как таковые, эти образы дают возможность для неинвазивного обнаружения повышенного ICP, которые могут быть использованы в качестве предварительного отбора шаг перед трепанацию черепа. КТ-прежнему является золотым стандартом для начальной TBI оценку среди всех других методов визуализации, например, МРТ, из-за его высокой скорости и относительно низкая стоимость ^2. Кроме того, КТ не требует строгой неподвижностью пациента, и имеет преимущество в выявлении тяжелых патологий, таких как переломы костей и гематомы. Хотя КТ широко используется для обнаружения повреждений в мозге, основанная на современной технологии, средней линии сдвига не будет автоматически измерять и поэтому врачи должны оценить этот важный фактор при визуальном осмотре. Неточное или не CT интерпретации часто связано с природой зрительной системы человека и сложная структура мозга. В то время как небольшие сдвиги средней линии неуловимым, они часто являются бесценными для оценки травмы головного мозга, в рсуставного на ранних стадиях повреждения, прежде чем состояние пациента становится более серьезным. На другой стороне спектра, большой сдвиг средней линии предложения резко повышенные МСП и более тяжелой ЧМТ. Тем не менее, это очень сложная задача для человека, чтобы визуально осмотреть КТ и прогнозирования уровня ICP количественно. Благодаря достижениям в области автоматизированных вычислительных методов, особенностей, извлеченные из КТ-изображений, такие как сдвиг средней линии, объем гематомы и текстуры головного мозга КТ-изображений, могут быть измерены точно и автоматически с использованием передовых методов обработки изображений. Тем не менее, связь между ПМС и средней линии сдвига, а также другие функции, такие как степень кровотечения, текстуры из КТ не были изучены. В данной работе вычислительных рамках была предложена для измерения средней линии измерения сдвига, а также других физиологических / анатомических особенностей головного мозга КТ-изображений, а затем предсказать степень ПМС ненавязчиво использованием машинного обучения.

Protocol

1. Методология Обзор

Предлагаемая система обрабатывает мозг КТ-изображений черепно-мозговой травмы (ЧМТ) пациентов для автоматического расчета средней линии сдвига в патологических случаях и использовать его, а также других извлеченную информацию для прогнозирования внутричерепного давления (ВЧД). На рисунке 1 показана схема всей рамками. Автоматическое измерение сдвига срединной линии можно разделить на три этапа. Во-первых, идеальная средней линии мозга, то есть средней линии до травмы, находится по иерархической поиск, основанный на симметрию черепа и тканей особенности ^3. Во-вторых, желудочковой системы сегментирован для каждого изображения КТ головного мозга ^4. В-третьих, фактическая средняя линия исчисляется с сегментированной деформирована желудочковых системы с помощью формы для метода ^5. Горизонтальное смещение желудочковой системы, затем оцениваются на основе оценки идеальной линии и фактической средней линии. После тОн срединной линии сдвига последовательно оценкам, функции, включая среднюю линию смены, текстуры информацию КТ-изображений, а также другие демографические данные используются для прогнозирования ПМС. Алгоритмы обучения машины используются для моделирования отношений между ПМС и извлеченные признаки ^6.

2. Идеально Средняя линия оценка

1. Этот шаг определяет приблизительный идеальной средней линии с помощью симметрии черепа. Во-первых, с помощью оттенков серого порога, череп должен быть сегментирован от остального содержания в изображении КТ. После чего, выполнить исчерпывающий поиск для определения углов поворота вокруг центра масс черепа. Оптимальный угол вращения определяется как угол, который максимизирует симметрии в результате половины черепа. Ориентировочная идеальной средней линии является линия, проходящая через точку центра масс и имеет оптимальную ангел вращение по отношению к первоначальному вертикальном направлении изображения КТ.
2. Этот шаг обнаруживает рosterior серп и передней мозговой серп привязанность к краям сагиттальной борозды. Этот шаг выполняется для уточнения определили приблизительный идеальной линии. Первые определяют два поиске прямоугольники с центром в двух точек пересечения между приближенным идеальной линии и свода черепа. Затем выберите размер прямоугольников эмпирически так, что они охватывают анатомических особенностей, чтобы быть обнаруженным, как описано ниже. Передняя вложения серп определяется как точка пика хребта на черепа и серп мозговой определяется как серая линия в задней области ^3.
3. Этот шаг использует эти функции обнаружен выше для уточнения идеальных срединной позиции. Как только пиковая точка переднего привязанность серп и самой дальней точки в задней мозговой серп с calvarum не указано, изысканный идеальной средней линией является линия, соединяющая две точки.

3. Сегментация желудочка

1. Сначала нанесите низкой леVel сегментации, используя модель гауссовых смесей (GMM) для каждой КТ ^4,7. КТ можно разделить на 4 вида тканей: кость / кровь, спинномозговая жидкость (ликвор), серого вещества и белого вещества. Для инициализации модели Гауссовой смеси, параметры рассчитываются на основе итерационного K-средства сегментации результате изображение КТ. Затем с помощью максимизации ожидания (EM) метод для оптимизации GMM итеративно, чтобы лучше представить образ CT. Жесткий результате сегментации может быть получен путем разбиения изображения КТ в регионах на основе максимальной вероятностью членов, что каждый пиксель относится к различным типам региона.
2. После низким уровнем сегментации GMM, применяются дополнительные ограничения на результат сегментации для того, чтобы признать желудочка регионов. Только регионах желудочка с размером выше определенного порога сохраняется. Применение ограничений на расположение желудочков регионов, а использование мозга ограничительной рамки и набор ventriclэлектронной шаблонов. Извлеките набор шаблонов из желудочков мозга стандартной МРТ, а затем увеличить его с помощью морфологического расширения для компенсации изменения среди различных предметов и патологических случаях.

4. Фактический Средняя линия оценка

1. Укажите характерных точек на желудочка шаблоны, извлеченные из MR.
2. Есть несколько Форма регионов соответствия между ^5,8 сегментирован желудочков и шаблонов MR.
3. Оценка фактической средней линии на основе выявленных характерных точек на желудочка формы, используя форму соответствия. Затем с помощью средней левой средней и правой стороне среднее х-координаты этих характерных точек для определения х-координаты срединной линии.

5. Больше функций Вытяжки

1. Измерьте внутричерепная гематома / кровотечение объема на основе гауссовой модели смеси (GMM) сегментация результатов, полученных КТ-изображений. Сегментирован результате может взаключаем небольших регионах, включая венозных синусов кровью и мозговой серп, но они обычно можно пренебречь в сравнении с регионами гематомы. Затем подсчитать количество пикселей классифицируются как кровь для каждой части и сложить их. Окончательная сумма количественно extravasated объем крови в КТ.
2. Извлечение текстуры возможности. Сначала выберите шесть окон в каждом изображении КТ, которая фиксирует серого и белого вещества, но избежать крови и желудочка структур в изображении КТ, см. Рисунок 6. Затем извлеките соответствующий особенностей текстуры с помощью следующих методов: Серый Длина Run Level ^9, Гистограмма анализ, анализ Фурье, Dual деревьев Комплексный анализ ^{вейвлет-10.}
3. Демографическая информация и оценка тяжести травмы, также собираются.
4. Все извлеченные особенности каждого изображения CT агрегируются представлять весь КТ. В частности, мин (F), макс (F), средний (F), средние (F), STD (F) вычисляются среди др.л выбранных объектов, принадлежащих данному КТ, например, функция ƒ от средней линии смены или текстуры функцию. Для внутричерепное кровоизлияние количество функций, кроме 5 операторов, перечисленных выше, сумма (F) также добавляется для записи общего объема крови.

6. МСП по оценке

Основная идея оценки ПМС является применение методов машинного обучения для построения модели на основе набора обучающих выборок. Тогда построили модель оценивается на оставшихся образцов. Из-за высокой размерности извлеченные признаки в том числе из КТ и демографической информации, выбор характеристик важно, чтобы удалить несвязанный возможности для относительно простых Таким образом, стабильная модель. Поэтому существуют два шага должны быть выполнены для МСП оценки / прогноза. Во-первых, выберите относительно особенностей, которые являются информативными в прогнозировании МСП. Второй шаг заключается в использовании опорных векторов (SVM) в качествеАлгоритм обучения разрабатывать и оценивать модели обучения. Программное обеспечение таких как RapidMiner ¹¹ идеально подходит для этой задачи, потому что это очень хорошо развита инструментом для большинства алгоритмов машинного обучения и обеспечивает очень мощные интерфейсы для обучения и оценки моделей.

1. Выполнять функцию выбора в два этапа. Первое использовать отношение прироста информации критерий на первом этапе, чтобы выбрать 50 лучших возможностей. На втором этапе, используя генетический алгоритм включения SVM в целях дальнейшей оптимизации выбора функции. Затем с помощью окончательного набора выбранных функций для построения модели для прогнозирования МСП в следующем шаге.
2. Выполните ICP классификации и оценки посредством методов машинного обучения. Верхняя диаграмма уровня обучения и тестирования приведены в RapidMiner на рисунке 8. Нанесите 10 раз перекрестной проверки схемы, как самый дальний от центра слоя для оценки. Для того, чтобы построить модель с лучшими обобщение и избежать чрезмерного прилегающие к тОн обучающих данных, гнездо еще один слой перекрестной проверки внутри каждого учебного раз. В этих модулях, сначала нанесите на процесс выбора функции описаны выше, а затем использовать SVM для классификации с собственным модулем выбора параметра ^6.

Results

Тестирование CT данных были предоставлены Система Каролины Здравоохранения (ЦОН) по институциональной утверждение совета. Все испытуемые были диагностированы с легкой и тяжелой ЧМТ, когда впервые в больницу. Для каждого пациента, значение МСП был записан каждый час, используя ICP датчики внутри желудочка региона как до, так и после компьютерной томографии были получены. Чтобы связать значение МСП друг с КТ, среднее двух ближайших измерений ICP ко времени КТ, оба из которых находятся в пределах часа КТ. Затем назначьте с...

Discussion

В этом исследовании, интуитивно понятной и гибкой структуры, предлагается решить две сложные задачи: оценка средней линии сдвига в КТ и МСП по уровню прогноз, основанный на извлеченные признаки. Результаты оценки показывают эффективность предлагаемого метода. Насколько нам известно, это первый раз систематическое изучение в решении этих двух проблем. Отметим, что на основе общей базы, существует много потенциальных улучшений, которые могут быть достигнуты. Например, в предлагаемой сегментации, низким уровнем сегментации...