Summary
एक स्वचालित midline बदलाव आकलन और intracranial (आईसीपी) के दबाव घाव मस्तिष्क चोट (TBI) के साथ रोगियों के लिए गणना टोमोग्राफी (सीटी) छवियों के आधार पर पूर्व स्क्रीनिंग प्रणाली छवि प्रसंस्करण और मशीन तकनीक सीखने का उपयोग का प्रस्ताव है.
Abstract
Midline बदलाव आकलन और intracranial दबाव (आईसीपी) पूर्व स्क्रीनिंग प्रणाली: हम इस पत्र में एक स्वचालित गणना टोमोग्राफी (सीटी) दो मुख्य घटकों से मिलकर छवियों पर मुख्य रूप से आधारित प्रणाली मौजूद है. के midline बदलाव का अनुमान है, पहले आदर्श midline के एक आकलन खोपड़ी और मस्तिष्क सीटी स्कैन में शारीरिक विशेषताओं की समरूपता के आधार पर किया जाता है. फिर, सीटी स्कैन से ventricles के विभाजन की है और आकार मिलान के माध्यम से वास्तविक midline की पहचान के लिए एक गाइड के रूप में इस्तेमाल किया. इन प्रक्रियाओं को चिकित्सकों द्वारा मापने की प्रक्रिया की नकल और मूल्यांकन में आशाजनक परिणाम दिखाया है. दूसरे घटक में, और अधिक सुविधाओं आईसीपी से संबंधित निकाले जाते हैं, बनावट, सीटी स्कैन और उम्र, चोट की गंभीरता आईसीपी का अनुमान लगाने के स्कोर के रूप में अन्य सुविधाओं, से रक्त राशि जानकारी के रूप में भी शामिल कर रहे हैं. मशीन सुविधा चयन और वर्गीकरण सहित सीखने के समर्थन के रूप में, तकनीकवेक्टर (SVMs) मशीनें, भविष्यवाणी RapidMiner का उपयोग करते हुए मॉडल का निर्माण करने के लिए कार्यरत हैं. भविष्यवाणी के मूल्यांकन मॉडल की संभावित उपयोगिता से पता चलता है. अनुमान के अनुसार आदर्श midline पारी और आईसीपी के स्तर की भविष्यवाणी को निर्णय लेने के लिए चिकित्सकों के लिए एक तेजी से कदम पूर्व स्क्रीनिंग के रूप में इस्तेमाल किया जा सकता है, के लिए या आक्रामक आईसीपी निगरानी के खिलाफ इतनी के रूप में सिफारिश करने के लिए.
Introduction
हर साल 1.4 लाख के बारे में घाव मस्तिष्क (TBI) के संयुक्त राज्य अमेरिका में चोटों से संबंधित आपातकालीन विभाग के मामलों में हैं, जिनमें से, 1 मौत में 50,000 परिणाम पर. गंभीर TBI आमतौर पर hematomas और सूजन मस्तिष्क के ऊतकों के रूप में इस तरह के लक्षण के साथ intracranial दबाव (आईसीपी) में वृद्धि के साथ है. प्रमस्तिष्क छिड़काव कम दबाव और मस्तिष्क में रक्त प्रवाह, अतिरिक्त जोखिम में घायल मस्तिष्क रखने में ये परिणाम है. गंभीर आईसीपी वृद्धि घातक हो सकता है तो आईसीपी निगरानी TBI के साथ रोगियों के लिए महत्वपूर्ण है. यह आम तौर पर सीधे दबाव की निगरानी, रोगियों है कि केवल विशेष चिकित्सा केंद्रों पर प्रदर्शन किया जा सकता है के लिए एक जोखिम भरा प्रक्रिया के लिए मस्तिष्क में कैथेटर निबाह के स्थान की आवश्यकता है. प्रक्रिया भी संक्रमण के रूप में जोखिम शामिल है. हालांकि, ऊंचा आईसीपी के कुछ संकेत मेडिकल इमेजिंग में नमूदार हो सकता है. विशेष रूप से, midline बदलाव अक्सर आईसीपी में वृद्धि के साथ जुड़ा हुआ है और मस्तिष्क गणना टी से कब्जा किया जा सकता हैomography छवियों (सीटी). जैसे, इन छवियों को ऊंचा आईसीपी का पता लगाने के गैर इनवेसिव जो कपाल उक्त बरमे व्दारा छेदने का कार्य पूर्व स्क्रीनिंग से पहले एक कदम के रूप में इस्तेमाल किया जा सकता है के लिए एक अवसर प्रदान करते हैं. सीटी इमेजिंग अभी भी अन्य सभी इमेजिंग रूपात्मकता, जैसे एमआरआई के बीच प्रारंभिक TBI मूल्यांकन के लिए स्वर्ण मानक है, की वजह से, अपनी उच्च गति और सापेक्ष कम लागत 2. इसके अलावा, एक सीटी परीक्षा सख्त रोगी गतिहीनता की आवश्यकता नहीं है, करता है और अस्थि भंग और hematomas के रूप में गंभीर असामान्यताओं का खुलासा करने में फायदा है. जबकि सीटी आमतौर पर, मौजूदा प्रौद्योगिकी के आधार पर मस्तिष्क में चोट का पता लगाने के लिए प्रयोग किया जाता है, midline बदलाव स्वतः और नहीं मापा जाता है इसलिए चिकित्सकों दृश्य निरीक्षण से इस महत्वपूर्ण कारक का आकलन करना चाहिए. गलत या असंगत सीटी व्याख्या अक्सर मानव दृश्य प्रणाली की प्रकृति और मस्तिष्क की जटिल संरचना के साथ जुड़ा हुआ है. जबकि छोटे midline बदलाव मायावी हैं, वे अक्सर मस्तिष्क की चोट के आकलन के लिए अमूल्य पी में,एक मरीज की हालत से पहले चोट के प्रारंभिक दौर में जोड़दार और अधिक गंभीर हो जाती है. स्पेक्ट्रम के दूसरे पक्ष पर, बड़े midline बदलाव अत्यधिक ऊंचा आईसीपी और अधिक गंभीर TBI पता चलता है. हालांकि, यह मनुष्य के लिए एक बहुत ही चुनौतीपूर्ण कार्य करने के लिए नेत्रहीन सीटी छवियों का निरीक्षण किया और आईसीपी के स्तर मात्रात्मक की भविष्यवाणी है. स्वचालित कम्प्यूटेशनल तकनीकों में प्रगति के कारण, midline पाली, रक्तगुल्म मात्रा, मस्तिष्क सीटी छवियों और बनावट के रूप में सीटी छवियों, से निकाले सुविधाओं सही मापा जा सकता है और स्वचालित रूप से उन्नत छवि प्रसंस्करण विधियों का उपयोग कर. हालांकि, आईसीपी और midline के रूप में के रूप में अच्छी तरह से बदलाव रक्तस्राव की डिग्री के रूप में अन्य सुविधाओं के बीच संबंध, सीटी छवियों से बनावट का पता लगाया गया नहीं किया गया है. इस पत्र में, एक कम्प्यूटेशनल ढांचे midline बदलाव के रूप में के रूप में अच्छी तरह से माप मस्तिष्क सीटी छवियों पर अन्य शारीरिक / शारीरिक विशेषताओं को मापने के लिए और फिर आईसीपी गैर intrusively मशीन का उपयोग तकनीक सीखने की डिग्री की भविष्यवाणी करने के लिए प्रस्तावित किया गया है.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. क्रियाविधि अवलोकन
प्रस्तावित ढांचे घाव मस्तिष्क चोट (TBI) रोगियों के मस्तिष्क सीटी छवियों प्रक्रियाओं को स्वचालित रूप से रोग के मामलों में midline बदलाव की गणना करने के लिए और साथ ही अन्य निकाली गई जानकारी का उपयोग करने के लिए intracranial दबाव (आईसीपी) की भविष्यवाणी चित्रा 1 पूरे योजनाबद्ध चित्र से पता चलता है. ढांचा. स्वचालित midline बदलाव माप तीन चरणों में विभाजित किया जा सकता है. पहले, मस्तिष्क की आदर्श midline, चोट से पहले midline यानी, एक पदानुक्रमित खोपड़ी ऊतक समरूपता और 3 सुविधाओं के आधार पर खोज के माध्यम से पाया जाता है. दूसरे, वेंट्रिकुलर सिस्टम प्रत्येक मस्तिष्क सीटी 4 छवि के लिए विभाजित है. तीसरा, वास्तविक midline खंडों विकृत वेंट्रिकुलर सिस्टम से 5 विधि मिलान आकार का उपयोग का अनुमान है. वेंट्रिकुलर प्रणाली की क्षैतिज बदलाव तो आदर्श midline और वास्तविक midline के आकलन पर आधारित अनुमान है. टी के बादवह midline बदलाव क्रमिक अनुमान है midline बदलाव, सीटी छवियों की बनावट की जानकारी, के रूप में के रूप में अच्छी तरह से अन्य जनसांख्यिकीय जानकारी सहित सुविधाओं आईसीपी की भविष्यवाणी करने के लिए इस्तेमाल किया जाता है. मशीन एल्गोरिदम सीखने आईसीपी और निकाले 6 सुविधाओं के बीच संबंध मॉडल के लिए किया जाता है.
2. आदर्श midline आकलन
- यह कदम लगभग आदर्श खोपड़ी की समरूपता का उपयोग midline का पता लगाता है. पहले, thresholding ग्रेस्केल का उपयोग कर, खोपड़ी को सीटी छवि में की शेष सामग्री से विभाजित होने की जरूरत है. जिसके बाद, खोपड़ी के बड़े पैमाने पर केंद्र के चारों ओर रोटेशन कोण की पहचान करने के लिए एक संपूर्ण खोज करते हैं. इष्टतम रोटेशन कोण कोण है कि खोपड़ी के परिणामस्वरूप हिस्सों में समरूपता अधिकतम के रूप में परिभाषित किया गया है. लगभग आदर्श midline जन केंद्र बिंदु लाइन के माध्यम से गुजर रहा है और सीटी छवि के मूल ऊर्ध्वाधर दिशा सम्मान के साथ इष्टतम रोटेशन दूत है.
- इस कदम पी का पता लगाता हैosterior प्रमस्तिष्क दात्र और पूर्वकाल दात्र बाण के समान sulcus की मार्जिन को लगाव. इस कदम के लिए पहचान की अनुमानित आदर्श midline को परिष्कृत करने के लिए किया जाता है. पहले दो खोज आयतों दो अनुमानित आदर्श midline और calvarium चौराहे के बीच अंक पर केन्द्रित परिभाषित. अगला, आयतों के आकार empirically इतना है कि वे शारीरिक विशेषताओं के रूप में नीचे समझाया पता लगाया जा को कवर करने के लिए चुनते हैं. पूर्वकाल दात्र लगाव calvarium और प्रमस्तिष्क दात्र पीछे 3 क्षेत्र में ग्रे लाइन के रूप में पहचान की है पर रिज के शिखर बिंदु के रूप में पहचान की है.
- यह कदम उन लोगों के ऊपर पता लगाया आदर्श midline स्थिति को परिष्कृत सुविधाओं का उपयोग करता है. एक बार पूर्वकाल दात्र और calvarum से पीछे प्रमस्तिष्क दात्र में दूर बिंदु लगाव का चरम बिंदु निर्दिष्ट कर रहे हैं, परिष्कृत आदर्श midline दो अंक जोड़ने लाइन है.
3. निलय विभाजन
- पहले एक कम ले लागू होते हैंvel विभाजन प्रत्येक सीटी 4,7 टुकड़ा के लिए एक गाऊसी मिश्रण मॉडल (GMM) का इस्तेमाल करते हैं. हड्डी / रक्त, मस्तिष्कमेरु द्रव (सीएसएफ), ग्रे मामले और सफेद बात: सीटी छवियों ऊतक के 4 प्रकार में विभाजित किया जा सकता है. गाऊसी मिश्रण मॉडल के initialization के लिए, पैरामीटर कश्मीर का मतलब चलने का सीटी छवि के विभाजन के परिणाम के आधार पर अनुमान है. फिर विधि उम्मीद अधिकतमकरण (EM) का उपयोग करने के लिए GMM iteratively अनुकूलन करने के लिए बेहतर सीटी छवि का प्रतिनिधित्व करते हैं. हार्ड विभाजन परिणाम सदस्यता की अधिकतम संभावना है कि प्रत्येक पिक्सेल अलग क्षेत्र प्रकार के अंतर्गत आता है पर आधारित क्षेत्रों में सीटी छवि विभाजन के द्वारा प्राप्त किया जा सकता है.
- जीएमएम कम स्तर के विभाजन के बाद, विभाजन परिणाम पर आगे बाधाओं लागू क्रम में वेंट्रिकुलर क्षेत्रों की पहचान करने के लिए. केवल एक निश्चित सीमा से ऊपर आकार के साथ वेंट्रिकुलर क्षेत्रों को रखा जाता है. वेंट्रिकुलर क्षेत्रों के स्थान पर अच्छी तरह से मस्तिष्क bounding बॉक्स और ventricl के सेट का उपयोग कर के रूप में लागू की कमीई टेम्पलेट्स. एक मानक मस्तिष्क एमआर छवियों से निलय टेम्पलेट्स के सेट निकालने और फिर इसे विस्तार morphological फैलाव का उपयोग करने के लिए विभिन्न विषयों और रोग के मामलों के बीच बदलाव को समायोजित.
4. वास्तविक midline आकलन
- निलय से MR निकाले टेम्पलेट्स पर सुविधा बिंदुओं को निर्दिष्ट.
- कई क्षेत्रों के आकार के खंडों ventricles और एमआर टेम्पलेट के बीच 5,8 मिलान.
- वास्तविक पहचान निलय आकार मिलान का उपयोग कर आकार पर फीचर अंक पर आधारित midline का अनुमान है. फिर बाईं ओर मतलब है और सही पक्ष के औसत का उपयोग उन फीचर अंक की एक्स निर्देशांक midline के x-निर्देशांक परिभाषित का मतलब.
5. अधिक सुविधा एक्सट्रैक्शन
- Intracranial रक्तगुल्म / खून बह रहा गाऊसी मिश्रण मॉडल (GMM) विभाजन सीटी छवियों से प्राप्त परिणाम के आधार पर मात्रा उपाय. खंडों परिणाम मईशिरापरक साइनस रक्त और प्रमस्तिष्क दात्र सहित छोटे क्षेत्रों clude, लेकिन वे आमतौर पर रक्तगुल्म के क्षेत्रों की तुलना में उपेक्षित किया जा सकता है. फिर प्रत्येक टुकड़ा के लिए रक्त के रूप में वर्गीकृत पिक्सल की संख्या गिनती और उन्हें योग करने के लिए. अंतिम राशि सीटी परीक्षा में extravasated रक्त की मात्रा quantifies.
- बनावट सुविधाओं निकालें. पहले प्रत्येक सीटी छवि, जो ग्रे और सफेद पदार्थ कब्जा में छह खिड़कियों का चयन करें, लेकिन सीटी छवि में रक्त और निलय संरचनाओं से बचने के लिए, चित्रा 6 देखें. ग्रे स्तर भागो लंबाई 9, हिस्टोग्राम विश्लेषण, फूरियर विश्लेषण, दोहरी पेड़ परिसर तरंगिका 10 विश्लेषण: तो निम्नलिखित विधियों का प्रयोग करके इसी बनावट सुविधाओं को निकाल सकते हैं.
- जनसांख्यिकीय जानकारी और चोट की गंभीरता स्कोर भी एकत्र कर रहे हैं.
- प्रत्येक सीटी छवि के सभी निकाले सुविधाओं के लिए पूरे सीटी परीक्षा का प्रतिनिधित्व करने के लिए एकत्रित कर रहे हैं. विशेष रूप से, (च) मिनट, अधिकतम (च), औसत (च) मतलब, (च), एसटीडी अल (च) के बीच की गणना कर रहे हैंएल चयनित विशेष रूप से सीटी परीक्षा से संबंधित सुविधाओं, midline बदलाव या एक बनावट सुविधा की एक विशेषता ƒ उदा. Intracranial नकसीर राशि की सुविधा के लिए, 5 ऊपर सूचीबद्ध ऑपरेटरों के अलावा, राशि (च) भी कुल रक्त की मात्रा रिकॉर्ड करने के लिए जोड़ा है.
6. आईसीपी आकलन
आईसीपी आकलन के मुख्य विचार करने के लिए मशीन सीखने तकनीकों को लागू करने के लिए एक प्रशिक्षण नमूने का एक सेट पर आधारित मॉडल बनाने के लिए है. तब बनाया मॉडल शेष परीक्षण के नमूने पर मूल्यांकन किया जाता है. सीटी स्कैन और जनसांख्यिकीय जानकारी से उन सहित निकाला सुविधाओं के उच्च आयाम की वजह से, इस सुविधा का चयन करने के लिए महत्वपूर्ण है एक अपेक्षाकृत सरल इस तरह स्थिर मॉडल के लिए असंबंधित सुविधाओं को हटाने. इसलिए वहाँ दो आईसीपी आकलन / भविष्यवाणी के लिए प्रदर्शन किया कदम उठाए हैं. सबसे पहले, रिश्तेदार सुविधाओं जो ICPs भविष्यवाणी में जानकारीपूर्ण हैं का चयन करें. दूसरे चरण के लिए समर्थन वेक्टर मशीन (SVM) के रूप में उपयोग करने के लिए हैएल्गोरिथ्म को विकसित करने के लिए और प्रशिक्षण मॉडल का मूल्यांकन करने के लिए सीखने. 11 RapidMiner सॉफ्टवेयर जैसे इस कार्य के लिए आदर्श है क्योंकि यह मशीन सीखने एल्गोरिदम के अधिकांश के लिए एक बहुत अच्छी तरह से विकसित उपकरण है और बहुत शक्तिशाली करने के लिए प्रशिक्षित करने के लिए और मॉडल का मूल्यांकन इंटरफेस प्रदान करता है.
- दो चरणों में इस सुविधा का चयन प्रदर्शन करना. सबसे पहले प्रथम चरण में जानकारी लाभ अनुपात कसौटी का उपयोग करने के लिए शीर्ष 50 सुविधाओं का चयन करें. दूसरे चरण में, एक आनुवंशिक एल्गोरिथ्म को शामिल के SVM का उपयोग करने के लिए आगे का अनुकूलन सुविधा चयन. फिर चयनित निम्नलिखित कदम में आईसीपी भविष्यवाणी के लिए मॉडल का निर्माण सुविधाओं के अंतिम सेट का उपयोग करें.
- आईसीपी वर्गीकरण और मशीन तकनीक सीखने के माध्यम से मूल्यांकन प्रदर्शन. प्रशिक्षण और परीक्षण के शीर्ष स्तर आरेख RapidMiner में 8 चित्र में दिखाया गया हैं. Outmost परत के रूप में मूल्यांकन के लिए एक 10 गुना पार सत्यापन योजना लागू करें. आदेश में बेहतर सामान्यीकरण साथ एक मॉडल बनाने के लिए और टी के लिए अधिक ढाले से बचनेवह प्रशिक्षण डेटा, प्रत्येक प्रशिक्षण गुना अंदर पार सत्यापन की एक और परत घोंसला. इन मॉड्यूल में, पहली फीचर चयन प्रक्रिया को ऊपर वर्णित लागू करते हैं और फिर वर्गीकरण के लिए अपने स्वयं के पैरामीटर चयन 6 मॉड्यूल के साथ एक SVM का उपयोग.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
परीक्षण सीटी डेटासेट संस्थागत समीक्षा बोर्ड के अनुमोदन के तहत Carolinas स्वास्थ्य प्रणाली (CHS) द्वारा प्रदान किया गया. सभी विषयों के साथ हल्के गंभीर TBI का निदान किया गया जब पहली बार अस्पताल में भर्ती कराया. प्रत्येक रोगी के लिए, आईसीपी मूल्य हर घंटे दर्ज निलय क्षेत्र के अंदर दोनों से पहले और सीटी स्कैन के बाद प्राप्त आईसीपी जांच का उपयोग किया गया था. आईसीपी मूल्य प्रत्येक सीटी स्कैन, सीटी स्कैन के समय आईसीपी के दो निकटतम माप औसत है, जो दोनों के सीटी स्कैन के एक घंटे के भीतर कर रहे हैं के साथ सहयोगी. तो अनुमानित आईसीपी मूल्य के रूप में सीटी स्कैन के समय में औसत असाइन करें. दो वर्गों में समूह आईसीपी मूल्यों: ऊंचा आईसीपी अगर आईसीपी> 12 मिमी Hg और सामान्य आईसीपी अगर आईसीपी ≤ 12 मिमी Hg. डेटासेट 17 रोगियों होते हैं. इस सेट से axial 391, सीटी स्कैन छवियों का चयन कर रहे हैं कि इस शो के ventricles या क्षेत्रों कि ventricles निहित है चाहिए चित्रा 2. आदर्श midline का पता लगाने के परिणाम से पता चलता है. चित्रा 3, वेंटricles खंडों चित्रा 4 अनुमानित वास्तविक midline से पता चलता है. 5 चित्रा midline बदलाव के आकलन से पता चलता है. 7 चित्रा जीएमएम का उपयोग करते हुए रक्त के विभाजन से पता चलता है. प्रदर्शन के मात्रात्मक मूल्यांकन भी किया जाता है. सबसे स्लाइस (80% से अधिक) में, आदर्श रूपरेखा द्वारा अनुमानित midline और मैनुअल एनोटेशन के बीच त्रुटि 2 पिक्सल, जो 1mm के बारे में है के आसपास हैं. वास्तविक midline के लिए, 80 से ऊपर% 2.25 मिमी से भी कम अंतर बशर्ते कि वेंट्रिकुलर विभाजन की गुणवत्ता अपेक्षाकृत अच्छा है (यह "के रूप में अपेक्षाकृत अच्छी" परिभाषित किया गया है अगर विभाजन परिणाम के गुणवत्ता वास्तविक midlines के आकलन के लिए इस्तेमाल किया जा सकता है मैन्युअल). वहाँ 57 आईसीपी भविष्यवाणी के मूल्यांकन में सीटी स्कैन कर रहे हैं. संवेदनशीलता और विशिष्टता, और सटीकता: प्रस्तावित विधि के परिणाम निम्न तीन उपायों का उपयोग मूल्यांकन किया है. संवेदनशीलता के रूप में परिभाषित किया गया है
संवेदनशीलता = (सच सकारात्मक) / # (पी) ositives.
विशिष्टता के रूप में परिभाषित किया गया है
विशिष्टता = (सच नकारात्मक) / (नकारात्मक).
विशेषण सटीकता के रूप में परिभाषित किया गया है
सटीकता = # (सही भविष्यवाणी की) / (कुल नमूनों).
हमारे अध्ययन में 10 गुना पार सत्यापन का उपयोग कर के बारे में 70% की एक सटीकता हासिल की थी. संवेदनशीलता के बारे में 65% के बारे में 73% की विशिष्टता हो पाया था. यह इस डेटा सेट पर प्रस्तावित विधि की एक निश्चित भविष्य कहनेवाला शक्ति का सुझाव हो सकता है. निम्नलिखित कदम अन्य स्वतंत्र डेटा सेट पर इसी तरह के परिणाम की प्रतिकृति होगा.
चित्रा 1. विधि के शीर्ष स्तर ढांचे के कच्चे सीटी छवियों के लिए तीन सुविधा निष्कर्षण मॉड्यूल हैं: midline बदलाव माप, बनावट विश्लेषण और बीएलood राशि आकलन. सभी निकाले सुविधाओं और जनसांख्यिकीय जानकारी जैसे अन्य दर्ज जानकारी, वर्गीकरण मॉड्यूल में खिलाया जाता है आईसीपी के स्तर की भविष्यवाणी कर रहे हैं.
चित्रा 2. आदर्श midline का पता लगाने के परिणाम लाल रेखा लगभग आदर्श midline है. दो आयताकार बक्से हड्डी फलाव और कम प्रमस्तिष्क दात्र क्रमशः कवर. इन बक्सों में हित के क्षेत्रों को कम करने के लिए किया जाता है. हरी पानी का छींटा लाइन अंतिम आदर्श midline पता लगाया है, जो हड्डी फलाव और कम प्रमस्तिष्क दात्र सही कब्जा है.
चित्रा 3. निलय विभाजन का परिणाम है. बाईं छवि मूल सीटी छवि है. सही छवि follo के होतेविंग लाइनों: खोपड़ी, भीतरी bounding बॉक्स चार लाइनों, बाहरी bounding बॉक्स एक और चार लाइनों द्वारा गठित द्वारा गठित की आंतरिक किनारे, मिलान बढ़े निलय टेम्पलेट के किनारे, लाल क्षेत्रों का पता चला वेंट्रिकुलर क्षेत्रों का प्रतिनिधित्व, ग्रे क्षेत्रों का प्रतिनिधित्व अन्य क्षेत्रों ventricles पहचानने पर कई बाधाओं को लागू करने के बाद किया जा रहा है वेंट्रिकुलर क्षेत्रों को खारिज कर दिया.
चित्रा 4. वास्तविक midline आकलन के परिणाम यह आंकड़ा अलग वेंट्रिकुलर आकृतियों के साथ विभिन्न सीटी छवियों में आकलन परिणामों से पता चलता है. सफेद क्षेत्रों खंडों वेंट्रिकुलर क्षेत्रों के हैं. नीले आकृति मिलान वेंट्रिकुलर टेम्पलेट्स के किनारे हैं. लाल अंक सुविधा वास्तविक midline की गणना करने के लिए इस्तेमाल किया ventricles की अंदरूनी किनारों का प्रतिनिधित्व अंक पाया जाता है. हरे रंग की लाइन अंतिम अनुमानित actu हैअल midline. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .
चित्रा 5. midline पारी आकलन के परिणाम को छोड़ दिया छवि इनपुट सीटी टुकड़ा से पता चलता है. सही छवि प्रसंस्कृत चित्रा 3 करने के लिए इसी तरह के परिणाम से पता चलता है. बाएं खड़ी हरे रंग की लाइन अनुमानित आदर्श midline का प्रतिनिधित्व करता है, और सही खड़ी हरे रंग की लाइन अनुमानित वास्तविक midline का प्रतिनिधित्व करता है. दो पंक्तियों के बीच की दूरी अनुमानित midline बदलाव है.
6 चित्रा. बनावट के विश्लेषण के लिए छह चयनित विंडो चयनित विंडो. आयतों लाल ventricles से परहेज कर रहे हैं.
चित्रा 7. रक्त विभाजन. बाईं छवि इनपुट सीटी छवि है. सही छवि विभाजन जीएमएम विधि द्वारा उत्पादित नक्शे से पता चलता है. प्रतिभाशाली क्षेत्र रक्त क्षेत्र से मेल खाती है.
चित्रा 8. RapidMiner में शीर्ष स्तर पार सत्यापन. बाईं विंडो प्रशिक्षण की प्रक्रिया में मॉड्यूल से पता चलता है और सही खिड़की के परीक्षण की प्रक्रिया में मॉड्यूल से पता चलता है. प्रशिक्षण की प्रक्रिया में है, पहले हमें जानकारी लाभ मॉड्यूल और आनुवंशिक एल्गोरिथ्म मॉड्यूल का उपयोग करने के लिए सुविधाओं का चयन करें. फिर एक SVM वर्गीकरण करने के लिए प्रयोग किया जाता है. SVM के पैरामीटर ट्यूनिंग ऑप्टिमाइज़ पैरामीटर प्रक्रिया में एक नेस्टेड पार सत्यापन के माध्यम से किया जाता है. अंतिम पूर्ण प्रशिक्षित मॉडल OuterSVM प्रक्रिया से उत्पादन सब ट्राई का उपयोग कर रहा हैडेटा ning. परीक्षण मॉड्यूल में चयनित सुविधाओं का इस्तेमाल कर रहे हैं और प्रशिक्षित मॉडल का मूल्यांकन किया जाता है. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
सीटी छवियों और आईसीपी स्तर निकाले सुविधाओं पर आधारित भविष्यवाणी में midline बदलाव का आकलन: इस अध्ययन में, एक सहज और लचीला ढांचे के लिए दो चुनौतीपूर्ण समस्याओं का समाधान करने का प्रस्ताव है. मूल्यांकन परिणाम प्रस्तावित विधि का प्रभाव दिखा. जहाँ तक हम जानते हैं, यह इन दो समस्याओं को संबोधित करने में एक व्यवस्थित अध्ययन पहली बार है. हमने देखा है कि सामान्य रूपरेखा के आधार पर, वहाँ कई संभावित सुधार है कि प्राप्त किया जा सकता है. उदाहरण के लिए प्रस्तावित विभाजन में, कम स्तर विभाजन और उच्च स्तर पर मान्यता से अलग कर रहे हैं और वर्तमान में उच्च स्तर से निम्न स्तर विभाजन कोई प्रतिक्रिया है. यह मानव दृश्य निरीक्षण जो कम स्तर दृष्टि और उच्च स्तर पर मान्यता के बीच बातचीत से अलग है. इन दो स्तरों पर एक साथ गठबंधन के लिए एक संभावित दृष्टिकोण तथाकथित "मॉडल आधारित विभाजन कम स्तर है." इस विधि में, निम्न स्तर के विभाजन वें द्वारा निर्देशित हैई लक्ष्य संरचना के उच्च स्तर एटलस मॉडल. उदाहरण के लिए, एक पंजीकरण एल्गोरिथ्म पहला कदम एक मानक सीटी छवि सीटी छवियों पंक्ति में लागू किया जा सकता है. यह आगे निलय मान्यता की सटीकता के रूप में midline बदलाव के आकलन के रूप में अच्छी तरह से सुधार हो सकता है क्योंकि यह सीटी छवियों और मानक सीटी छवि के बीच मस्तिष्क संरचना में अधिक सटीक मानचित्रण प्रदान कर सकता है. आईसीपी भविष्यवाणी के लिए, भले ही परिणाम परीक्षण किया डाटासेट के आधार पर वादा किया है, हम को नोटिस कि नमूनों के आकार सीमित है. यह और अधिक करने के लिए किसी अन्य स्वतंत्र डाटासेट के आधार पर परिणामों को मान्य करने के लिए प्रेरक हो जाएगा. आईसीपी भविष्यवाणी के लिए सीखने मशीन के आवेदन में नमूने का आकार एक बहुत महत्वपूर्ण कारक है. सीटी परीक्षाओं, जो दोनों सीटी छवियों और आईसीपी संकेतों में और अधिक अलग पैटर्न शामिल कर सकते हैं, का एक बड़ा डाटासेट प्रस्तावित ढांचे के एक अधिक सूचनात्मक मूल्यांकन दे सकता है.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
ब्याज की कोई संघर्ष की घोषणा की.
Acknowledgments
सामग्री काम आंशिक रूप से अनुदान सं IIS0758410 के तहत राष्ट्रीय विज्ञान फाउंडेशन द्वारा समर्थित पर आधारित है. डेटा Carolinas हेल्थकेयर सिस्टम के द्वारा आपूर्ति की गई थी.
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).
