Automatiseret Midline Shift og Intrakraniel Pressure Skøn baseret på Brain CT-billeder

Summary

En automatiseret midterlinje shift estimation og intrakranielle tryk (ICP) pre-screening baseret på computertomografi (CT) billeder til patienter med traumatisk hjerneskade (TBI) er foreslået at bruge billedbehandling og machine learning teknikker.

Abstract

I denne afhandling præsenterer vi et automatiseret system, der bygger hovedsageligt på computertomografi (CT)-billeder, der består af to hovedkomponenter: midterlinjen skift estimering og intrakranielle tryk (ICP) pre-screening system. For at estimere midterlinjen skift, først et skøn over den ideelle midterlinjen udføres på grundlag af symmetri af kraniet og anatomiske træk i hjernen CT-scanning. Derpå segmentering af hjertekamrene fra CT-scanning udføres og anvendes som en guide til identifikation af den faktiske midterlinien gennem formen matching. Disse fremgangsmåder efterligner måleprocessen af ​​læger og har vist lovende resultater i evalueringen. I den anden komponent, er flere funktioner ekstraheres forbindelse med ICP, såsom tekstur information, blod mængde fra CT-scanninger og andre registrerede funktioner, såsom alder, skade sværhedsscore at estimere ICP er også indbygget. Machine learning teknikker, herunder træk udvælgelse og klassificering, såsom støtteVector Machines (SVMs), er ansat til at opbygge forudsigelse model ved hjælp RapidMiner. Evalueringen af ​​forudsigelsen viser potentielle nytte af modellen. Den estimerede ideal midtlinie shift og forudsagt ICP-niveauer kan anvendes som en hurtig pre-screening trin for læger at træffe beslutninger, således at anbefale for eller imod invasiv ICP overvågning.

Introduction

Hvert år er der omkring 1,4 mio traumatiske hjerneskader (TBI) relaterede skadestuebesøg sager i USA, hvoraf. Over 50.000 dødsulykker ¹ Svær TBI er som regel ledsaget af en stigning i det intrakranielle tryk (ICP) med symptomer som hæmatomer og hævelse hjernevæv. Disse medfører reduceret cerebral perfusion tryk og cerebral blodstrøm, hvilket placerer den skadede hjerne i yderligere risiko. Svær ICP stigning kan være dødelig, så overvågningen ICP for patienter med TBI er afgørende. Dette kræver typisk placering af indlagte katetre direkte ind i hjernen til overvågning af tryk, en risikabel fremgangsmåde for patienter, der kun kan udføres ved specialiserede medicinske centre. Proceduren indebærer også risiko såsom infektion. Dog kan visse tegn på forhøjet ICP være mærkbar i medicinsk billedbehandling. Især er midterlinjen forskydning ofte forbundet med en stigning i ICP og kan opfanges fra hjernen beregnede tomography (CT) billeder. Således giver disse billeder mulighed for ikke-invasiv detektion af forhøjet ICP, som kan anvendes som en forudgående screening trin før kranial trepanation. CT scanning er stadig den gyldne standard for indledende TBI vurdering blandt alle andre afbildningsmodaliteter, fx MRI på grund af dens høje hastighed og relativt lave omkostninger ^2. Hertil kommer, at en CT-undersøgelse ikke kræve en stram patient immobilitet, og har fordel i at afsløre alvorlige abnormiteter såsom knoglebrud og hæmatomer. Mens CT er almindeligt anvendt til påvisning af skader i hjernen, der er baseret på den nuværende teknologi, er midterlinjen skift ikke automatisk målt og derfor læger skal vurdere denne vigtige faktor ved visuel inspektion. Unøjagtig eller i uoverensstemmelse CT fortolkning er ofte forbundet med arten af ​​det menneskelige iagttagelsessystem, og den komplekse struktur af hjernen. Mens små midterlinjen skift er undvigende, er de ofte uvurderlige for vurdering af hjerneskade, i partikulær i de tidlige stadier af skader før en patients tilstand bliver mere alvorlig. På den anden side af spektret, tyder store midterlinjen skift stærkt forhøjet ICP og mere alvorlig TBI. Men det er en meget udfordrende opgave for mennesket til visuelt at undersøge CT-billeder og forudse omfanget af ICP kvantitativt. På grund af fremskridt inden for automatiserede beregningsmæssige teknikker, kan funktioner udvundet af CT-billeder, såsom midterlinjen skift, hæmatom volumen og tekstur af hjernen CT-billeder, måles præcist og automatisk ved hjælp af avancerede billedbehandling metoder. Men forholdet mellem ICP og midterlinjen skift samt andre funktioner såsom graden af ​​blødning, er teksturen fra CT billeder ikke blevet undersøgt. I dette papir, har en beregningsmæssige rammer blevet foreslået at måle midterlinjen skift måling samt andre fysiologiske / anatomiske træk på hjernen CT-billeder og derefter forudsige graden af ​​ICP non-forstyrrende med machine learning teknikker.

Protocol

1. Metode Oversigt

Den foreslåede ramme behandler hjernen CT-billeder af traumatisk hjerneskade (TBI) patienter til automatisk at beregne midterlinjen skift i patologiske tilfælde og bruge det så godt som andet udvundet information til at forudsige intrakranielle tryk (ICP). Figur 1 viser skematisk diagram af hele ramme. Den automatiserede midterlinje shift måling kan opdeles i tre trin. Dels den ideelle midterlinjen af hjernen, dvs midterlinjen før skaden, er fundet via en hierarkisk søgning baseret på kraniet symmetri og væv funktioner ^3. For det andet er det ventrikulære system er opdelt for hver hjerne CT image ^4. For det tredje er den faktiske midterlinjen estimeret ud fra den segmenterede deformerede ventrikulære system under anvendelse af en form matchende metode ^5. Den horisontale forskydning af ventrikulære system er derefter estimeret baseret på bestemmelse af den ideelle midtlinie og den faktiske midterlinjen. Efter than midterlinjen skift successivt estimeres funktioner, herunder midterlinjen skift, tekstur oplysninger af CT-billeder, samt andre demografiske oplysninger bruges til at forudsige ICP. Maskinindlæring algoritmer til at modellere sammenhængen mellem ICP og de ​​ekstraherede funktioner ^6.

2. Ideel Midline Estimation

1. Dette trin registrerer den omtrentlige ideal midterlinjen hjælp symmetri af kraniet. Først ved anvendelse gråskala tærskelværdiansættelse, kraniet skal være segmenteret fra resten af ​​indholdet i CT billedet. Hvorefter der foretages en udtømmende søgning for at identificere de rotationsvinkler omkring massemidtpunkt af kraniet. Den optimale drejningsvinklen defineret som vinklen, der maksimerer symmetrien af ​​de resulterende halvdele af kraniet. Den omtrentlige ideelle midterlinjen er den linje, der passerer gennem massen midtpunkt og har den optimale rotation engel i forhold til den oprindelige lodrette retning af CT billedet.
2. Dette trin detekterer posterior falx cerebri og anterior falx tilknytning til randen af ​​de sagittale sulcus. Dette trin er udført for at raffinere den identificerede omtrentlige ideelle midterlinjen. Først definere to ransagninger rektangler centreret ved de to skæringspunkter mellem den omtrentlige ideal midterlinjen og calvarium. Nu skal du vælge størrelsen af ​​de rektangler empirisk, så de dækker de anatomiske træk, der skal detekteres som beskrevet nedenfor. Den forreste falx vedhæftede fil genkendes som højdepunkt af højderyggen på calvarium og falx cerebri påvises som den grå linje i den bageste region ^3.
3. Dette trin bruger disse funktioner, påvist over for at forfine den ideelle midterlinjen position. Når den maksimale punkt af den forreste falx fastgørelse og det fjerneste punkt på den posteriore falx cerebri fra calvarum er specificeret, den raffinerede ideelle midterlinjen er den linje, der forbinder de to punkter.

3. Ventricle Segmentering

1. Først anvender en lav-leVel segmentering ved hjælp af en gaussisk blanding model (GMM) for hver CT skive ^4,7. CT-billeder kan opdeles i fire typer væv: Bone / blod, cerebrospinalvæske (CSF), grå substans og hvid substans. For initialiseringen af ​​Gaussisk mikstur Model er parametrene estimeret med udgangspunkt i en iterativ K-middel segmentering resultat af CT billedet. Brug derefter forventning-maksimering (EM) metode til at optimere GMM iterativt til bedre at repræsentere CT billedet. Den hårde segmentering resultat kan opnås ved at opdele CT billedet i regioner baseret på den maksimale sandsynlighed er for medlemskab, at hver pixel tilhører forskellige områdetyper.
2. Efter det lave niveau segmentering af GMM, anvende yderligere begrænsninger på segmentering resultat for at genkende ventrikulære regioner. Kun ventrikulære regioner med størrelse over en bestemt tærskel, fastholdes. Anvende begrænsninger på placeringen af ​​ventrikulære regioner samt udnytte hjernens afgrænsningsrammen og sæt ventricle skabeloner. Uddrag sættet af hjertekammer skabeloner fra en standard hjerne MR-billeder, og derefter udvide den ved hjælp af morfologiske dilatation at rumme variationer mellem de forskellige fag og patologiske tilfælde.

4. Faktisk Midline Estimation

1. Angiv karakteristiske punkter på de hjertekammer skabeloner udvundet fra MR.
2. Må den flere områder Shape Matching ^5,8 mellem segmenterede hjertekamrene og MR skabelon.
3. Vurdere den faktiske midterlinjen baseret på de identificerede karakteristiske punkter på de hjertekammer figurer ved hjælp af form matching. Derefter bruge gennemsnittet af venstre gennemsnit og højre side gennemsnit af x-koordinaterne af de karakteristiske punkter for at definere x-koordinaten af ​​midterlinjen.

5. Mere Feature Ekstraktioner

1. Mål intrakranielt hæmatom / blødning volumen baseret på den gaussiske blanding model (GMM) segmentering resultater opnået fra CT-billeder. Den segmenterede resultat kan ifatter små regioner, herunder venøse sinus blod og falx cerebri, men de kan som regel blive forsømt i forhold til regionerne hæmatom. Derefter tælle antallet af pixels, klassificeret som blod for hver skive og summerer dem op. Den endelige sum kvantificerer den ekstravasaterede blodvolumen i CT undersøgelse.
2. Udtrække tekstur funktioner. Vælg først seks vinduer i hvert CT billede, som indfanger den grå og hvid substans, men undgå blod og ventrikel strukturer i CT billedet, se figur 6. Derefter udtrække de tilsvarende tekstur funktioner ved hjælp af følgende metoder: Gray Level Run længde ^9, Histogram analyse, Fourier analyse, Dual Tree Complex Wavelet analyser ^10.
3. Demografiske oplysninger og skade sværhedsgrad score er også indsamles.
4. Alle ekstraherede træk ved hvert CT billede aggregeres til at repræsentere hele CT undersøgelse. Specifikt min (f), max (f), median (f), betyder (f), std (f) beregnes blandt all de udvalgte funktioner, der hører til den særlige CT undersøgelse, fx en funktion ƒ af midterlinjen skift eller en tekstur funktion. For intrakranial blødning mængde funktion, ud over de 5 operatører ovennævnte sum (f) tilsættes også for at registrere den samlede blodvolumen.

6. ICP Estimation

Hovedidéen i ICP vurdering er at anvende machine learning teknikker til at opbygge en model baseret på en række uddannelsesmoduler prøver. Derefter bygges model vurderes på de resterende prøver. På grund af den høje dimension af ekstraherede funktioner, herunder dem fra de CT-scanninger og demografiske oplysninger, er funktionen udvælgelse vigtigt at fjerne uafhængige funktioner for en forholdsvis enkel således stabil model. Derfor er der to trin, der skal udføres for ICP estimation / forudsigelse. Først skal du vælge den relative træk, der er informative i at forudsige ICP'er. Det andet skridt er at bruge Support Vector Machines (SVM) somlearning algoritme til at udvikle og evaluere uddannelsen model. Software som RapidMiner ¹¹ er ideel til denne opgave, fordi det er et meget veludviklet redskab for de fleste af machine learning algoritmer og giver meget kraftige grænseflader til at træne og evaluere modeller.

1. Udfør funktionen udvælgelse i to etaper. Først bruge oplysningerne forstærkningsrate kriterium i den første fase for at vælge de bedste 50 funktioner. I anden fase, skal du bruge en genetisk algoritme inkorporerer SVM for yderligere at optimere funktionen valg. Brug derefter den endelige sæt af udvalgte funktioner til at bygge modellen for ICP forudsigelse i det følgende trin.
2. Udfør ICP klassificering og evaluering gennem machine learning teknikker. Det øverste niveau diagram af træning og test, er vist i RapidMiner i figur 8. Anvendelse af en 10 fold krydsvalidering ordning som det yderste lag for evaluering. For at opbygge en model med bedre generalisering og undgå over-fitting til than træningsdata, reden endnu et lag krydsvalidering inde i hver træning fold. I disse moduler, først henvende funktionen ovenfor beskrevne udvælgelsesproces og derefter bruge en SVM for klassificering med sin egen parameter udvælgelse modul ^6.

Representative Results

De test CT datasæt blev leveret af Carolinas Healthcare System (CHS) under Institutional Review Board godkendelse. Alle forsøgspersoner blev diagnosticeret med mild til svær TBI, når først indlagt på hospital. For hver patient blev ICP-værdien registreres hver time ved hjælp af ICP-prober inden i ventriklen region både før og efter CT-scanninger blev opnået. At knytte ICP værdien med hver CT-scanning, gennemsnittet af de to nærmeste målinger af ICP til tidspunktet for CT-scanning, som begge er inden for en time af CT-scanning. Derefter tildele gennemsnittet som beregnet ICP værdi på tidspunktet for CT-scanning. Gruppen ICP-værdier i to klasser: forhøjet ICP hvis ICP> 12 mm Hg og normal ICP hvis ICP ≤ 12 mm Hg. De datasæt indeholder 17 patienter. Fra dette sæt, er 391 aksiale CT scan billeder valgt at vise ventrikler eller regioner, som skulle have indeholdt ventrikler. Figur 2 viser resultatet af det ideelle midterlinjen detektion. I figur 3, lufthulletricles er segmenteret. Figur 4 viser den estimerede faktiske midterlinjen. Figur 5 viser skønnet over midtlinjen skift. Figur 7 viser opdelingen af blod ved hjælp af GMM. En kvantitativ vurdering af ydeevnen udføres også. I de fleste skiver (over 80%), er fejlen mellem den ideelle midterlinjen anslået af rammerne og den manuelle anmærkning omkring 2 pixels, hvilket er omkring 1 mm. Til selve midterlinjen er over 80% mindre end 2,25 mm forskel, forudsat at kvaliteten af ​​den ventrikulære segmentering er relativt god (dette defineres som "relativt god", hvis kvaliteten af ​​segmenteringen resultat kan anvendes til bedømmelse af de faktiske midlines manuelt). Der er 57 CT-scanninger i evalueringen af ​​ICP forudsigelse. Resultatet af den foreslåede metode vurderes efter følgende tre foranstaltninger: følsomhed, specificitet og nøjagtighed. Følsomhed er defineret som

følsomhed = # (ægte positive) / # (positives).

Specificiteten er defineret som

specificitet = # (sande negativer) / # (negativer).

Den predication nøjagtighed er defineret som

nøjagtighed = # (korrigeret forudsagt) / # (total prøver).

En nøjagtighed på omkring 70% blev opnået i vores undersøgelse under anvendelse af 10 fold krydsvalidering. Følsomheden blev fundet at være omkring 65% og specificitet på omkring 73%. Dette kan tyde på en vis forudsigelseskraft af den foreslåede metode på dette datasæt. Følgende trin ville være replikation af lignende resultater for andre uafhængige datasæt.

Figur 1. Det øverste niveau rammerne af den metode Der er tre feature extraction moduler til de rå CT-billeder:. Midterlinjen shift måling, tekstur analyse og blood beløb skøn. Alle de ekstraherede funktioner og andre registrerede information, såsom demografisk information tilføres til klassificering modulet til at forudsige ICP niveauer.

Figur 2. Resultatet af det ideelle midterlinie detektion. Den røde linje er den omtrentlige ideelle midterlinjen. De to rektangulære kasser dækker knoglen fremspring og den nedre falx cerebri hhv. Disse bokse anvendes til at reducere de områder af interesse. Den grønne punkterede linie er den endelige detekteres ideelle midterlinjen som indfanger knoglen fremspring og den nedre falx cerebri nøjagtigt.

Figur 3. Resultatet af ventriklen segmentering. Det venstre billede er den oprindelige CT billedet. Højre billede består af følgenwing linjer: den indvendige kant af kraniet, den indre afgrænsningsramme dannet af fire linjer, den ydre afgrænsningsrammen dannet af yderligere fire linier, kanten af ​​den matchede udvidede ventrikel skabelon, de røde områder, der repræsenterer de detekterede ventrikulære regioner, de grå områder repræsenterer andre regioner afviste er ventrikulære regioner efter anvendelse af flere begrænsninger for anerkendelse af hjertekamrene.

Figur 4. Resultatet af den egentlige midterlinjen skøn. Denne figur viser estimationsresultaterne i forskellige CT-billeder med forskellige ventrikulære figurer. De hvide områder er segmenterede ventrikulære regioner. De blå konturer er på kanten af ​​de matchede ventrikulære skabeloner. De røde mærker påvises karakteristiske punkter, der repræsenterer de indvendige kanter af ventriklerne til at beregne den faktiske midterlinjen. Den grønne linje er den endelige anslåede fakal midterlinjen. Klik her for at se større figur .

Figur 5. Resultatet af midterlinjen skift estimation. Det venstre billede viser indgangssignalet CT skive. Billedet til højre viser den behandlede resultat svarende til figur 3. Den venstre lodrette grønne linje repræsenterer den anslåede ideal midterlinjen, og den højre lodrette grønne linje repræsenterer den estimerede faktiske midterlinjen. Afstanden mellem de to linjer er den estimerede midterlinjen skift.

Figur 6. De seks udvalgte vinduer til tekstur analyse. De valgte vinduer er de røde rektangler undgå hjertekamrene.

Figur 7. Blod segmentering. Det venstre billede er input CT billedet. Billedet til højre viser segmenteringen kort fremstillet ved GMM-metoden. Den lyseste område svarer til blodet region.

Figur 8. Det øverste niveau krydsvalidering i RapidMiner. Den venstre vindue viser de moduler i uddannelsen, og det højre vindue viser de moduler i testprocessen. På uddannelsesområdet proces, vi først bruge oplysningerne gain-modulet og den genetiske algoritme-modulet til at vælge funktioner. Så en SVM bruges til at gøre klassificering. Parameteren tuning af SVM sker gennem en indlejret krydsvalidering i Optimer Parameter processen. Den endelige fuld uddannet model er output fra den OuterSVM proces, der anvender alle uddandelsen data. I test modul, er de valgte funktioner anvendes, og den uddannede model evalueres. Klik her for at se større figur .

Discussion

I denne undersøgelse er en intuitiv og fleksibel ramme foreslog at løse to udfordrende problemer: den anslåede midterlinjen skift i CT billeder og ICP-niveau forudsigelse baseret på udtrukne funktioner. Evalueringsresultaterne viser effektiviteten af ​​den foreslåede metode. Så vidt vi ved, er det første gang en systematisk undersøgelse til at løse disse to problemer. Vi bemærker, at baseret på den generelle ramme, der er mange potentielle forbedringer, der kan opnås. For eksempel, i den foreslåede opdeling er det lave niveau segmentering og højt niveau anerkendelse adskilt og i øjeblikket er der ingen tilbagemelding fra det høje niveau til det lave niveau segmentering. Dette adskiller sig fra human visuel inspektion, som har interaktioner mellem det lave vision og højt anerkendelse. En potentiel tilgang til at kombinere disse to niveauer sammen, er den såkaldte "modelbaseret lavt niveau segmentering". Ved denne fremgangsmåde er det lave niveau segmentering styret af the højt niveau atlas modeller af målstrukturen. For eksempel kan en registrering algoritme anvendes i det første trin at bringe CT billeder til en standard CT billede. Dette kan yderligere forbedre nøjagtigheden af ​​ventriklen anerkendelse samt beregning af midterlinjen skift, fordi det kan give mere præcis kortlægning i hjernen strukturer mellem de CT-billeder og standard CT billede. For ICP forudsigelse, selv om resultatet er lovende baseret på den testede datasæt vi bemærke, at størrelsen af ​​prøverne er begrænset. Det vil være mere overbevisende at validere resultaterne er baseret på et andet uafhængigt datasæt. Ved anvendelse af machine learning for ICP forudsigelse, er prøvestørrelsen en meget vigtig faktor. En større datasæt af CT undersøgelser, som kan indeholde flere forskellige mønstre i både CT billeder og ICP-signaler, kan give en mere informativ evaluering af den foreslåede ramme.