Summary
Een geautomatiseerde middellijn shift schatting en intracraniële druk (ICP) pre-screening op basis van computertomografie (CT) beelden voor patiënten met traumatisch hersenletsel (TBI) wordt voorgesteld met behulp van beeldverwerking en machine learning technieken.
Abstract
In dit artikel presenteren we een geautomatiseerd systeem vooral gebaseerd op de computertomografie (CT) beelden, bestaande uit twee hoofdonderdelen: de middellijn shift schatting en intracraniële druk (ICP) pre-screening systeem. De middellijn shift eerste raming een schatting van het ideale middellijn uitgevoerd op basis van de symmetrie van de schedel en anatomische kenmerken in de hersenen CT scan. Vervolgens wordt segmentatie van de ventrikels van de CT-scan en gebruikt als richtlijn voor de identificatie van de werkelijke middellijn door matching vorm. Deze processen bootsen de meting door artsen en hebben veelbelovende resultaten bij de evaluatie. In de tweede component, meer mogelijkheden geëxtraheerd verband met ICP, zoals de textuurinformatie, bloed hoeveelheid van CT scans en andere opgenomen kenmerken, zoals leeftijd, letselernst score van de ICP schatten zijn ook opgenomen. Machine learning technieken, waaronder feature selectie en classificatie, zoals ondersteuningVector Machines (SVMs), worden gebruikt om het voorspellingsmodel met RapidMiner te bouwen. De evaluatie van de voorspelling toont potentiële nut van het model. De geschatte ideale middellijn shift en voorspelde ICP niveaus kan worden gebruikt als een snelle pre-screening stap voor artsen om beslissingen te nemen, om zo aan te bevelen voor of tegen invasieve ICP monitoring.
Introduction
Elk jaar zijn er ongeveer 1,4 miljoen traumatisch hersenletsel (TBI) gerelateerde afdeling spoedeisende gevallen in de Verenigde Staten, waarvan meer dan 50.000 de dood tot gevolg 1. Ernstige TBI gaat meestal gepaard met een toename van de intracraniale druk (ICP) met symptomen zoals hematomen en zwelling hersenweefsel. Deze resulteren in een verminderde cerebrale perfusie druk en cerebrale doorbloeding, het plaatsen van de gewonde hersenen in extra risico. Ernstige ICP stijging fataal kan zijn, zodat de controle ICP voor patiënten met TBI is cruciaal. Dit vereist typisch plaatsing van katheters direct in de hersenen voor de monitoring van druk, een riskante procedure voor patiënten die alleen kan worden uitgevoerd in gespecialiseerde medische centra. Deze procedure houdt ook risico zoals een infectie. Echter, sommige tekenen van verhoogde ICP merkbaar zijn in de medische beeldvorming. In het bijzonder wordt middellijn shift vaak geassocieerd met een verhoging van de ICP en kunnen worden overgebracht naar de hersenen berekende tomography (CT) beelden. Als zodanig zijn deze beelden een gelegenheid voor niet-invasieve detectie van verhoogde ICP die kunnen worden gebruikt als pre-screening stap voor craniale trepanatie. CT is nog steeds de gouden standaard voor TBI eerste beoordeling van alle andere beeldvormingsmodaliteiten zoals MRI, vanwege de hoge snelheid en relatief lage kosten 2. Bovendien is een CT-onderzoek niet strikte patiënt immobiliteit, en heeft voordeel bij het onthullen van ernstige afwijkingen, zoals botbreuken en hematomen. Terwijl CT wordt gebruikt voor detectie van letsels in de hersenen, op basis van de huidige technologie is middellijn verschuiving niet automatisch gemeten en derhalve artsen moeten deze belangrijke factor bepalen door visuele inspectie. Onnauwkeurig of niet CT interpretatie wordt vaak geassocieerd met de aard van het menselijke visuele systeem en de complexe structuur van de hersenen. Terwijl kleine middellijn verschuivingen zijn ongrijpbaar, ze zijn vaak van onschatbare waarde voor de beoordeling van hersenletsel, in particulaire vroeg stadium van schade voordat toestand van de patiënt ernstiger. Aan de andere kant van het spectrum, grote middellijn shift suggereert sterk verhoogde ICP en ernstige TBI. Het is echter een zeer uitdagende taak voor mensen visueel inspecteren CT beelden en kwantitatief te voorspellen het niveau van ICP. Door de vooruitgang in geautomatiseerde computationele technieken kunnen features uit CT beelden, zoals middellijn verschuiving hematoom volume en textuur van hersenen CT beelden, nauwkeurig worden gemeten en automatisch met behulp van geavanceerde beeldverwerkingsmethoden. De relatie tussen ICP en middellijn shift en andere functies zoals de mate van bloeding, is de structuur van CT beelden niet onderzocht. In dit artikel is een computationeel raamwerk voorgesteld aan de middellijn shift meting en andere fysiologische / anatomische kenmerken op de hersenen CT-beelden vervolgens te meten en de mate van ICP niet-opdringerig met behulp van machine learning technieken voorspellen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Methodologie Overzicht
Het voorgestelde kader verwerkt de hersenen CT beelden van traumatisch hersenletsel (TBI) patiënten automatisch berekenen middellijn verschuiving in pathologische gevallen en evenals andere geëxtraheerde informatie gebruiken om intracraniale druk (ICP) te voorspellen. Figuur 1 toont het schema van de gehele kader. De geautomatiseerde middellijn shift meting kan worden onderverdeeld in drie stappen. Ten eerste, de ideale middellijn van de hersenen, de middellijn voor letsel dat wil zeggen, is te vinden via een hiërarchische zoeken op basis van de schedel symmetrie en weefsel functies 3. Ten tweede, het ventriculaire systeem is gesegmenteerd voor elk hersenen CT-beeld 4. Ten derde is de werkelijke middellijn op basis van de gesegmenteerde vervormd ventriculaire systeem met een vorm matching methode 5. De horizontale verschuiving van het ventriculaire systeem wordt dan geschat op basis van de schatting van de ideale middellijn en de werkelijke middellijn. Na thij middellijn shift achtereenvolgens geschat functies zoals middellijn shift, textuurinformatie van CT beelden, en andere demografische gegevens worden gebruikt om ICP voorspellen. Machine learning algoritmen worden gebruikt om de relatie tussen de ICP en de geëxtraheerde kenmerken 6 model.
2. Ideaal Midline Schatting
- Deze stap detecteert de geschatte ideale middellijn met behulp van symmetrie van de schedel. Eerst met grijstinten Thresholding, de schedel moet gesegmenteerd van de rest van de inhoud van het CT beeld. Waarna voeren een grondig onderzoek naar de rotatiehoeken in het massamiddelpunt van de schedel identificeren. De optimale rotatiehoek wordt gedefinieerd als de hoek die de symmetrie van de verkregen helften van de schedel maximaliseert. De geschatte ideale middellijn is de lijn die door het massamiddelpunt punt en heeft de optimale rotatie angel ten opzichte van de oorspronkelijke verticale richting van het CT beeld.
- Deze stap detecteert de posterior falx cerebri anterior en falx gehechtheid aan de marge van de sagittale sulcus. Deze stap wordt uitgevoerd om de geïdentificeerde benadering ideale middellijn verfijnen. Eerste definiëren twee zoeken rechthoeken gecentreerd op de twee snijpunten tussen de geschatte ideale middellijn en de calvarium. Kies vervolgens de grootte van de rechthoeken empirisch zodat ze betrekking hebben op de anatomische kenmerken te detecteren zoals hieronder uiteengezet. De voorste falx beslag wordt gedetecteerd als de piek punt van de nok op de calvarium en de falx cerebri wordt gedetecteerd als de grijze lijn in het posterieure gebied 3.
- Deze stap maakt gebruik van deze functies boven gedetecteerd om de ideale middellijn positie te verfijnen. Zodra de piek punt van de voorste falx gehechtheid en het verste punt in het achterste falx cerebri van de calvarum zijn gespecificeerd, de verfijnde ideale middellijn is de lijn tussen de twee punten.
3. Ventrikel Segmentatie
- Breng eerst een laag-level segmentatie met behulp van een Gauss-mengsel model (GGM) voor elke CT slice 4,7. CT-beelden kunnen worden onderverdeeld in 4 soorten weefsel: bot / bloed, cerebrospinale vloeistof (CSF), grijs en witte stof. Voor het initialiseren van de Gaussian Mixture Model worden de parameters geschat op basis van een iteratieve K-means segmentatie resultaat van het CT beeld. Maak dan gebruik van de verwachting-maximalisatie (EM) methode om iteratief te optimaliseren GGM beter vertegenwoordigen de CT-beeld. De harde segmentatie resultaat kan worden verkregen door afscherming van de CT beeld in gebieden gebaseerd op de maximale waarschijnlijkheid van het lidmaatschap dat elke pixel behoort tot verschillende types regio.
- Na het lage segmentatie van GMM, bijkomende beperkingen gelden de segmentatie resultaat om ventriculaire regio herkennen. Alleen ventriculaire gebieden met grootte boven een bepaalde drempel blijven behouden. Beperkingen van toepassing op de locatie van ventriculaire regio en met de hersenen kader en de reeks ventricle sjablonen. Pak de set van ventrikel sjablonen van een standaard hersenen MR beelden en dan vergroten met behulp van de morfologische dilatatie van variaties tussen de verschillende onderwerpen en pathologische gevallen tegemoet te komen.
4. Werkelijke Midline Schatting
- Geef de functie punten op de ventrikel sjablonen uit MR.
- Stel de Meerdere Regio's Shape Matching 5,8 tussen gesegmenteerde ventrikels en de MR sjabloon.
- Raming van de werkelijk middellijn gebaseerd op de geïdentificeerde kenmerkende punten op de ventrikel vormen die vorm matching. Dan het gemiddelde van de gemiddelde linker en rechterzijde gemiddelde van de x-coördinaten van de kenmerkende punten van de x-coördinaat van de middellijn definiëren.
5. Meer functie Extracties
- Meet de intracraniële hematoom / bloedingen volume op basis van het Gaussiaans mengsel model (GMM) segmentatie resultaten van de CT-beelden. De gesegmenteerde resultaat kan include kleine regio's, waaronder veneuze sinus bloed en falx cerebri, maar ze kunnen meestal worden verwaarloosd ten opzichte van de regio's van hematoom. Dan tel het aantal pixels geclassificeerd als bloed voor elk segment en vatten ze op. De uiteindelijke som kwantificeert de extravasatie van bloed volume in de CT-onderzoek.
- Extract textuur eigenschappen. Selecteer eerst zes ramen in elke CT-beeld, dat de grijze en witte stof vangt, maar voorkomen dat het bloed en de ventrikel structuren in het CT-beeld, zie Figuur 6. Pak dan de overeenkomstige structuur functies met behulp van de volgende methoden: Gray Level Run lengte 9, Histogram analyse, Fourier analyse, Dual Tree Complex Wavelet analyse 10.
- Demografische gegevens en letselernst score worden verzameld.
- Alle gewonnen kenmerken van elke CT-beeld worden samengevoegd om de volledige CT-onderzoek vertegenwoordigen. In het bijzonder, min (f), max (f), mediaan (f), gemiddelde (f), std (f) worden berekend onder all de geselecteerde functies die behoren tot de specifieke CT-onderzoek, bijvoorbeeld een functie ƒ van de middellijn shift of een textuur functie. Voor de intracraniale bloeding bedrag kenmerk, naast de 5 operators hierboven genoemde som (f) wordt ook toegevoegd aan het totale bloedvolume te nemen.
6. ICP Schatting
Het belangrijkste idee van ICP schatting is machine learning technieken toe te passen om een model op basis van een set van training monsters op te bouwen. Is de ingebouwde model wordt geëvalueerd op de resterende monsters. Vanwege de hoge dimensie van geëxtraheerde kenmerken, zoals die van de CT-scans en demografische informatie, feature selectie is van belang voor niet-verbonden functies te verwijderen voor een relatief eenvoudige manier stabiel model. Daarom zijn er twee stappen die moeten worden uitgevoerd voor ICP schatting / voorspelling. Selecteer eerst de relatieve kenmerken die zijn informatief in het voorspellen van ISP's. De tweede stap is het Support Vector Machines (SVM) te gebruiken als deleeralgoritme te ontwikkelen en evaluatie van de opleidings-model. Software zoals RapidMiner 11 is ideaal voor deze taak, want het is een zeer goed ontwikkeld instrument voor de meeste van machine learning algoritmen en biedt een zeer krachtige interfaces om te trainen en te evalueren modellen.
- Voer de functie selectie in twee fasen. Gebruik eerst de informatie winst verhouding criterium in de eerste etappe naar de top 50 functies te selecteren. In de tweede fase met een genetisch algoritme waarin SVM verder optimaliseren van de functie selectie. Maak dan gebruik van de laatste set van de geselecteerde functies om het model voor ICP voorspelling te bouwen in de volgende stap.
- Voer ICP classificatie en evaluatie door middel van machine learning technieken. Het hoogste niveau diagram van de opleiding en het testen zijn weergegeven in RapidMiner in figuur 8. Breng een 10-voudige cross-validatie regeling als de buitenste laag voor evaluatie. Om een model te bouwen met een betere generalisatie en voorkomen dat over-fitting naar thij trainingsgegevens, nest een andere laag van cross-validatie in elke training vouw. In deze modules, eerst van toepassing de functie selectieproces hierboven beschreven en vervolgens een SVM te gebruiken voor classificatie met een eigen parameter selectie module 6.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Het testen CT datasets werden verstrekt door de Carolina Healthcare System (CHS) onder Institutional Review Board goedkeuring. Alle proefpersonen werden gediagnosticeerd met een lichte tot ernstige TBI bij de eerste opname in het ziekenhuis. Voor elke patiënt werd de ICP-waarde per uur met ICP probes in de ventrikel gebied voor en na CT scans werden verkregen. De ICP waarde koppelen aan elke CT scan, gemiddelde de twee grootste afmetingen van ICP de tijd van CT scan, die beide binnen een uur na de CT scan. Wijs de gemiddelde als de geschatte ICP ten tijde van de CT scan. Groep de ICP waarden in twee klassen: verhoogde ICP als ICP> 12 mm Hg en normale ICP als ICP ≤ 12 mm Hg. De datasets bevatten 17 patiënten. Uit deze set worden 391 axiale CT beelden geselecteerd die aantonen ventrikels of regio's moeten bevatten ventrikels. Figuur 2 het resultaat van de ideale middellijn detectie toont. In figuur 3 is de ontluchtingricles zijn gesegmenteerd. Figuur 4 toont de veronderstelde middellijn. Figuur 5 toont de bepaling van middellijn shift. Figuur 7 toont de indeling van bloed met GMM. Een kwantitatieve beoordeling van de prestaties wordt ook uitgevoerd. In de meeste schijfjes (meer dan 80%), de fout tussen de ideale middellijn geschat door het kader en de handleiding annotatie zijn ongeveer 2 pixels, dat is ongeveer 1 mm. Voor de eigenlijke middellijn dan 80% minder dan 2,25 mm verschil mits de kwaliteit van de segmentatie ventriculaire relatief goed (het wordt gedefinieerd als "relatief goed" als de kwaliteit van de segmentatie resultaat kan worden gebruikt voor de schatting van de werkelijke middellijnen handmatig). Er zijn 57 CT scans bij de evaluatie van ICP voorspelling. Het resultaat van de voorgestelde methode is geëvalueerd met de volgende drie maatregelen: gevoeligheid, specificiteit en precisie. Gevoeligheid is gedefinieerd als
gevoeligheid = # (true positives) / # (positives).
De specificiteit wordt gedefinieerd als
specificiteit = # (true negatieven) / # (negatieven).
De voorspelling nauwkeurigheid wordt gedefinieerd als
nauwkeurigheid = # (gecorrigeerd voorspeld) / # (alle monsters).
Een nauwkeurigheid van ongeveer 70% bereikt in onze studie met 10 voudige kruisvalidatie. De gevoeligheid bleek ongeveer 65% en een specificiteit van ongeveer 73% bedragen. Dit suggereert een zekere voorspellende kracht van de voorgestelde werkwijze op deze dataset. De volgende stap is replicatie van vergelijkbare resultaten in andere onafhankelijke datasets zijn.
Figuur 1. Het hoogste niveau kader van de methode Er zijn drie feature extractie modules voor de ruwe CT-beelden:. Middellijn shift meting, textuur analyse en blood hoeveelheid schatting. De uitgepakte kenmerken en andere geregistreerde informatie, zoals demografische gegevens worden ingevoerd in de indeling module de ICP niveau voorspellen.
Figuur 2. Het resultaat van de ideale middellijn detectie. De rode lijn is de geschatte ideale middellijn. De twee rechthoekige dozen betrekking hebben op de bot uitsteeksel en de onderste falx cerebri respectievelijk. Deze dozen worden gebruikt om de gebieden van belang te verminderen. De groene stippellijn is de laatste gedetecteerde ideale middellijn, die het bot uitsteeksel en de onderste falx cerebri vangt accuraat.
Figuur 3. Het resultaat van de segmentatie ventrikel. De linker afbeelding is de oorspronkelijke CT beeld. De rechter afbeelding bestaat uit de volspatbordlijnen: de binnenrand van de schedel, het binnenste selectiekader gevormd door vier lijnen de buitenste selectiekader gevormd door andere vier lijnen de rand van de afgedekte uitgebreide ventrikel template, de rode gebieden die het gedetecteerde ventriculaire regio, de grijze gebieden die andere regio's zijn ventriculaire regio's afgewezen na het aanbrengen van een aantal beperkingen op het herkennen van ventrikels.
Figuur 4. Het resultaat van de werkelijke schatting middellijn. Deze figuur toont de schattingsresultaten in verschillende CT beelden met verschillende ventriculaire vormen. De witte gebieden zijn gesegmenteerd ventriculaire regio's. De blauwe contouren de rand van de afgedekte ventriculaire templates. De rode punten worden gedetecteerd kenmerkende punten die de binnenranden van de ventrikels gebruikt om de werkelijke middellijn berekenen. De groene lijn is de laatste schatting actual. middellijn. Klik hier om een grotere afbeelding te bekijken .
Figuur 5. Het resultaat van de middellijn shift schatting. Het linker plaatje toont de ingang CT slice. De rechter afbeelding toont het verwerkte resultaat vergelijkbaar met figuur 3. De linker verticale groene lijn geeft het geschatte ideale middellijn, en de rechter verticale groene lijn is de geschatte werkelijke middellijn. De afstand tussen de twee lijnen is het geschatte middellijn shift.
Figuur 6. De zes geselecteerde vensters voor textuur analyse. De geselecteerde vensters zijn de rode rechthoeken het vermijden van de ventrikels.
Figuur 7. Het bloed segmentatie. De linker afbeelding is de ingang CT-beeld. De rechter afbeelding toont de segmentatie kaart geproduceerd door de GMM-methode. De helderste gebied komt overeen met het bloed regio.
Figuur 8. Het hoogste niveau cross-validatie in RapidMiner. De linker venster toont de modules in het opleidingsproces en in het rechtervenster worden de modules in het testproces. In de training, eerst gebruiken we de informatie krijgen module en de genetische algoritme module om functies te selecteren. Dan is een SVM wordt gebruikt voor de indeling doen. De parameter tuning van de SVM wordt gedaan door middel van een geneste cross-validatie in het optimaliseren Parameter proces. De uiteindelijke volledige getrainde model is de uitvoer van de OuterSVM proces met alle training van gegevens. In de testen module worden de geselecteerde functies gebruikt en de getrainde model wordt geëvalueerd. Klik hier om een grotere afbeelding te bekijken .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In deze studie wordt een intuïtieve en flexibel framework voorgesteld om twee uitdagende problemen aan te pakken: de schatting van de middellijn verschuiving in CT-beelden en ICP-niveau voorspelling op basis van geëxtraheerde kenmerken. De evaluatie resultaten tonen de effectiviteit van de voorgestelde werkwijze. Voor zover wij weten is dit de eerste keer dat van een systematische studie in de aanpak van deze twee problemen. We merken dat op basis van het algemene kader, zijn er vele mogelijke verbeteringen die kunnen worden bereikt. Bijvoorbeeld, in de voorgestelde segmentatie worden de lage en hoge segmentatie erkenning gescheiden en momenteel is er geen feedback van het hoge niveau naar het lage niveau segmentatie. Dit is anders dan menselijke visuele inspectie, die de interacties tussen het lage niveau visie en hoog niveau erkenning heeft. Een mogelijke benadering combineren deze twee niveaus is het zogenaamde "model based lage segmentatie". In deze methode wordt het lage segmentatie geleid door the hoog niveau atlas modellen van de beoogde structuur. Bijvoorbeeld kan een registratie algoritme worden toegepast in de eerste stap de CT beelden te richten op een standaard CT beeld. Dit kan verder de nauwkeurigheid van ventrikel erkenning evenals de schatting van de middellijn shift omdat het mogelijk nauwkeuriger karteren van de hersenstructuren tussen de CT beelden en de standaard CT beeld. Voor de ICP voorspelling, hoewel het resultaat veelbelovend gebaseerd op geteste dataset, we zien dat het formaat van de monsters beperkt. Het zal overtuigender om de resultaten op basis van een andere onafhankelijke dataset te valideren. Bij de toepassing van machine learning voor ICP voorspelling, de steekproefomvang is een zeer belangrijke factor. Een grotere dataset van CT-onderzoeken, die meer verschillende patronen kunnen bevatten in zowel CT-beelden en ICP-signalen, kan een meer informatieve evaluatie van het voorgestelde kader.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenconflicten verklaard.
Acknowledgments
Het materiaal is gebaseerd op het werk gedeeltelijk ondersteund door de National Science Foundation onder Grant No IIS0758410. De gegevens werden geleverd door Carolina Healthcare System.
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).
