Maj automatique Ligne médiane et estimation de la pression intracrânienne basée sur des images CT du cerveau

Summary

Une estimation médiane automatisé changement et de la pression intracrânienne (PIC) de présélection système basé sur la tomodensitométrie (TDM) images pour les patients présentant une lésion cérébrale traumatique (TBI) est proposé d'utiliser le traitement d'images et de techniques d'apprentissage automatique.

Abstract

Dans cet article, nous présentons un système automatisé basé principalement sur les tomodensitométrie (CT) images constituées de deux composants principaux: le changement d'estimation médiane et de la pression intracrânienne (PIC) de présélection système. Pour estimer le décalage ligne médiane, une première estimation de la ligne médiane idéale est effectuée en fonction de la symétrie du crâne et des caractéristiques anatomiques dans le cerveau CT scan. Ensuite, la segmentation des ventricules du scanner est effectuée et utilisée comme guide pour l'identification de la ligne médiane réelle par correspondance de forme. Ces processus imiter le processus de mesure par les médecins et ont montré des résultats prometteurs dans l'évaluation. Dans le second volet, plus de fonctionnalités sont extraits liés à l'ICP, telles que l'information de texture, la quantité de sang à partir de la tomodensitométrie et d'autres éléments enregistrés, tels que l'âge, le degré de gravité pour estimer l'ICP sont également intégrés. Techniques d'apprentissage automatique, y compris la sélection des fonctionnalités et de la classification, comme le soutienVector Machines (SVM), sont utilisées pour construire le modèle de prédiction en utilisant RapidMiner. L'évaluation de la prédiction montre l'utilité potentielle du modèle. Le changement de la ligne médiane estimée idéal et les niveaux prévus ICP peut être utilisé comme un moyen rapide de présélection étape pour les médecins à prendre des décisions, de façon à recommander pour ou contre ICP surveillance invasive.

Introduction

Chaque année, il ya environ 1,4 million de traumatismes cranio-cérébraux (TCC) liées à l'urgence des cas aux États-Unis, dont, plus de 50.000 entraîner la mort ^1. TCC sévère est généralement accompagnée par une augmentation de la pression intracrânienne (PIC) avec des symptômes tels que des hématomes et un gonflement des tissus cérébraux. Cela entraîne la pression de perfusion cérébrale réduite et le débit sanguin cérébral, placer dans le cerveau lésé risque supplémentaire. Sévère augmentation ICP peut être fatale, si la surveillance ICP pour les patients victimes d'un TCC est cruciale. Cela nécessite généralement le placement de cathéters directement dans le cerveau pour la surveillance de la pression, une procédure risquée pour les patients qui ne peuvent être réalisées à des centres médicaux spécialisés. La procédure implique également des risques comme l'infection. Toutefois, certains signes d'élévation ICP peut être visible en imagerie médicale. En particulier, le décalage médiane est souvent associée à une augmentation de la PIC et peut être capté depuis le cerveau t calculéeomography (CT) des images. En tant que tel, ces images fournissent une opportunité pour la détection non invasive de l'élévation du PCI qui peut être utilisé comme une étape de pré-sélection avant la trépanation crânienne. TDM est encore l'étalon-or pour l'évaluation initiale TBI parmi tous les autres modalités d'imagerie IRM, par exemple, en raison de sa grande vitesse et le coût relativement faible ^2. En outre, un examen tomodensitométrique ne nécessite pas l'immobilité du patient stricte, et a l'avantage de révéler des anomalies sévères telles que les fractures osseuses et des hématomes. Tandis que CT est couramment utilisé pour la détection de lésions dans le cerveau, basé sur la technologie actuelle, décalage ligne médiane n'est pas automatiquement mesurée et donc les médecins doivent évaluer ce facteur important par inspection visuelle. Inexact ou contradictoire par interprétation CT est souvent associée à la nature du système visuel humain et la structure complexe du cerveau. Alors que les petites variations médianes sont insaisissables, ils sont souvent précieux pour l'évaluation des lésions cérébrales, en particulaire à des stades précoces de la blessure avant l'état du patient s'aggrave. De l'autre côté du spectre, changement de ligne médiane grande suggère fortement élevée ICP et plus sévère TBI. Toutefois, il s'agit d'une tâche très difficile pour l'homme d'inspecter visuellement les images CT et de prédire le niveau de l'ICP quantitativement. Grâce aux progrès des techniques automatisées de calcul, les caractéristiques extraites des images CT, telles que le levier ligne médiane, le volume de l'hématome et la texture des images CT du cerveau, peut être mesurée avec précision et automatiquement à l'aide des méthodes avancées de traitement d'image. Cependant, la relation entre le PCI et le décalage ligne médiane ainsi que d'autres fonctionnalités telles que le degré de saignement, la texture de CT images n'a pas été explorée. Dans cet article, un cadre de calcul a été proposée pour mesurer la mesure du décalage de la ligne médiane ainsi que d'autres caractéristiques physiologiques / anatomiques sur les images CT du cerveau, puis de prédire le degré d'ICP non-intrusive à l'aide techniques d'apprentissage automatique.

Protocol

1. Aperçu de la méthodologie

Le cadre proposé traite les images du cerveau CT de lésion cérébrale traumatique (TBI) des patients afin de calculer automatiquement quart ligne médiane dans les cas pathologiques et l'utiliser ainsi que d'autres informations extraites de prédire la pression intracrânienne (PIC). Figure 1 montre le schéma de principe de l'ensemble du cadre. La mesure automatisée ligne médiane de décalage peut être divisé en trois étapes. Tout d'abord, la ligne médiane idéale du cerveau, c'est à dire avant la ligne médiane blessure, se trouve par l'intermédiaire d'une recherche hiérarchique sur la base de la symétrie du crâne et ³ fonctions tissulaires. Deuxièmement, le système ventriculaire est segmenté pour chaque image du cerveau CT ^4. Troisièmement, la ligne médiane réelle est estimée à partir du système ventriculaire déformée segmentée en utilisant une forme correspondant à la méthode ^5. Le déplacement horizontal du système ventriculaire est alors estimée sur la base de l'estimation de la ligne médiane de la ligne médiane idéale et réelle. Après til est successivement changement de ligne médiane estimée, y compris les fonctions de changement de ligne médiane, des informations de texture des images de tomodensitométrie, ainsi que d'autres informations démographiques sont utilisés pour prédire ICP. Algorithmes d'apprentissage automatique sont utilisés pour modéliser la relation entre le PCI et les caractéristiques extraites ^6.

2. Idéal Estimation Midline

1. Cette étape permet de détecter la ligne médiane approximative idéal en utilisant la symétrie de la boîte crânienne. Tout d'abord, en utilisant un seuillage en niveaux de gris, le crâne doit être segmenté du reste du contenu de l'image CT. Après quoi, effectuez une recherche exhaustive pour déterminer les angles de rotation autour du centre de masse du crâne. L'angle de rotation optimale est défini comme étant l'angle qui maximise la symétrie des moitiés résultant du crâne. La ligne médiane approximative idéal est la droite passant par le centre de masse et a l'ange de rotation optimale par rapport à la direction verticale initiale de l'image CT.
2. Cette étape détecte le posterior falx cérébrale antérieure et la faux attachement aux marges de la gouttière sagittale. Cette étape est réalisée pour affiner la ligne médiane approximative identifié idéal. Définissez d'abord deux rectangles centrés à chercher les deux points d'intersection entre la ligne médiane approximative idéal et la calotte crânienne. Ensuite, choisissez les dimensions des rectangles empiriquement de manière à couvrir les caractéristiques anatomiques d'être détecté comme expliqué ci-dessous. L'attachement antérieur falx est détecté comme le point culminant de la crête sur la calotte crânienne et la faux du cerveau est détecté comme la ligne grise dans la région postérieure ^3.
3. Cette étape utilise les caractéristiques détectées au-dessus d'affiner la position idéale ligne médiane. Une fois le point culminant de la pièce jointe falx antérieure et le point le plus éloigné de la faux du cerveau postérieur de la calvarum sont spécifiés, la ligne médiane raffiné idéal est la ligne reliant les deux points.

3. La segmentation du ventricule

1. Appliquez d'abord un peu level segmentation en utilisant un modèle de mélange gaussien (GMM) pour chaque tranche CT ^4,7. Images de tomodensitométrie peut être divisé en 4 types de tissus: os / sang, le liquide céphalo-rachidien (LCR), la matière grise et la substance blanche. Pour l'initialisation du modèle de mélange gaussien, les paramètres sont estimés sur la base d'un résultat de segmentation itérative K-means de l'image CT. Ensuite, utilisez l'espérance-maximisation (EM) méthode pour optimiser GMM itérative afin de mieux représenter l'image CT. Le résultat de la segmentation dur peut être obtenu en divisant l'image en régions en fonction CT sur la probabilité maximale de la composition que chaque pixel appartient à différents types de régions.
2. Après la segmentation de bas niveau de MGM, appliquer des contraintes supplémentaires sur le résultat de la segmentation afin de reconnaître les régions ventriculaires. Seuls les régions ventriculaires avec une taille au-dessus d'un certain seuil sont conservés. Appliquer des contraintes sur l'emplacement de régions ventriculaires ainsi l'utilisation de la boîte de délimitation du cerveau et l'ensemble de ventriclmodèles électroniques. Extraire l'ensemble de modèles à partir d'un ventricule images standard MR cerveau et l'agrandir à l'aide de la dilatation morphologique pour tenir compte des variations entre les différentes matières et les cas pathologiques.

4. Estimation actuelle Midline

1. Spécifiez les points caractéristiques sur les modèles ventricule extraites de MR.
2. Ne la forme de plusieurs régions de correspondance entre ^5,8 ventricules segmentés et le modèle MR.
3. Estimation de la ligne médiane réelle basée sur les points caractéristiques identifiés sur les formes à l'aide du ventricule forme correspondante. Utilisez ensuite la moyenne de la moyenne côté gauche et le côté droit de la dire abscisses de ces points caractéristiques pour définir la coordonnée x de la ligne médiane.

5. Extractions Feature Plus

1. Mesurer l'hématome intracrânien / saignement de volume sur la base du modèle de mélange gaussien (GMM) les résultats de segmentation obtenue à partir des images scanner. Le résultat segmenté peut enclude petites régions, y compris sinus veineux du sang et de la faux cérébrale, mais ils peuvent généralement être négligés en comparaison avec les régions de l'hématome. Comptez ensuite le nombre de pixels classés comme du sang pour chaque tranche et les résumer. Le montant final de quantifier le volume de sang épanché dans l'examen TDM.
2. Extrait caractéristiques de texture. Sélectionnez d'abord six fenêtres dans chaque image CT qui capte la matière grise et blanche, mais d'éviter les structures de sang et le ventricule dans l'image CT, voir figure 6. Puis extraire les caractéristiques de texture correspondant à l'aide des méthodes suivantes: gris longueur Run Level ^9, l'analyse d'histogramme, analyse de Fourier, analyse en ondelettes double arbre complexe ^10.
3. Les données démographiques et le score de gravité sont également collectées.
4. Toutes les caractéristiques extraites de chaque image CT sont agrégés pour représenter tout l'examen TDM. Plus précisément, min (f), max (f), la médiane (f), moyenne (f), std (f) sont calculés entre all les fonctions sélectionnées appartenant à l'examen particulier CT, par exemple, une fonction ƒ de la ligne médiane changement ou une caractéristique de texture. Pour que la fonctionnalité montant hémorragie intracrânienne, outre les 5 opérateurs mentionnés ci-dessus, la somme (f) est également ajouté à enregistrer le volume sanguin total.

6. Estimation ICP

L'idée principale de l'estimation ICP est d'appliquer des techniques d'apprentissage automatique pour construire un modèle basé sur un ensemble d'échantillons d'apprentissage. Ensuite, le modèle construit est évalué sur les échantillons restants. En raison de la grande dimension des caractéristiques extraites, y compris ceux des scanners et des informations démographiques, la sélection des fonctionnalités est important d'enlever des éléments indépendants pour un modèle relativement simple donc stable. Par conséquent, il ya deux étapes à effectuer pour ICP estimation / prévision. Tout d'abord, sélectionnez les fonctions relatives qui sont informatives dans la prédiction des PIC. La deuxième étape consiste à utiliser des machines à vecteurs de support (SVM) commealgorithme d'apprentissage pour développer et évaluer le modèle de formation. Des logiciels tels que RapidMiner ¹¹ est idéal pour cette tâche car c'est un outil très bien conçu pour la plupart des algorithmes d'apprentissage machine et fournit des interfaces très puissants pour former et évaluer des modèles.

1. Effectuer la sélection de caractéristiques en deux étapes. Utilisez tout d'abord le critère de ratio d'information de gain dans la première étape pour sélectionner les 50 meilleurs caractéristiques. Dans la deuxième étape, utiliser un algorithme génétique SVM incorporant d'optimiser la sélection des fonctionnalités. Ensuite, utilisez la dernière série de caractéristiques choisies pour construire le modèle de prédiction ICP à l'étape suivante.
2. Effectuer la classification du PCI et de l'évaluation grâce à des techniques d'apprentissage automatique. Le diagramme de haut niveau de la formation et des tests sont présentés dans RapidMiner la figure 8. Appliquer une 10 fois la validation croisée schéma que la couche la plus extérieure de l'évaluation. Afin de construire un modèle avec une meilleure généralisation et d'éviter le surapprentissage à tdonnées d'entraînement, il nids autre couche de validation croisée à l'intérieur de chaque pli de formation. Dans ces modules, appliquez d'abord le processus de sélection des caractéristiques décrites ci-dessus et ensuite utiliser un SVM pour la classification de son module de paramètre propre sélection ^6.

Representative Results

Les jeux de données de test CT ont été fournies par le système de soins de santé Carolines (CHS) sous le Conseil d'examen institutionnel. Tous les sujets ont reçu un diagnostic de légère à sévère TBI lors de la première admission à l'hôpital. Pour chaque patient, la valeur du PCI a été enregistrée toutes les heures à l'aide des sondes du PCI à l'intérieur de la région du ventricule à la fois avant et après la tomodensitométrie ont été obtenus. Pour associer la valeur du PCI avec chaque scanner, la moyenne des deux mesures les plus proches de l'ICP à l'heure de la tomodensitométrie, qui tous deux sont à une heure de la tomodensitométrie. Ensuite, attribuez la moyenne que la valeur estimée du PCI au moment de la tomodensitométrie. Groupe les valeurs du PCI en deux catégories: élevée ICP ICP si> 12 mm Hg et normal ICP si ICP ≤ 12 mm Hg. Les ensembles de données contiennent des 17 patients. De cet ensemble, 391 tomodensitométrie axiale sont sélectionnés que les ventricules spectacle ou régions qui auraient contenues ventricules. Figure 2 montre le résultat de la détection médiane idéale. Dans la figure 3, l'éventricles sont segmentés. La figure 4 montre la ligne médiane réelle estimée. La figure 5 montre l'estimation du décalage ligne médiane. La figure 7 montre la segmentation de sang en utilisant GMM. Une évaluation quantitative de la performance est également effectuée. Dans la plupart des tranches (plus de 80%), l'erreur entre la ligne médiane idéale estimée par le cadre et l'annotation manuelle sont de l'ordre de 2 pixels, ce qui représente environ 1 mm. Pour la ligne médiane réelle, au-dessus de 80% a moins de 2,25 mm de différence à condition que la qualité de la segmentation du ventricule est relativement bonne (elle est définie comme "relativement bon" si la qualité du résultat de segmentation peuvent être utilisées pour l'estimation des médianes réelles manuellement). Il ya 57 tomodensitométrie dans l'évaluation de la prédiction ICP. Le résultat de la méthode proposée est évaluée en utilisant les trois mesures suivantes: la sensibilité, la spécificité et la précision. La sensibilité est définie comme

sensibilité = # (vrais positifs) / # (positives).

La spécificité est définie comme

spécificité = # (vrais négatifs) / # (négatifs).

La précision est définie comme la prédication

précision = # (corrigé prédit) / # (nombre total d'échantillons).

Une précision d'environ 70% a été obtenu dans notre étude en utilisant 10 fois la validation croisée. La sensibilité a été retrouvé à environ 65% et une spécificité de 73%. Cela peut suggérer un certain pouvoir prédictif de la méthode proposée sur ce jeu de données. L'étape suivante serait la reproduction des résultats similaires sur d'autres jeux de données indépendants.

Figure 1. Le cadre de haut niveau de la méthode Il existe trois modules d'extraction de caractéristiques pour les premières images CT:. Mesure du décalage de la ligne médiane, analyse de texture et blmontant ood estimation. Toutes les caractéristiques extraites et autres informations enregistrées, telles que les données démographiques sont introduits dans le module de classification pour prédire les niveaux de PIC.

Figure 2. Le résultat de la détection médiane idéale. La ligne rouge est la ligne médiane approximative idéal. Les deux boîtes rectangulaires couvrir la saillie osseuse et la partie inférieure faux du cerveau, respectivement. Ces boîtes sont utilisées pour réduire les zones d'intérêt. La ligne pointillée verte est la dernière ligne médiane détectée idéal, qui capte la saillie osseuse et la partie inférieure faux du cerveau avec précision.

Figure 3. Le résultat de la segmentation du ventricule. L'image de gauche est l'image originale CT. L'image de droite est constituée de la suides lignes d'aile: le bord intérieur de la boîte crânienne, la boîte de délimitation intérieure formée par quatre lignes, la boîte de délimitation extérieure formée par quatre autres lignes, le bord du gabarit ventricule élargie identifié, les régions rouges représentant les régions ventriculaires détectées, les régions grises représentant les régions autres régions ventriculaires étant rejetée après l'application de plusieurs contraintes sur la reconnaissance ventricules.

Figure 4. Le résultat de l'estimation médiane réelle. Cette figure montre les résultats de l'estimation dans les images CT différents avec des formes différentes ventriculaires. Les zones blanches sont des zones ventriculaires segmentés. Les contours du bord bleu sont des modèles adaptés ventriculaires. Les points rouges sont détectés les points de caractéristique représentant les bords intérieurs des ventricules utilisées pour calculer la ligne médiane réelle. La ligne verte est la dernière actu estiméal la ligne médiane. Cliquez ici pour agrandir la figure .

Figure 5. Le résultat de l'estimation médiane changement. L'image de gauche montre la tranche entrée CT. L'image de droite montre le résultat traité semblable à la figure 3. La gauche ligne verticale verte représente la ligne médiane estimée idéal, et le droit ligne verticale verte représente la ligne médiane réelle estimée. La distance entre les deux lignes est le décalage de la ligne médiane estimée.

Figure 6. Les six fenêtres sélectionnées pour l'analyse de texture. Les fenêtres sélectionnées sont les rectangles rouges en évitant les ventricules.

Figure 7. La segmentation du sang. L'image de gauche est l'image d'entrée CT. L'image de droite montre la carte de segmentation produite par la méthode GMM. La région lumineuse correspond à la région du sang.

Figure 8. Le niveau supérieur de validation croisée dans RapidMiner. La fenêtre de gauche affiche les modules dans le processus de formation et la fenêtre de droite montre les modules dans le processus de test. Dans le processus de formation, tout d'abord, nous utilisons le module de gain d'information et le module de l'algorithme génétique pour sélectionner les fonctions. Ensuite, un SVM est utilisé pour faire la classification. Le réglage des paramètres du SVM est fait par une validation croisée imbriquée dans le processus Paramètre Optimiser. Le dernier modèle complet formé est le résultat du processus de OuterSVM utilisant toutes les formaNing données. Dans le module de test, les fonctions sélectionnées sont utilisées et le modèle de formation est évaluée. Cliquez ici pour agrandir la figure .

Discussion

Dans cette étude, un cadre flexible et intuitive est proposée pour résoudre deux problèmes difficiles: l'estimation du décalage de la ligne médiane en images CT et la prédiction niveau ICP repose sur des caractéristiques extraites. Les résultats de l'évaluation montrent l'efficacité de la méthode proposée. Pour autant que nous savons, c'est la première fois d'une étude systématique pour résoudre ces deux problèmes. Nous remarquons que sur la base du cadre général, il ya beaucoup d'améliorations potentielles qui peuvent être réalisées. Par exemple, dans la segmentation proposée, la segmentation de bas niveau et haut niveau de reconnaissance sont séparés et il n'existe actuellement aucune réaction au niveau élevé de la segmentation de bas niveau. Ceci est différent de l'inspection visuelle de l'homme, qui a des interactions entre la vision de bas niveau et haut niveau de reconnaissance. Une approche possible de combiner ces deux niveaux en même temps est le soi-disant «modèle basé sur la segmentation de bas niveau". Dans cette méthode, la segmentation de bas niveau est guidé par ee de haut niveau des modèles d'atlas de la structure cible. Par exemple, un algorithme de recalage peut être appliqué dans la première étape pour aligner les images CT à une image de type CT. Cela peut améliorer encore la précision de la reconnaissance ventricule ainsi que l'estimation du décalage ligne médiane, car il peut fournir une cartographie plus précise dans les structures cérébrales entre les images de tomodensitométrie et l'image CT standard. Pour la prévision du PCI, même si le résultat est prometteur basé sur le jeu de données test, nous avons remarqué que la taille des échantillons est limitée. Il sera plus convaincant pour valider les résultats basés sur un autre ensemble de données indépendant. Dans l'application de l'apprentissage machine pour la prédiction PCI, la taille de l'échantillon est un facteur très important. Un plus grand ensemble de données d'examens CT, qui peut contenir des modèles plus différents dans les deux images CT et les signaux PCI, peut donner une évaluation plus informatif du cadre proposé.