Summary
自動化された正中線のずれの推定および頭蓋内圧（ICP）の外傷性脳損傷（TBI）患者のコンピューター断層撮影（CT）画像に基づく事前審査システムは、画像処理と機械学習の手法を用いて提案されている。
Abstract
正中線シフト推定および頭蓋内圧（ICP）事前審査システム：本稿では、主に2つの主要コンポーネントから構成されるコンピュータ断層撮影（CT）画像に基づく自動化システムを提案する。第一、正中線のシフトを推定するために理想的な正中線の推定は、頭蓋骨と脳のCTスキャンで解剖学的特徴の対称性に基づいて実行されます。その後、CTスキャンから心室のセグメンテーションを行い、形状マッチングを通じて、実際の正中線の同定のためのガイドとして使用されます。これらのプロセスは、医師によって測定プロセスを模倣して、評価で有望な結果が示されている。第二成分は、より多くの機能も組み込まれているような、年齢、ICPを推定する外傷重症度スコアとしてCTスキャンや他の記録された特徴からテクスチャ情報、血液量として、ICPに関係が抽出されます。そのようなサポートなど、機能の選択と分類を含む機械学習技術、ベクターマシン（SVM）は、RapidMinerを使用して予測モデルを構築するために採用されています。予測の評価はモデルの潜在的な有用性を示しています。推定された理想的な正中線のずれとICPレベルは侵襲のICPモニタリングのためにまたは反対に推薦するように、意思決定を行う医師のための速い事前審査のステップとして使用することができると予測した。
Introduction
毎年米国では約140万外傷性脳損傷（TBI）の関連救急外来の例がありますが、そのうち、死亡1に50,000以上の結果。 TBIの重度は、通常、血腫や脳組織の腫脹などの症状を持つ頭蓋内圧（ICP）の増加を伴っている。追加のリスクで負傷脳を置く減少脳灌流圧と脳血流のこれらの結果、。重度のICPの増加はとてもTBIのが重要である患者のためのICPを監視し、致命的なことができます。これは、典型的に圧力を監視するための脳、唯一の専門医療センターで行うことができる患者のために危険な手順に直接留置カテーテルの配置を必要とします。手順はまた、感染症などのリスクを伴います。しかし、高架ICPの兆しは医用画像工学における顕著かもしれません。具体的には、正中線シフトはしばしば、ICPの増加に関連付けられており、脳計算トンからキャプチャすることができますomography（CT）画像。このように、これらの画像は頭蓋穿頭前に事前審査のステップとして使用することができる高架ICPの非侵襲的検出のための機会を提供する。 CT撮影は、その高速性と相対的な低コストの2、それでも、他のすべての画像モダリティ、 例えば MRIの間の初期のTBIの評価のためのゴールドスタンダードである。さらに、CT検査は厳格な患者不動を必要とし、このような骨の骨折や血腫などの重篤な異常を明らかにすることの利点を持っていません。 CTは、一般的に、現在の技術に基づいて、脳の傷害を検出するために使用されているが、正中線のシフトが自動的に測定されていないため、医師は、目視検査により、この重要な要素を評価する必要があります。不正確なまたは矛盾したCTの解釈は、しばしば人間の視覚システムの性質や脳の複雑な構造に関連付けられています。小さな正中シフトはとらえどころのないですが、彼らはpで、脳損傷の評価のためにしばしば非常に貴重なものです患者の状態を前に損傷の初期段階で関節はいっそうひどくなります。スペクトルの反対側では、大正中シフトが高度に上昇したICPとTBIより厳しいことを示唆している。しかし、それは人間が視覚的にCT画像を検査し、定量的にICPのレベルを予測するために非常にやりがいのある仕事です。自動化された計算手法の進歩により、このような脳のCT画像の正中線シフト、血腫量、テクスチャなどCT画像から抽出された特徴を正確に測定することができると自動的に高度な画像処理手法を用いた。しかし、ICPと正中線のずれ、ならびにそのような出血の度合いなど、他の機能との関係は、CT画像からテクスチャが模索されていません。本論文では、計算フレームワークは、脳のCT画像上で正中線シフト測定だけでなく、他の解剖学的/生理学的特徴を測定するために提案され、その後、機械学習技術を用いて、非侵入ICPの程度を予測しました。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1。手法の概要
提案されたフレームワークが自動的に病的な場合を正中線のシフトを計算し、頭蓋内圧（ICP）を予測することは、それだけでなく、他の抽出された情報を使用するように外傷性脳損傷（TBI）患者の脳のCT画像を処理する。 図1は全体の概略図を示しているフレームワーク。自動化された正中線のずれの測定は、次の3つのステップに分けることができます。まず、脳の正中線には理想的な、怪我する前正中線、 すなわち頭蓋骨の対称性と組織機能の3に基づく階層的な検索を介して検出されています。第二に、脳室系は、それぞれ脳のCT画像4のセグメント化されています。第三に、実際の正中線は、メソッド5に一致する形状を用いて、セグメント化された変形した心室系から推定される。脳室系の水平方向のシフトは、理想正中線と実際の正中線の推定に基づいて推定される。 t後彼正中線シフトを順次シフト正中線、CT画像のテクスチャ情報だけでなく、他の人口統計情報などの機能はICPを予測するために使用されている、と推定される。機械学習アルゴリズムは、ICPと抽出した特徴6との間の関係をモデル化するために使用されています。
2。理想的なミッドライン推定
- このステップでは、頭蓋骨の対称性を利用しておおよその理想的な正中線を検出します。まず、しきい値を使用してグレースケール、頭蓋骨はCT画像内のコンテンツの残りの部分から分割する必要があります。そのあと、頭蓋骨の質量中心のまわりの回転角度を識別するために徹底的な検索を実行。最適な回転角は頭蓋骨の結果半分の対称性を最大化する角度として定義される。おおよその理想的な正中線は質量中心点を通る直線であり、CT画像の元の垂直方向に対して最適な回転天使を持っています。
- このステップでは、Pを検出osterior大脳鎌と矢状溝の縁の前方に鎌のアタッチメント。このステップは、識別されたおおよその理想的な正中線を洗練するために行われる。最初の近似理想正中線と頭蓋の間に2つの交点を中心とする2探索矩形を定義します。次に、経験的に彼らは、以下で説明するように、検出されるべき解剖学的特徴をカバーしている四角形のサイズを選択します。前方鎌アタッチメントは頭蓋上の尾根のピーク点として検出されており、大脳鎌は、臼歯部3の灰色の線として検出されます。
- このステップでは、理想的な正中線の位置を絞り込むために、上記の検出、これらの機能を使用しています。 calvarumから前方鎌アタッチメントと後部大脳鎌で最も遠い点のピーク点が指定されたら、洗練された理想的な正中線には2つの点を結ぶ線である。
3。心室セグメンテーション
- 初の低ルを適用各CTスライス4,7のためにガウス混合モデル（GMM）を用いて、VELセグメンテーション。骨/血液、脳脊髄液（CSF）、灰白質と白質：CT画像は、組織の4つのタイプに分けることができます。ガウス混合モデルの初期化については、パラメータはCT画像のK-meansを繰り返し分割結果に基づいて推定されています。その後、より良いCT画像を表現するために反復的にGMMを最適化するために、期待値最大化（EM）メソッドを使用します。ハード分割結果は、各画素が異なる領域の種類に属しているメンバーシップの最大の確率に基づいて領域にCT画像を分割することによって得ることができる。
- GMMの低レベルのセグメンテーションの後、心室領域を認識するために、分割結果にさらに制約を適用します。一定のしきい値を超えるサイズの心室領域のみが保持されます。よく脳バウンディングボックスとventriclのセットを使用して、心室領域の位置に制約を適用メールテンプレート。標準脳MR画像から心室テンプレートのセットを抽出し、別の科目と病理学的なケースのばらつきに対応するために、形態学的な拡張を使用して、それを拡大します。
4。実際のミッドライン推定
- MRから抽出した心室テンプレート上の特徴点を指定します。
- 複数の領域の形状は、セグメント化された心室とMRの間で5,8テンプレートマッチングでください。
- 形状マッチングを用いた心室形状で識別された特徴点に基づいて実際の正中線を推定する。その後、正中線のx座標を定義するために、それらの特徴点のx座標の平均左側の平均と右側の平均を使用しています。
5。もっと特徴抽出
- CT画像から得られたガウス混合モデル（GMM）分割結果に基づいて、頭蓋内血腫/出血量を測定する。セグメント化された結果は、5月静脈洞血と大脳鎌を含む小領域をcludeが、それらは通常、血腫の地域に比較して無視することができます。次に、各スライスのための血液として分類された画素の数をカウントし、それらをまとめる。最後の合計が、CT検査で溢血ボリュームを定量化します。
- テクスチャ特徴を抽出します。最初の灰白質と白質を取り込み、各CT画像における6つの窓を選択しても、CT画像で血液や心室の構造を避けるため、 図6を参照してください。グレーレベルのランレングス9、ヒストグラム解析、フーリエ解析、デュアル木複素ウェーブレット解析10：すると、次のメソッドを使用して、対応するテクスチャの特徴を抽出する。
- 人口統計情報、外傷重症度スコアも収集されます。
- 各CT画像の抽出されたすべての機能が全体のCT検査を表現するために集約されます。具体的には、min（f）には、max（f）は、中央値（F）、（f）は、STD（f）をらの間で計算されることを意味特定のCT検査に属するL選択した機能は、正中線シフトやテクスチャ特徴のチャƒ、 例えば 。頭蓋内出血量の機能を利用するためには、上記の5事業者に加えて、 和（f）はまた、総血液量を記録するために追加されます。
6。 ICPの推定
ICPの推定の主なアイデアは、トレーニングサンプルのセットに基づいてモデルを構築するための機械学習手法を適用することです。その後、構築されたモデルは、残りのテストサンプルで評価されます。なぜならCTスキャンや人口統計情報からのものも含め、抽出された特徴の次元数が大きい、特徴選択は、比較的単純なため、安定したモデルのために無関係な機能を削除することが重要です。したがって、ICPの推定/予測のために実行される2つのステップがあります。最初に、ICPを予測する上で有益であり、相対機能を選択します。第二段階は次のようにサポートベクターマシン（SVM）を使用することです研修モデルを開発し、評価するためのアルゴリズムを学習。それは機械学習アルゴリズムのほとんどのために非常によく開発されたツールであり、モデルを訓練し、評価するための非常に強力なインタフェースを提供しますので、このようなRapidMiner 11などのソフトウェアでは、このタスクのための理想的です。
- 2段階で機能の選択を行います。最初のトップ50の機能を選択することが最初の段階で情報利得比基準を使用しています。第二段階では、さらなる機能の選択を最適化するために、遺伝的アルゴリズム組み込んSVMを使用しています。その後、次のステップで、ICPの予測のためのモデルを構築するために選択した機能の最終的なセットを使用しています。
- 機械学習技術を介して、ICPの分類と評価を行う。トレーニングとテストのトップレベル図を図8にRapidMinerに示されている。評価のための最も外側の層として10分割交差検証スキームを適用します。高い汎使用してモデルを構築し、tにオーバーフィッティング避けるために、彼は訓練データ、各トレーニング折り込むクロスバリデーションの巣別の層。これらのモジュールでは、まず、上記の機能の選択のプロセスを適用し、その後、独自のパラメータ選択モジュール6と分類にSVMを使用しています。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
テストのCTデータセットは、治験審査委員会の承認の下にキャロライナ·ヘルスケア·システム（CHS）により提供されていました。最初の病院に入院したときにすべての被験者は、TBIの重度軽度と診断された。それぞれの患者については、ICPの値が得られた前とCTスキャン後の両方の心室領域内のICPのプローブを使用した時間ごとに記録した。 CTスキャンの時間の範囲内である、どちらもそれぞれのCTスキャン、CTスキャンの時間に平均ICPの最も近い2つの測定値を、とICPの値を関連付けることができます。その後CTスキャン時の推定、ICP値として平均値を代入します。グループ2クラスにICPの値：高架ICPの場合は、ICP> 12ミリメートルHgおよび通常のICPの場合は、ICP≤12ミリメートルHg。データセットには、17人の患者が含まれています。このセットから、391軸CTスキャン画像は、show心室または心室が含まれているはずの地域図2は、理想的な正中線の検出結果を示すことが選択されています。 図3は 、通気孔にriclesはセグメント化されています。 図4は、推定された実際の正中線を、 図5は、正中線ずれの推定を示し、 図7は、GMMを用いた血液のセグメンテーションを示しています。性能の定量的評価も行っています。ほとんどのスライス（80％以上）では、フレームワークによって推定された理想的な正中線と手動注釈間の誤差は約1mm 2画素程度です。実際の正中線については、80％以上未満2.25ミリメートルの差は分割結果の品質は実際の中心線の推定に用いることができるのならそれは "比較的良い"と定義されている（心室セグメンテーションの質は比較的良好であることを提供してきました手動で）。 ICPの予測の評価における57 CTスキャンがあります。感度、特異度、精度：提案手法の結果は、次の3つの尺度を用いて評価されます。感度は次のように定義され
=＃（真陽性）/＃（P感度ositives）。
特異性は次のように定義され
特異性=＃（真陰性）/＃（陰性）。
叙述の精度は次のように定義され
精度=＃（総サンプル数）（予測補正）/＃。
約70％の精度が10倍クロスバリデーションを用いた我々の研究で達成された。感度は約73％の約65％、特異であることが分かった。これは、このデータ·セット上の提案した方法の特定の予測力を示唆する可能性があります。次のステップは、他の独立したデータセットでも同様の結果の複製であろう。
図1。メソッドのトップレベルのフレームワーク生のCT画像の3つの特徴抽出モジュールがあります。正中シフト測定、テクスチャ解析とblOOD量推定。抽出されたすべての機能や人口統計情報などの他の記録された情報は、ICPのレベルを予測する分類モジュールに供給される。
図2。理想的な正中線の検出結果。赤い線はおおよその理想的な正中線です。 2長方形のボックスはそれぞれ骨突起と下大脳鎌をカバーしています。これらのボックスは、関心のある領域を減らすために使用されます。緑の破線は正確に骨の突起と下大脳鎌を取り込み最終検出理想正中線です。
図3。心室セグメンテーションの結果。左の画像は、元のCT画像です。右の画像はfolloで構成されています翼線：頭蓋骨の内側エッジ、4本の線によって形成された内側のバウンディングボックスは、別の4行、一致拡大心室テンプレートのエッジ検出心室領域を表す赤の領域、灰色の領域によって形成された外側のバウンディングボックス表す他の領域は認識心室上いくつかの制約を適用した後である心室領域を拒否した。
図4。実際の正中線推定の結果、この図は、異なる心室形状の異なるCT画像における推定結果を示しています。白い領域は、セグメント化された心室領域である。青い輪郭が一致した心室テンプレートのエッジです。赤のポイントは、実際の正中線を計算するために使用される心室の内側のエッジを表す特徴点を検出します。緑色の線は、最終的な推定ACTUですら正中線。 拡大図を表示するにはここをクリック 。
図5。正中線シフト推定の結果。左の画像は、入力CTスライスを示しています。右の画像は、 図3と同様に処理した結果を示す。左の緑色の縦線は、推定された理想的な正中線を表し、右の縦の緑のラインは、推定された実際の正中線を表しています。 2線間の距離は、推定された正中線のシフトである。
図6。テクスチャ解析のための6つの選択したウィンドウ。選択したウィンドウは、心室を避けて赤い長方形である。
図7。血液セグメンテーション。左の画像は、入力CT画像です。右の画像では、GMMの方法により製造されたセグメンテーションマップを示します。明るい領域は、血液領域に対応する。
図8。 RapidMinerのトップレベルのクロスバリデーションは、左ウィンドウには、訓練プロセス内のモジュールを表示し、右のウィンドウには、テスト·プロセス内のモジュールを示しています。訓練過程では、まず機能を選択するための情報利得モジュールと遺伝的アルゴリズムのモジュールを使用します。その後、SVMは分類を行うために使用されます。 SVMのパラメータチューニングを最適化パラメータプロセスで、ネストされたクロスバリデーションを介して行われます。最後の完全な訓練されたモデルは、すべてのTRAIを使用OuterSVMプロセスから出力されデータ寧。テストモジュールでは、選択した機能が使用され、訓練されたモデルが評価されます。 拡大図を表示するには、ここをクリックしてください 。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
抽出された特徴に基づいて、CT画像とICPレベルの予測で正中線のシフトの推定：本研究では、直感的で柔軟なフレームワークは、2困難な問題に対処するために提案されている。評価実験により、提案手法の有効性を示す。私たちが知る限り、これは、これらの二つの問題に対処する上で系統的な研究の最初の時間です。我々は、一般的なフレームワークに基づいて、達成することができ、多くの潜在的な改善があることに気付く。例えば、提案セグメンテーションでは、低レベルの細分化と高レベルの認識が分離されており、現在は高レベルから低レベルのセグメンテーションへのフィードバックはありません。これは低レベルのビジョンと高レベルの認識との間の相互作用を持っている人間の目視検査とは異なります。一緒にこれらの2つのレベルを結合する一つの潜在的なアプローチは、いわゆる "モデルをベースとした低レベルのセグメンテーション"です。この方法では、低レベルのセグメンテーションは目によって導かれるターゲット構造の電子高水準アトラスモデル。例えば、登録アルゴリズムは標準的なCT画像にCT画像を整列するための最初のステップで適用することができる。それはCT画像と標準的なCT画像との間の脳の構造で、より正確なマッピングを提供するかもしれないので、これがさらに心室認識だけでなく、正中線ずれの推定精度を向上することがあります。 ICPの予測では、結果がテストしたデータセットに基づいて有望視されているにもかかわらず、我々は、サンプルのサイズが限られていることに気づく必要があります。それは別の独立したデータセットに基づいて結果を検証するために、より説得力のあるようになります。 ICPの予測のための機械学習のアプリケーションでは、サンプル·サイズが非常に重要な因子である。 CT画像とICPの両方の信号に複数の異なるパターンが含まれている場合があり、CT検査の大きなデータセットでは、提案された枠組みの、より有益な評価を与えることがあります。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
特別な利害関係は宣言されません。
Acknowledgments
材料の一部が助成金番号IIS0758410下で国立科学財団によってサポートされた仕事に基づいています。データはキャロライナヘルスケアシステムによって供給された。
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).
