Automatisierte Midline Shift und intrakranieller Druck Schätzung basierend auf Gehirn CT Images

Summary

Eine automatisierte Mittellinienverlagerung Schätzung und intrakraniellen Drucks (ICP) Pre-Screening-System auf der Computertomographie (CT) für Patienten mit Schädel-Hirn-Trauma (SHT) basiert schlug mit Bildverarbeitung und Techniken des maschinellen Lernens.

Abstract

In diesem Papier stellen wir ein automatisiertes System vor allem auf die Computertomographie (CT), bestehend aus zwei Hauptkomponenten: der Mittellinie Verschiebung Schätzung und intrakraniellen Drucks (ICP) Pre-Screening-System. Um die Mittellinienverlagerung Abschätzung ersten eine Schätzung des idealen Mittellinie bezogen auf die Symmetrie des Schädels und anatomische Merkmale im Gehirn CT-Scan durchgeführt. Dann wird die Segmentierung der Ventrikel von dem CT-Scan durchgeführt und als Führung für die Feststellung des tatsächlich Mittellinie durch Formschluss. Diese Prozesse imitieren den Messvorgang von Ärzten und haben gezeigt, viel versprechende Ergebnisse bei der Auswertung. In der zweiten Komponente sind mehrere Eigenschaften im Zusammenhang mit ICP extrahiert, wie die Textur-Information, Blut Menge von CT-Scans und anderen aufgezeichneten Merkmale, wie Alter, Schwere der Verletzungen des Gastes, um den ICP abzuschätzen sind ebenfalls einbezogen. Techniken des maschinellen Lernens, einschließlich Funktion und Klassifikation, wie SupportVector Machines (SVM), eingesetzt werden, um die Vorhersage-Modell mit RapidMiner zu bauen. Die Auswertung der Vorhersage weist potenzielle Nützlichkeit des Modells. Die geschätzte ideale Mittellinienverlagerung und vorhergesagten ICP-Spiegel können als schneller Vorabsiebung Schritt für Ärzte, Entscheidungen zu treffen verwendet werden, um so für oder gegen eine invasive Hirndruckmessung empfehlen.

Introduction

Jedes Jahr gibt es etwa 1,4 Millionen traumatische Hirnverletzungen (TBI) related Notaufnahme Fälle in den Vereinigten Staaten, von denen über 50.000 zum Tod führen ^1. Schwerem SHT wird üblicherweise durch eine Erhöhung des intrakranialen Drucks (ICP) mit Symptomen wie Hämatome und Schwellung Hirngewebe einhergehen. Diese führen zu einer verminderten zerebralen Perfusionsdruck und zerebraler Blutfluss, indem den verletzten Gehirn zusätzliches Risiko. Schwere ICP Anstieg tödlich sein kann, so die Überwachung ICP für Patienten mit TBI ist entscheidend. Dies erfordert typischerweise Platzierung Verweilkathetern direkt in das Gehirn zum Überwachen des Drucks, ein riskantes Verfahren für Patienten, die nur in spezialisierten Kliniken durchgeführt werden kann. Das Verfahren beinhaltet auch Risiken wie Infektionen. Jedoch können einige Anzeichen erhöhter ICP werden in der medizinischen Bildgebung bemerkbar. Insbesondere wird Mittellinienverlagerung oft mit einer Erhöhung der ICP verbunden und können aus dem Gehirn berechneten t erfasst werdenomography (CT) Bilder. Als solche bieten diese Bilder eine Gelegenheit für nicht-invasive Detektion von erhöhtem ICP die als Pre-Screening Schritt vor kranialen Trepanation verwendet werden kann. CT-Bildgebung ist noch der Goldstandard zur anfänglichen TBI Beurteilung unter allen anderen bildgebenden Verfahren, zB MRI, aufgrund seiner hohen Geschwindigkeit und relativ geringen Kosten ^2. Darüber hinaus bedeutet ein CT-Untersuchung nicht erforderlich strengen Patienten Immobilität, und hat den Vorteil bei der Aufdeckung schwerer Anomalien wie Knochenbrüche und Blutergüsse. Während CT wird allgemein für den Nachweis von Verletzungen des Gehirns, von der aktuellen Technologie verwendet wird Mittellinienverlagerung nicht automatisch gemessen und daher muss der Arzt diese wichtige Faktor durch Sichtprüfung beurteilen. Unrichtig oder widersprüchlich CT Interpretation wird oft mit der Natur des menschlichen visuellen Systems und der komplexen Struktur des Gehirns verbunden. Während kleine Verschiebungen Mittellinie flüchtig sind, werden sie häufig zur Bewertung der Hirnverletzung wertvolle, in pGelenkknorpel in einem frühen Stadium der Verletzung vor den Zustand eines Patienten wird immer schwerer. Auf der anderen Seite des Spektrums, schlägt große Mittellinienverlagerung stark erhöhten ICP und schwereren TBI. Allerdings ist es eine sehr anspruchsvolle Aufgabe für den Menschen visuell zu inspizieren CT-Bildern und vorherzusagen das Niveau der ICP quantitativ. Aufgrund der Fortschritte in der automatisierten rechnergestützte Techniken können Merkmale aus CT-Bildern, wie Mittellinienverlagerung, Hämatome Volumen und Textur des Gehirns CT-Bildern extrahiert genau gemessen werden und automatisch mit Hilfe modernster Methoden der Bildverarbeitung. Jedoch ist die Beziehung zwischen ICP und Mittellinienverlagerung sowie andere Funktionen wie Grad der Blutung wurde die Textur aus CT-Bildern nicht erforscht. In diesem Papier, hat eine rechnerische Rahmenbedingungen vorgeschlagen worden, um die Mittellinie Verschiebung Messung sowie andere physiologische / anatomische Merkmale auf Gehirn CT-Bildern messen und dann vorhersagen, den Grad der ICP nicht aufdringlich mit Techniken des maschinellen Lernens.

Protocol

Ein. Methodik Übersicht

Der vorgeschlagene Rahmen verarbeitet das Gehirn CT-Bilder von Schädel-Hirn-Trauma (SHT) Patienten automatisch zu berechnen Mittellinie Verschiebung in pathologischen Fällen und verwenden Sie es wie auch andere extrahierten Informationen zu intrakraniellen Drucks (ICP) vorherzusagen. Abbildung 1 zeigt die schematische Darstellung des gesamten Rahmen. Die automatisierte Mittellinienverlagerung Messung kann in drei Schritte unterteilt werden. Zuerst wird die ideale Mittellinie des Gehirns, dh der Mittellinie vor Verletzungen, wird über eine hierarchische Suche auf Schädel Symmetrie und Gewebemerkmalen ³ basierend gefunden. Zweitens ist die ventrikuläre System für jeden segmentierten CT-Bild des Gehirns ^4. Drittens wird die tatsächliche Mittellinie aus dem segmentierten verformt ventrikuläre System unter Verwendung eines Verfahrens Formanpassung ⁵ geschätzt. Die horizontale Verschiebung des ventrikulären System wird dann auf der Abschätzung des idealen Mittellinie und dem tatsächlichen Mittellinie geschätzten basiert. Nach ter Mittellinienverlagerung wird nacheinander geschätzt Eigenschaften einschließlich Mittellinienverlagerung, Texturinformation von CT-Bildern, sowie andere demographische Informationen verwendet werden, um vorherzusagen ICP. Algorithmen des maschinellen Lernens werden verwendet, um die Beziehung zwischen dem ICP und die extrahierten Merkmale ⁶ modellieren.

2. Ideal Midline Schätzung

1. Dieser Schritt erkennt die ungefähre ideale Mittellinie mit Symmetrie des Schädels. Zuerst mit Graustufen Schwellenwertbildung, braucht der Schädel zu segmentierenden vom Rest des Inhalts in dem CT-Bild. Wonach, eine erschöpfende Suche durchzuführen, um die Drehwinkel um den Massenmittelpunkt des Schädels zu identifizieren. Die optimale Drehwinkel wird als der Winkel, die die Symmetrie der sich ergebenden Hälften des Schädels maximiert definiert. Die ungefähre ideale Mittellinie ist die Linie, die durch den Mittelpunkt und Masse hat die optimale Rotation Engel gegenüber der ursprünglichen vertikalen Richtung des CT-Bildes.
2. Dieser Schritt ermittelt die posterior Falx cerebri und anterioren Falx Befestigung an den Rändern der sagittalen Sulkus. Dieser Schritt wird durchgeführt, um die identifizierte ungefähre ideale Mittellinie verfeinern. Zunächst werden dazu zwei searching Rechtecken auf den beiden Schnittpunkten zwischen dem angenäherten idealen Mittellinie und die Schädelkalotte zentriert. Als nächstes wählen die Größen der Rechtecke empirisch so dass sie die anatomischen Merkmale zu erfassenden wie unten erklärt werden abzudecken. Der vordere falx Anlage wird als Scheitelpunkt des Kamms auf dem Schädeldach und die Falx cerebri als graue Linie im hinteren Bereich ³ detektiert.
3. Dieser Schritt nutzt diese Funktionen über die ideale Mittellinienposition verfeinern erkannt. Nachdem der Scheitelpunkt der vorderen Befestigung und Falx äußersten Punkt in der hinteren Falx cerebri vom calvarum angegeben sind, ist die verfeinerte ideale Mittellinie der Verbindungslinie zwischen den beiden Punkten.

3. Ventrikels Segmentation

1. Zuerst eine low-level Segmentierung mit ein Gaussian Mixture Model (GMM) für jedes CT-Schicht ^4,7. Knochen / Blut, Liquor (CSF), grauen und weißen Substanz: CT-Bilder können in 4 Arten von Gewebe unterteilt werden. Für die Initialisierung des Gaussian Mixture Model, werden die Parameter basierend auf einer iterativen K-Mittel-Segmentierung Ergebnis des CT-Bildes geschätzt. Dann verwenden die Expectation-Maximization-(EM)-Methode GMM iterativ zu optimieren, um besser repräsentieren das CT-Bild. Die harte Segmentierungsergebnis kann durch Partitionieren des CT-Bildes in Bereiche auf der maximalen Wahrscheinlichkeit der Zugehörigkeit dass jedes Pixel auf unterschiedliche Typen gehört Region basierend erhalten werden.
2. Nach der Low-Level-Segmentierung der GMM, gelten weitere Einschränkungen für die Segmentierung Ergebnis um ventrikuläre Regionen zu erkennen. Nur ventrikulären Regionen mit Größe oberhalb einer bestimmten Schwelle bleiben erhalten. Gelten Einschränkungen für die Lage der ventrikulären Regionen sowie unter Verwendung des Gehirns Begrenzungsrahmen und den Satz von ventricle Vorlagen. Entpacken Sie die Menge der Herzkammer Vorlagen aus einem Standard-Hirn-MR-Bilder und dann vergrößern Sie es mit der morphologischen Streckung an Unterschiede zwischen den verschiedenen Fächern und pathologische Fälle unterzubringen.

4. Tatsächliche Midline Schätzung

1. Geben Sie die Merkmalspunkte auf den Ventrikel-Vorlagen von MR extrahiert.
2. Haben die Multiple Regionen Shape Matching ^5,8 zwischen segmentierten Ventrikel und der MR-Vorlage.
3. Schätzung der tatsächlichen Mittellinie auf den identifizierten Merkmalspunkte auf den Ventrikel von Formen mit Formschluss beruht. Dann nutzen Sie den Durchschnitt der linken Seite mittleren und rechten Mittel der x-Koordinaten der Merkmalspunkte, die von der Mittellinie x-Koordinate definieren.

5. Weitere Feature-Extraktionen

1. Messung des intrakranialen Hämatom / Blutungen Volumen auf der Gaußschen Mischungsmodells (GMM) Segmentierung ergibt sich aus den CT-Bildern erhalten werden. Das Ergebnis kann in segmentiertenClude kleinen Regionen einschließlich Venensinus Blut und Falx cerebri, aber sie können in der Regel im Vergleich zu den Regionen des Hämatoms vernachlässigt werden. Dann zählen die Anzahl der Pixel wie Blut für jede Scheibe eingestuft und sie summieren sich. Die Endsumme quantifiziert die extravasierten Blutvolumen in der CT-Untersuchung.
2. Auszug Texturmerkmale. Wählen Sie zunächst sechs Fenster in jedem CT-Bild, die graue und weiße Substanz erfasst, sondern um die Blut-und Herzkammer Strukturen im CT-Bild, siehe Abbildung 6. Extrahieren Sie dann die entsprechende Textur Features mithilfe der folgenden Methoden: Gray Stufe Run Länge ^9, Histogramm-Analyse, Fourier-Analyse, Dual Baum Complex Wavelet-Analyse ^10.
3. Demografische Informationen und injury severity score werden ebenfalls gesammelt.
4. Alle extrahierten Merkmale der einzelnen CT-Bild werden aggregiert, um die gesamte CT-Untersuchung darstellen. Insbesondere min (f), max (f), Median (f), Mittelwert (f), std (f) sind unter al berechnetl die ausgewählten Funktionen aus der insbesondere CT-Untersuchung, zB eine Funktion ƒ der Mittellinie Verschiebung oder einer Textur Funktion. Für den intrakraniellen Blutungen Menge Funktion neben den 5 Betreibern oben genannten Summe (f) wird auch hinzugefügt, um das gesamte Blutvolumen aufzunehmen.

6. ICP Schätzung

Die Hauptidee des ICP Schätzung ist maschinelles Lernen Techniken anzuwenden, um ein Modell auf einer Reihe von Schulungen Proben aufzubauen. Dann wird die gebaut Modell basiert auf den verbleibenden Testproben ausgewertet. Aufgrund der hohen Dimension der extrahierten Merkmale auch aus den CT-Scans und demografische Informationen, ist eine leistungsstarke Auswahl wichtiger an unabhängige Funktionen für eine relativ einfache Weise stabiles Modell entfernen. Deshalb gibt es in zwei Schritten für ICP Schätzung / Prognose durchgeführt werden. Wählen Sie zunächst die relativen Eigenschaften, die informative bei der Vorhersage ICPs sind. Der zweite Schritt besteht darin, Support Vector Machines (SVM) als nutzenLernalgorithmus zu entwickeln und zu evaluieren das Training Modell. Software wie RapidMiner ¹¹ ist ideal für diese Aufgabe, weil es ein sehr gut entwickeltes Werkzeug für die meisten Algorithmen des maschinellen Lernens ist und bietet eine sehr leistungsfähige Schnittstellen zu trainieren und zu evaluieren Modelle.

1. Führen Sie die Funktion Auswahl in zwei Stufen. Zunächst verwenden die Informationen, Gewinn-Verhältnis Kriterium in der ersten Stufe, um die Top-50-Funktionen zu wählen. In der zweiten Stufe, mit einem genetischen Algorithmus, der SVM zur weiteren Optimierung der Funktion Auswahl. Dann nutzen Sie die letzte Gruppe von ausgewählten Funktionen, um das Modell für die ICP Vorhersage im folgenden Schritt zu bauen.
2. Führen ICP Klassifizierung und Bewertung durch Techniken des maschinellen Lernens. Die oberste Ebene Diagramm der Ausbildung und Prüfung sind in RapidMiner in 8 gezeigt. Tragen Sie eine 10-fache Kreuzvalidierung Schema wie die äußerste Schicht für die Auswertung. Um ein Modell mit einer besseren Generalisierung zu bauen und zu vermeiden over-passend zu ter Trainingsdaten, Nest eine weitere Schicht der Kreuzvalidierung in jedem Training fache. In diesen Modulen, wenden Sie zuerst die Funktion Auswahl oben beschrieben und dann mit einem SVM zur Klassifikation mit eigenen Parameter-Auswahl-Modul ^6.

Representative Results

Die Prüfung CT-Datensätze wurden von der Carolinas HealthCare System (CHS) unter Institutional Review Board Genehmigung zur Verfügung gestellt. Alle Probanden wurden mit leichten bis schweren SHT diagnostiziert, wenn erste ins Krankenhaus eingeliefert. Bei jedem Patienten wurde die ICP-Wert aufgezeichnet stündlich mittels ICP Sonden innerhalb des Ventrikels Bereich sowohl vor als auch nach dem CT-Scans wurden erhalten. Um die ICP Wert mit jedem CT-Scan, den Durchschnitt der beiden engsten Messungen von ICP zum Zeitpunkt der CT, die beide innerhalb von einer Stunde nach dem CT-Scan sind assoziieren. Weisen dann den Durchschnitt als die geschätzte ICP Wert zum Zeitpunkt des CT-Scans. Gruppieren der ICP-Werte in zwei Klassen: erhöhten ICP wenn ICP> 12 mm Hg und normalen ICP wenn ICP ≤ 12 mm Hg beträgt. Die Datensätze enthalten 17 Patienten. Von dieser Menge werden 391 axialen CT Bilder ausgewählt, die zeigen Ventrikeln oder Regionen, die Ventrikel enthalten sein sollen. Abbildung 2 das Ergebnis der idealen Mittellinie Detektion zeigt. In Abbildung 3 ist die Entlüftungsöffnungricles segmentiert ist. Abbildung 4 zeigt die geschätzten tatsächlichen Mittellinie. Abbildung 5 zeigt die Schätzung der Mittellinie Verschiebung. Abbildung 7 zeigt die Segmentierung des Blutes mit GMM. Eine quantitative Auswertung der Leistung wird ebenfalls durchgeführt. In den meisten Scheiben (über 80%), gibt der Fehler zwischen dem idealen Mittellinie durch den Rahmen geschätzt und die manuelle Annotation um 2 Pixel, die etwa 1 mm beträgt. Für die eigentliche Mittellinie hat über 80% weniger als 2,25 mm Unterschied sofern die Qualität des ventrikulären Segmentierung relativ gut ist (es wird als "relativ gutes" definiert, wenn die Qualität des Segmentierungsergebnis zur Schätzung der tatsächlichen Mittellinien verwendet werden kann manuell). Es gibt 57 CT-Scans bei der Auswertung der ICP Vorhersage. Das Ergebnis des vorgeschlagenen Verfahrens wird anhand der folgenden drei Maßnahmen: Sensitivität, Spezifität und Genauigkeit. Empfindlichkeit ist definiert als

Empfindlichkeit = # (true positive) / # (positives).

Die Spezifität ist definiert als

Spezifität = # (true Negative) / # (Negative).

Die Prädikation Genauigkeit ist definiert als

Genauigkeit = # (korrigierten vorhergesagten) / # (total Proben).

Eine Genauigkeit von etwa 70% wurde bei dieser Studie unter Verwendung von 10 fach Kreuzvalidierung erreicht. Die Empfindlichkeit wurde mit etwa 65% und eine Spezifität von etwa 73% liegen. Dies kann auf eine gewisse Vorhersagekraft des vorgeschlagenen Verfahrens auf diesem Datensatz. Der folgende Schritt würde Replikation ähnliche Ergebnisse auf andere unabhängige Datensätze sein.

Abbildung 1. Die oberste Ebene Rahmen des Verfahrens sind drei Merkmalsextraktion Module für die rohen CT-Bilder:. Mittellinienverlagerung Messung Texturanalyse und blood Menge Schätzung. Alle extrahierten Merkmale und anderen aufgezeichneten Daten wie demographische Informationen werden in das Klassifizierungsmodul zugeführt, um die ICP Ebenen vorherzusagen.

Abbildung 2. Das Ergebnis der idealen Mittellinie Detektion. Die rote Linie ist die ungefähre ideale Mittellinie. Die beiden rechteckigen Kästen decken den Knochen Vorsprung und die untere Falx cerebri sind. Diese Boxen verwendet, um die Bereiche von Interesse zu verringern. Die grüne gestrichelte Linie ist die abschließende erkannt ideale Mittellinie, die den Knochen Vorsprung und die untere Falx cerebri fängt genau.

Abbildung 3. Das Ergebnis des Ventrikels Segmentierung. Das linke Bild ist der Original-CT-Bild. Das rechte Bild besteht aus den folFlügel Linien: die Innenkante des Schädels, der innere Begrenzungsrahmens durch vier Linien, die äußere Begrenzungsbox um weitere vier Leitungen gebildet ist, wobei der Rand des angepaßten erweiterten Ventrikels Schablone, die roten Regionen die die erfaßten ventrikulären Regionen, die grauen Regionen Vertreter anderer Regionen abgelehnt als ventrikuläre Regionen nach dem Auftragen einige Einschränkungen auf das Erkennen Ventrikel.

Abbildung 4. Das Ergebnis des tatsächlichen Mittellinie Schätzung. Diese Figur zeigt die Schätzergebnisse in unterschiedlichen CT-Bilder mit unterschiedlichen ventrikulären Formen. Die weißen Bereiche segmentiert ventrikuläre Regionen. Die blauen Konturen der Rand der ausgeglichenen ventrikulären Vorlagen. Die rote Punkte Merkmalspunkte, welche die Innenkanten der Ventrikel verwendet, um den tatsächlichen Mittellinie berechnen detektiert. Die grüne Linie ist die letzte Schätzungen actual Mittellinie. Klicken Sie hier für eine größere Abbildung zu sehen .

Abbildung 5. Das Ergebnis der Mittellinienverlagerung Schätzung. Das linke Bild zeigt die Eingabe CT slice. Das rechte Bild zeigt das bearbeitete Ergebnis ähnlich Abbildung 3. Die linke senkrechte grüne Linie stellt den geschätzten idealen Mittellinie, und die rechte vertikale grüne Linie stellt die geschätzten tatsächlichen Mittellinie. Der Abstand zwischen den beiden Linien ist der geschätzte Mittellinienverlagerung.

Abbildung 6. Die sechs ausgewählten Fenster für die Texturanalyse. Die ausgewählten Fenster sind die roten Rechtecke Vermeidung der Ventrikel.

Abbildung 7. Das Blut Segmentierung. Das linke Bild ist der Eingang CT-Bild. Das rechte Bild zeigt die Segmentierung Karte der GMM-Verfahren hergestellt. Der hellste Bereich entspricht dem Blutbereich.

Abbildung 8. Die oberste Ebene Kreuzvalidierung in RapidMiner. Das linke Fenster zeigt die Module in die Ausbildung und das rechte Fenster zeigt die Module in den Testprozess. In der Ausbildung wird zunächst verwenden wir die Informationen Verstärkungs-Modul und die genetische Algorithmus-Modul um Funktionen auszuwählen. Dann wird eine SVM zur Einstufung tun. Der Parameter-Tuning der SVM wird durch eine verschachtelte Kreuzvalidierung im Optimize Parameter Prozess gemacht. Das endgültige vollständige trainierten Modell ist die Ausgabe von dem Prozess mit OuterSVM ganze traiNing Daten. Bei der Prüfung Modul werden die ausgewählten Funktionen verwendet und das trainierte Modell ausgewertet. Klicken Sie hier für eine größere Abbildung zu sehen .

Discussion

In dieser Studie wird eine intuitive und flexible Rahmenbedingungen vorgeschlagen, zwei anspruchsvolle Probleme anzugehen: die Schätzung der Mittellinie Verschiebung in CT-Bildern und ICP-Ebene Vorhersage auf extrahierten Merkmale. Die Auswertungsergebnisse zeigen die Wirksamkeit des vorgeschlagenen Verfahrens. Soweit wir wissen, ist dies das erste Mal von einer systematischen Studie bei der Bewältigung dieser beiden Probleme. Wir bemerken, dass basierend auf der allgemeinen Rahmens, gibt es viele mögliche Verbesserungen, die erreicht werden kann. Zum Beispiel, in dem vorgeschlagenen Segmentierung sind die niedrigen Segmentierung und hohe Anerkennung abgetrennt und derzeit gibt es keine Rückkopplung von dem hohen Pegel auf den niedrigen Pegel Segmentierung. Dies unterscheidet sich vom menschlichen visuellen Inspektion, die Wechselwirkungen zwischen dem niedrigen Pegel Vision und hohe Anerkennung hat. Ein möglicher Ansatz, diese beiden Ebenen miteinander zu kombinieren, ist die sogenannte "modellbasierten Segmentierung Low-Level". Bei dieser Methode wird die Low-Level-Segmentierung nach th geführte hohen Atlas Modelle der Zielstruktur. Zum Beispiel kann eine Registrierung Algorithmus in dem ersten Schritt um die CT-Bilder an einem Standard CT-Bild auszurichten aufgebracht werden. Dies kann die weitere Verbesserung der Genauigkeit der Herzkammer Erkennung sowie die Schätzung des Mittellinienverlagerung weil genauere Abbildung im Gehirn Strukturen zwischen den CT-Bildern und dem Standard CT-Bild liefern kann. Für die Prädiktion ICP, obwohl das Ergebnis wird auf der Basis der Datenmenge getestet vielversprechend, müssen wir feststellen, dass die Größe der Proben begrenzt ist. Es wird mehr Überzeugungskraft, um die Ergebnisse auf einer anderen unabhängigen Datensatz zu validieren. Bei der Anwendung des maschinellen Lernens für ICP Vorhersage, ist die Stichprobengröße ein sehr wichtiger Faktor. Eine größere Datenmenge von CT-Untersuchungen, die mehr verschiedene Muster sowohl in CT-Bildern und ICP-Signale enthalten können, geben kann eine informative Bewertung der vorgeschlagenen Rahmen.