Summary
一个自动化的中线移位估计和颅内压（ICP）计算机断层扫描（CT）图像与创伤性脑损伤（TBI）患者的预先筛分系统的基础上，提出一种利用图像处理和机器学习技术。
Abstract
在本文中，我们提出了一个自动化系统主要基于计算机断层扫描（CT）图像由两个主要部分组成：中线移位估计和颅内压（ICP）的预先筛分系统。估计中线移位，首先的理想中线的对称性颅骨和脑CT扫描的解剖特征的基础上进行估计。然后，分割进行从CT扫描的心室和用作识别的实际中线通过形状匹配的导向。这些过程模仿由医师的测量过程，并已显示出了有前途的结果在评价。在第二部分中，提取相关的ICP更多的功能，如纹理信息，从CT扫描和其他记录的功能，如年龄，损伤严重度评分估计ICP血液量也成立。机器学习技术，包括特征选择和分类，如支持向量机（SVM），使用RapidMiner，建立预测模型。的预测评价显示了潜在的有用的模型。估计理想的中线结构移位及预测ICP水平，可作为一个快速预筛选步骤的医生作出决定，因此，建议或反对侵入颅内压监测。
Introduction
每年有大约140万相关的创伤性脑损伤（TBI）急诊情况下，在美国，其中，超过50,000名死亡1。通常伴随着严重的脑外伤血肿和脑组织肿胀的症状，如颅内压（ICP）的增加。这些结果在脑灌注压降低，脑血流，脑损伤将额外的风险。严重ICP增长的可能是致命的，所以，监测ICP TBI患者是至关重要的。通常，这要求直接进入大脑的压力进行监测，有风险的程序只能在专门的医疗中心进行的患者的留置导管的位置。该过程还涉及风险，如感染。然而，一些迹象显示，可能是显着升高的ICP医疗成像。特别是，中线移位往往是与增加在ICP和可以捕获从脑吨omography（CT）图像。因此，这些图像提供了一个机会，ICP升高的非侵入性的检测，它可以用来作为一个预检颅环钻步骤之前。 CT成像仍然是TBI评估在所有其他的成像方式， 如 MRI初步的金标准，由于其较高的速度和相对低廉的成本2。此外，CT检查并不需要严格的病人不动，有利于揭示严重的异常如骨骨折和血肿。中线移位而CT通常用于检测的伤害在大脑中，根据目前的技术，还没有自动测量，因此医师必须评估这一重要因素，通过视觉检查。不准确或不一致CT解释往往是与人类视觉系统的性质和结构复杂的大脑。虽然小中线的变化是难以捉摸的，他们往往是非常宝贵的脑损伤评估，在P关节损伤之前，患者的病情在早期阶段会变得更加严重。在光谱的另一端，大中线移位建议高度ICP升高，更严重的TBI。然而，这是一个非常具有挑战性的任务，为人类目视检查CT图像和定量预测水平的ICP。由于在自动计算技术的进步，从CT图像，如中线结构移位，血肿量，脑CT图像和纹理特征提取，可以精确地测量并自动采用先进的图像处理方法。然而，ICP，中线移位以及其他功能，如出血程度之间的关系，从CT图像的质感没有被探索。本文的计算框架被提出来测量中线移位，测量以及其他生理/解剖特征的脑CT图像，然后预测的程度，ICP，非侵入性的使用机器学习技术。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1。方法概述
建议的框架创伤性脑损伤（TBI）患者的脑CT图像进行处理，自动计算在病理情况下，中线移位，使用它，以及其他提取的信息来预测颅内压（ICP）。 图1显示了整个示意图框架。自动化的中线偏移测量可以分为三个步骤。首先，理想的中线的大脑， 也就是受伤前正中线，通过分层搜索根据头骨的对称性和组织功能3。其次，脑室系统分割为每一个脑CT图像4。第三，实际中线估计从分段变形的脑室系统使用的形状匹配的方法5。水平移位的脑室系统然后基于估计了理想的中线和实际中线估计。经t他相继估计中线移位，中线结构移位，CT图像的纹理信息，以及其他人口信息的功能，包括用于预测ICP。机器学习算法用于ICP和所提取的特征6之间的关系进行建模。
2。理想的中线估计
- 这一步检测的近似理想的中线对称的头骨。首先，使用灰度阈值，颅骨需要从CT图像的其余部分中的内容的分割。在这之后，进行一个彻底的搜索，以确定中心的头骨周围群众的旋转角度。的最佳旋转角被定义为角最大化的对称性颅骨所得半。的近似理想的中线是质心点的线穿过，并具有最佳相对于原始的CT图像的垂直方向上的旋转角。
- 此步骤中，检测的posterior大脑镰前镰附件的矢状沟的边缘。此步骤进行细致识别的近似理想的中线。首先定义两个搜索矩形集中在两个交叉点之间的近似理想的中线和颅骨。下一步，选择大小的矩形经验，使其覆盖被检测到的解剖特点，解释如下。的棱线上的颅骨和大脑镰被检测为在后方区域3的灰线的峰值点检测到的前镰附件。
- 此步骤使用以上这些功能的检测，完善的理想的中线位置。一旦峰值点的前镰附件的和最远点后大脑镰的calvarum，成品理想的中线是连接两点的线。
3。心室图像的分割
- 首先将低了VEL分割使用高斯混合模型（GMM）为每个CT片4,7。可以分为4种类型的组织：骨/血液，脑脊髓液（CSF），灰质和白质的CT图像。有关初始化的高斯混合模型，参数估计的基础上的CT图像的一个迭代的K-means分割结果。然后用期望最大化（EM）迭代的方法来优化GMM CT图像能够更好地代表。 CT图像分割成的基础上，每个像素属于不同的区域类型的成员的最大概率的区域，可以通过以下方式获得的硬分割结果。
- 低层次分割的GMM后，将进一步限制的分割结果，以便识别心室地区。只有一定的阈值以上的大小的心室的区域被保留。应用约束心室区域的位置上，以及使用的大脑边界框和组ventriclË模板。提取的的心室模板，从一个标准的脑MR图像，然后放大它利用形态的扩张，以适应不同的主题和病理情况下的变化。
4。实际中线估计
- 指定的特征点上的提取心室模板，从MR。
- 不要多地区之间的分割脑室和MR模板形状匹配的5,8。
- 心室使用形状匹配的形状的识别上的特征点的基础上，估计实际的中线。然后使用左侧均值和右侧的平均值的平均值，这些特征点的x坐标的定义的x坐标的中线。
5。更多特征提取
- 测量颅内血肿/出血量高斯混合模型（GMM）从CT图像分割结果的基础上。分割结果可clude包括静脉窦血液和大脑镰的小区域，但，血肿的区域相比，它们通常可以被忽略。然后列为血液为每个切片的像素的数目进行计数，并总结起来。的最后一笔量化淤血，在CT检查量。
- 提取纹理特征。首先选择6个窗口在每个CT图像捕捉到的灰质和白质，但避免血液和心室结构的CT图像， 见图6。然后提取相应的纹理特征，使用下面的方法：的灰度运行长度为9，直方图分析，傅立叶分析，偶树复小波分析10。
- 还收集人口统计信息和损伤严重度评分。
- 每个CT图像所提取的特征总代表整个CT检查。具体而言， 最小（F），最大（F），中位数（F），平均（F），STD（F）计算之间的人升的所选功能属于特定的CT检查， 例如 ƒ中线移位或纹理特征的特征。有关的颅内出血量功能，除了上面列出的5个运算符， 和（f）是还添加记录的总血量。
6。 ICP估计。
ICP估计的主要思想是采用机器学习技术，以建立一个模型，根据一组训练样本。然后建立的模型上的其它的试验样品进行评估。由于高维提取的特征，包括那些从CT扫描和人口信息，特征选择是非常重要的，删除不相关的功能，从而稳定一个相对简单的模型。因此，有两个步骤进行ICP估计/预测。首先，选择相对的特点，预测互联网内容提供商的信息。第二个步骤是使用支持向量机（SVM）的学习算法来开发和评估的人才培养模式。软件是这项任务的理想选择，因为它是一个很好的开发工具对于大多数的机器学习算法，并提供了非常强大的培训和评估模型的接口，如RapidMiner 11。
- 分两个阶段执行的功能选择。首先，用信息增益率在第一阶段的标准，选择排名前50位的功能。在第二阶段，使用遗传算法结合SVM的特点，进一步优化选择。然后使用最后一组选定的功能在下面的步骤中建立的模型ICP预测。
- 执行ICP通过机器学习技术的分类和评价。在图8所示的顶层图的培训和测试RapidMiner。应用10折交叉验证方案进行评估的最外层。为了建立一个模型具有较好的泛化，避免过度拟合吨他的训练数据，在每个训练倍嵌套另一个层的交叉验证。在这些模块中，首先应用特征选择上述过程，并与自己的参数选择模块，然后使用SVM进行分类。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
测试CT数据集提供了卡罗来纳州医疗保健系统（CHS）根据机构审查委员会的批准。所有受试者被诊断为轻度至重度脑外伤时，首先送往医院接受治疗。对于每一个病人，被记录的ICP值每隔一小时，用ICP心室区域内之前和之后得到的CT扫描探针。要关联的的ICP价值与每一个CT扫描，CT扫描的时间平均距离最近的两个测量ICP，这两者都是在一个小时内的CT扫描。然后分配在CT扫描的时间的平均值作为估计的ICP值。集团的ICP值分为两大类：ICP升高，如果ICP> 12毫米汞柱和正常的ICP，如果ICP≤12毫米汞柱。该数据集包含17例。从这一组，391轴向CT扫描的图像被选择，表明心室或区域应载有心室。 图2示出了理想中线检测结果。在图3中，该通风ricles分割， 图4示出了估计的实际中线， 图5示出了估计的中线移位， 图7示出了采用GMM的血液的分割。的性能也进行定量评价。在大多数片（80％以上）中，估计了理想中线由框架和手动注解之间的误差是2个像素，这是约1mm左右。对于实际的中线，80％以上具有小于2.25毫米差提供心室分割的质量是比较好的（它被定义为“较好”的分割结果的质量，如果可以用于估计的实际中线手动）。有57 CT扫描ICP预测的评价。评估的结果，所提出的方法是使用以下三种措施：敏感性，特异性和准确性。灵敏度定义为
灵敏度=＃（真阳性）/＃（Positives）。
特异性被定义为
特异性=＃（真阴性）/（阴性）。
的预测精度定义为
精度=＃（校正预测值）/（总样本）。
在我们的研究中使用10倍交叉验证的准确度达到约70％。发现灵敏度为约65％，约73％的特异性。这可能表明，该方法对这个数据集有一定的预测能力。下面的步骤将是类似的结果在其他独立的数据集的复制。
图1。顶层框架的方法有三个原始CT图像的特征提取模块，用于：测量中线移位，纹理分析和bl洪水量的估计。所有所提取的特征和其它所记录的信息，诸如人口统计信息被馈送到的分类模块预测ICP水平。
图2。理想的中线检测的结果，红线是近似理想的中线。两个矩形框分别覆盖骨突起和低级大脑镰。这些框用于减少的关心区域。绿色虚线是最后的检测理想的中线，准确地捕捉到的骨突和下大脑镰。
图3。心室分割的结果。左图像是原始的CT图像。右图的下列翼线：的颅骨，形成由四个线，由另一个四线形成的外边界框的内边界框的内部边缘，边缘的匹配的放大脑室模板，代表所检测到的心室区域的红色区域，灰色区域较其他地区拒绝后申请数的限制，认识到心室的心室地区。
图4。实际中线估计的结果，此图显示了在不同的CT图像具有不同的心室形状的估计结果。白色区域分割心室地区。蓝色的轮廓是的边缘匹配心室模板。红色点表示用来计算实际的中线的心室的内边缘被检测到的特征点。绿线是最终估计ACTU人中线。 点击这里查看大图 。
图5。中线移位估计的结果。左图像显示的输入CT切片。合适的图片显示了类似于图3的处理结果。左边的绿色垂直线表示估计理想的中线，右侧的绿色垂直线表示估计的实际中线。的两条线之间的距离是估计的中线偏移。
图6。获选的六个窗口纹理分析。所选的Windows是红色的矩形，避免心室。
图7。的血液的分割。左图像是CT图像的输入。右图显示的分割图的GMM方法。最亮的区域对应于血液区域。
图8。交叉验证的顶层RapidMiner。左边的窗口显示模块，在培训过程中，在右侧窗口显示模块，在测试过程中。在培训过程中，我们首先使用的信息增益模块和遗传算法模块选择功能。然后，使用支持向量机做分类。支持向量机的参数整定是通过一个嵌套的交叉验证优化参数的过程中。最终完整训练模型的输出从OuterSVM过程中，使用所有的寨宁数据。在测试模块中，所选择的功能使用和训练后的模型进行评估。 点击此处查看大图 。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
在这项研究中，直观和灵活的框架建议，以解决具有挑战性的问题：在CT图像的中线移位和ICP预测的基础上提取的特征的估计。评价结果表明，所提出的方法的有效性。据我们所知，这是第一次有系统的研究，解决了这两个问题。我们注意到，总体框架的基础上，有许多潜在的改进，可以实现。例如，在建议的分割，低层次分割和高层次的认知是分开的，目前还没有反馈，从高层次到低层次分割。从人的视觉检查，具有低电平视野和高的电平识别之间的相互作用，这是不同的。结合这两个层面的一个潜在的方法是所谓的“基于模型的低层次分割”。在该方法中，低级别的分割被引导由日E高的水平地图集的目标结构模型。例如，一个配准算法可以应用在第一步骤中，一个标准的CT图像对齐的CT图像。这可能进一步提高精度的心室确认以及中线移位估计之间的CT图像和标准的CT图像中的大脑结构，因为它可以提供更准确的映射。有关的ICP的预测，即使结果是有希望的测试数据集的基础上，我们必须注意到，样品的大小是有限的。这将是另一个独立的数据集的基础上验证结果更具有说服力。样本大小的ICP预测的机器学习中的应用，是一个非常重要的因素。一个更大的数据集的CT检查，其中可能包含多个不同的模式，在CT图像和ICP信号，可能会更翔实的评估拟议的框架。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
没有利益冲突的声明。
Acknowledgments
该材料是根据工作部分由美国国家科学基金会的支持下批准号：IIS0758410。卡罗来纳医疗保健系统提供的数据。
References
- Langlois, J. A., Rutland-Brown, W., Thomas, K. E. Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , Centers for Disease Control and Prevention, National Center for Injury Prevention and Control. Atlanta, GA. (2006).
- Moore, E. E., Feliciano, D. V., Mattox, K. L. Trauma. , 5th, McGraw-Hill Professional. (2003).
- Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching. BMC Medical Informatics and Decision Making. 9, Suppl 1. (2009).
- 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).
- 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).
- 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).
- Greenspan, H., Ruf, A., Goldberger, J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images. IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).
- Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
- Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
- Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
- 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).
