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

Общая цель этого эксперимента состоит в том, чтобы обнаружить сдвиги срединной линии на снимках КТ головного мозга пациентов с черепно-мозговой травмой и таким образом оценить внутричерепное давление в мозге. В этом проекте мы разработали вычислительный метод для анализа изображений компьютерной томографии и прогнозирования внутричерепного давления или ВЧД. Стимулом для этого проекта является тот факт, что во многих случаях, когда у людей есть травмы головы, всегда есть подозрение, что ВЧД или внутричерепное давление может быть повышено. Но мы не можем надежно предсказать, какое влияние это оказывает на внутричерепное давление, кроме того, что в целом оно повышает его до некоторой степени, и именно здесь полезны вычислительные методы, над которыми мы работали.

Он может с разумной точностью предсказать, какое именно влияние анатомические изменения оказывают на внутричерепное давление. На данной схематической схеме представлен обзор методологии, использованной в данном исследовании. Компьютерная аксиальная томография более известна под сокращенными названиями, компьютерная томография или компьютерная томография.

Компьютерная томография разрабатывается на основе большой серии двухмерных рентгеновских изображений, полученных вокруг одной оси вращения. На первом этапе нашего подхода приобретаются и анализируются компьютерные томографы пациентов с черепно-мозговыми травмами или ЧМТ для выявления сдвига средней линии. Следующий шаг включает в себя извлечение и анализ других особенностей, таких как различная текстурная информация на снимках компьютерной томографии и оценка количества крови.

Наш подход также использует извлеченные признаки, а также другую демографическую информацию для прогнозирования ICP, алгоритмы машинного обучения используются для моделирования взаимосвязи между ICP и извлеченными признаками. Приблизительная идеальная средняя линия определяется с помощью симметрии черепа. Сначала с помощью порогового значения оттенков серого череп сегментируется от среза изображения.

Затем алгоритм тщательно перебирает каждый угол поворота вокруг центра массы черепа, чтобы найти линию, которая максимизирует симметрию полученных половин черепа. Примерная идеальная срединная линия – это линия, проходящая через точку центра масс с углом поворота. Максимизация симметрии, Определение идеальной средней линии только на основе симметрии не всегда может дать нам автоматически значимые результаты.

Таким образом, в нашем методе мы делаем еще один шаг вперед, чтобы найти специфические электронные особенности, такие как теория заднего ящика и переднее прикрепление лисы для уточнения расположения аминной линии. Затем идентифицируют заднюю головку лисы и переднее прикрепление лисицы к краям сагиттальной борозды для уточнения приблизительной идеальной средней линии, чтобы быстро и точно обнаружить эти анатомические особенности. Во-вторых, прямоугольники поиска определяются на основе приблизительной идеальной средней линии и двух ее точек пересечения.

При использовании кальвариума размер прямоугольника выбирается таким образом, чтобы он включал в себя анатомические особенности, которые необходимо обнаружить. Переднее прикрепление лисицы обнаруживается как пиковая точка хребта на кальварии, в то время как цере лисы обнаруживается как серая линия в задней области. Костное выступание располагается в переднем отделе черепа.

От этого места простирается лисья палочка. Этот анатомический признак можно использовать в качестве отправной точки для средней линии. Видно, что выступ изгибается вниз до точки локального минимума на переднем крае лисицы.

Если рассматривать нижний край костей черепа как кривую на плоскости изображения, то кривую можно смоделировать как одномерную функцию. Обнаружение точки выступа становится вопросом нахождения минимума выборочной одномерной функции. При вводе верхней сегментированной кости черепа первым шагом является извлечение нижнего края кости.

Следующий шаг включает в себя обнаружение выступа с помощью локальной мини. Здесь локальный минимум также представляет собой конечную точку выступа. На этой схематической схеме показано, как обнаруживается лиса в нижней части мозга.

Поскольку цель состоит в том, чтобы обнаружить светло-серые линии, а не более темные линии на первом шаге, в качестве порога используется медианное значение области. Используя этот порог, все значения шкалы серого ниже него устанавливаются в качестве медианного значения. Затем для создания карты границ используется детектор пересечения нуля.

Это позволяет сохранить более богатые края во время обнаружения sobell и позволяет удалить нежелательные края на следующем этапе. Затем карта краев постепенно уточняется с использованием известных особенностей лисьей церы. Сначала это делается путем уточнения карты границ с помощью интенсивности и градиента, после чего порог размера и порог концентрации используются для ее уточнения.

Далее здесь порог концентрации — это не что иное, как плотность краевых точек. Наконец, преобразование Hof применяется для обнаружения линий, представляющих лису. Сара. Результатом преобразования HOF обычно является набор линий. Два.

Необходимо установить ограничения для извлечения желаемых линий из этого набора. Во-первых, угол наклона линии должен находиться в диапазоне, где сосредоточены линии. Этот диапазон получается путем вычисления статистики углов обнаруженной линии.

Во-вторых, линия должна лежать внутри диапазона, где сосредоточен кластер линий. Конечная идеальная срединная линия на этом этапе выбирается как самая длинная линия, удовлетворяющая вышеуказанным ограничениям. На этом изображении показаны две области интереса и уточненная идеальная срединная линия на основе внутренних выступов.

Зеленая линия — это уточненная идеальная срединная линия, а красная линия — это приблизительное положение идеальной средней линии дождя до уточнения. На этом снимке показана 3D-модель желудочковой системы с наличием МРТ-среза головного мозга. Красная часть изображения представляет желудочковую систему в 3D.

Желудочковая система состоит из двух двусторонних желудочков вверху, третьего желудочка посередине и четвертого желудочка внизу. Причина, по которой мы извлекаем информацию о желудочке, заключается в том, что когда давление внутри мозга изменяется из-за травмы, он деформируется и, следовательно, является подходящим кандидатом для измерения деформации мозговой ткани и патологических случаев. На последовательных срезах изображений МРТ или КТ желудочковая система предстает в различных формах справа, показаны формы желудочковой системы, извлеченные из МРТ.

Целью сегментации КТ является идентификация этих форм на основе исходных снимков компьютерной томографии. В предлагаемом нами методе процесс сегментации разделен на две части. Во-первых, применяется начальный метод низкоуровневой сегментации для группировки пикселей в разные части.

Затем используется высокоуровневый метод сопоставления шаблонов для идентификации желудочков по сегментированным результатам. На этом рисунке показана низкоуровневая сегментация на основе метода гауссова смеси. Во-первых, исходные изображения компьютерной томографии были отфильтрованы с использованием медианной фильтрации.

Результат показан на изображении слева. После этого применяется алгоритм K-средних для получения сегментации ядра. Этот результат показан в середине.

После применения алгоритма K-средних применяется метод goss и mix. На изображении справа показаны различные источники и распределения на 2D-изображении, которые инициализируются. Используя полученную сегментацию, максимизация ожиданий используется для развития параметров и, в конечном итоге, получается настроенный результат сегментации.

Желудочковая система в направлении Z не показывает существенных вариаций по всей тренировочной выборке. Таким образом, отображения могут быть аппроксимированы с помощью линейной формы. В описанном здесь методе эти отображения сначала инициализируются вручную, а затем оптимизируются с помощью набора обучающих изображений.

Существует три ограничения для принятия начальной сегментации желудочков. Во-первых, сегмент должен быть относительно большим. Во-вторых, сегмент находится не близко к краю мозга.

Номер три, сегмент пересекается с шаблоном желудочка. На рисунках внизу показан пример этапа распознавания желудочков по результатам. Можно видеть, что части желудочка успешно распознаются с помощью ограничений размера, ограничивающего прямоугольника и шаблона.

Чтобы оценить фактическую среднюю линию, мы сначала сопоставляем сегментированные желудочки с шаблонами путем сопоставления формы. На этом рисунке показан процесс сопоставления. Сначала происходит отбор проб из краевых точек.

Затем оптимизируя соответствующую стоимость двух форм. Устанавливаются соответствия точек между двумя фигурами. Например, во втором ряду последнее изображение показывает соответствие, соединяя красные точки одной фигуры с зелеными точками другой формы.

Поскольку желудочковая система представляет собой 3D-структуру и имеет различную форму на разных срезах КТ, мы выполняем сопоставление формы для всех срезов КТ. Для каждого среза мы определяем характерные точки, которые можно использовать для оценки средней линии. Например, характерные точки в форме латерального желудочка являются внутренними краевыми точками двух боковых желудочков.

Эти характерные точки идентифицируются по их соответствию характерным точкам в шаблоне, которые помечаются вручную перед процессом сопоставления. Здесь мы показываем множество совпадающих результатов, выбирая разные шаблоны. Для каждого сопоставления форм существует стоимость соответствия.

Выбирая минимальную стоимость соответствия, мы находим лучший шаблон для использования в сопоставлении формы и определяем характерные точки. В этом примере точки из результатов сегментации показаны зеленым цветом, а точки из шаблонов — красным. Сравнивая стоимость матча, мы видим, что первый шаблон лучше всего использовать.

После того, как характерные точки определены, мы вычисляем X-координаты этих характерных точек. Как правило, с левой стороны есть характерные точки, а с правой — характерные точки. Координата X фактической средней линии оценивается как среднее арифметическое координат X левой и правой характерных точек.

Здесь мы показываем четыре результата оценки. Зеленая вертикальная линия представляет собой предполагаемую координату X фактической средней линии. Шаблон матча отображается синими точками.

Выявленные характерные точки показаны синим цветом. Из полученных результатов мы видим, что оценка фактической средней линии работает очень хорошо после того, как фактическая средняя линия была оценена. Расчет сдвига горизонтальной средней линии S прост.

X ideal — это координата X идеальной средней линии, а X actual — это координата X предполагаемой фактической средней линии. Изображения, показанные здесь, иллюстрируют как предполагаемую идеальную среднюю линию, так и фактическую среднюю линию. Помимо использования сдвига средней линии, эти функции, которые мы извлекаем, могут предоставить нам дополнительную информацию для прогнозирования уровней ICP.

Основная идея заключается в том, чтобы извлечь как можно больше признаков, а затем, используя методы выбора признаков, мы сможем сохранить только те признаки, которые имеют отношение к предоставлению информации ICB. Признаки, извлеченные из компьютерной томографии, включают смещение средней линии, количество крови и текстурные узоры. Функции из других источников включают демографическую информацию, такую как возраст пациента, оценка травмы и оценка тяжести травмы.

Для маркировки пикселей используется алгоритм сегментации на основе модели gian mix. Пиксели сгруппированы в четыре категории: кровь, мозговая жидкость, серое вещество и текстура белого вещества. Паттерны на изображениях КТ могут указывать на состояние мозга.

Высокий уровень межчерепного давления может изменить текстурный рисунок. Мы фокусируемся в основном на текстурных рисунках в области без мозговой спинномозговой жидкости или анализа текстуры крови на небольших субизображениях или окнах КТ-изображения. На каждом снимке компьютерной томографии выбирается шесть окон.

Особенности текстуры извлекаются с помощью дискретного преобразования Фоера и дискретного вейвлет-преобразования. Короче говоря, доступно так много информации. Для врачей, независимо от их опыта, становится очень проблематично обрабатывать все эти сигналы одновременно.

Таким образом, текущий проект, целью которого является изучение компьютерной томографии и автоматизированная визуализация, был бы очень полезен врачам скорой помощи и травматологам, таким как я, чтобы помочь нам обрабатывать эти данные гораздо быстрее. В наборе данных 17 пациентов с легкими и тяжелыми черепно-мозговыми травмами. Каждый пациент проходит несколько компьютерных томографий, и всего в исследовании используется 57 сканирований.

Значение, представляющее межчерепное давление, регистрируется каждый час. Существует две категории повышенных уровней ICP. ICP определяется как ICP больше 12 tor.

Для обычного ВЧП он определяется как ВЧП меньше или равный 12 тор. В этом наборе данных 33 нормальных случая и 24 случая повышенного ВЧД. Для создания модели мы используем два этапа десятикратной перекрестной проверки.

Первый — это вложенный этап, на котором выполняется выбор признака. На втором этапе используется метод генетического поиска, а классификатор используется совместно с методом поиска методом опорных векторов. На этом рисунке показана идеальная оценка средней линии.

Красная линия является приблизительной идеальной средней линией, основанной на симметрии черепа. После уточнения с использованием анатомических особенностей, мы получаем более точно оцененную идеальную среднюю линию, которой является зеленая линия. На изображении эти изображения показывают предполагаемую фактическую среднюю линию.

Зеленые линии — это предполагаемая фактическая средняя линия, а синие точки — совпадающие шаблоны. На изображении справа показана расчетная идеальная средняя линия слева от центра и фактическая средняя линия. Справа мы видим результирующий сдвиг средней линии из оценки.

Здесь мы также представляем количественные результаты оценки наших методов. В большинстве срезов КТ в нашем наборе данных ошибка между идеальной средней линией, оцененной по нашей методологии, и средними линиями, помеченными врачом, составляет около двух пикселей или одного миллиметра. Для фактической средней линии более 80% имеют разницу менее 2,25 миллиметра при определенном контроле качества результатов сегментации.

Оценка прогноза межчерепного давления имеет точность около 70% при использовании десятикратной перекрестной проверки. Прежде всего, мы разделяем низкоуровневые и высокоуровневые процессы сегментации. Несмотря на то, что в этой схеме можно использовать различные алгоритмы, мы можем не использовать всю информацию в сегментации на низком уровне.

Комбинируя низкоуровневую сегментацию и высокоуровневую сегментацию, мы можем получить лучшие результаты сегментации. Следуя этой идее, мы можем использовать такие методы, как сегментация на основе модели или сегментация на основе регистрации, чтобы иметь лучшее прогнозирование, а также обеспечить более высокую оценку предложенного метода. Сбор большего количества наборов данных Больший размер выборки принесет пользу исследованию.