Automatisert Midline Shift og intrakranielt trykk Estimering basert på Brain CT-bilder

Summary

En automatisert midtlinjen skift estimering og intrakranielt trykk (ICP) pre-screening system basert på computertomografi (CT) bilder for pasienter med traumatisk hjerneskade (TBI) er foreslått med bildebehandling og maskin lære teknikker.

Abstract

I denne artikkelen presenterer vi et automatisert system basert hovedsakelig på computertomografi (CT) bilder som består av to hovedkomponenter: midtlinjen skift estimering og intrakranielt trykk (ICP) pre-screening system. Å anslå midtlinjen skift, først en estimert den ideelle midtlinjen utføres basert på symmetri av skallen og anatomiske trekk i hjernen CT scan. Deretter er segmentering av ventriklene fra CT scan utføres og brukes som en veiledning for å identifisere selve midtlinjen gjennom formen matching. Disse prosessene etterligne måleprosessen av leger og har vist lovende resultater i evalueringen. I den andre komponenten, er flere funksjoner relatert til ekstrahert ICP, eksempel tekstur informasjon, blod beløp fra CT skanner og andre registrerte funksjoner, så som alder, skadegradstetthet vurdering å estimere ICP er også innarbeidet. Maskinlæring teknikker inkludert funksjonen utvalg og klassifisering, for eksempel støtte(SVMer), er ansatt for å bygge prediksjon modellen med RapidMiner. Evalueringen av prediksjon viser potensielle nytten av modellen. Den estimerte ideelle midtlinjen skift og spådde ICP nivåer kan brukes som en rask pre-screening steg for leger å ta avgjørelser, slik som å anbefale for eller mot invasiv ICP overvåking.

Introduction

Hvert år er det om lag 1,4 millioner traumatiske hjerneskader (TBI) relaterte akuttmottak tilfeller i USA, hvorav over 50.000 føre til dødsfall ^en. Alvorlig TBI er vanligvis ledsaget av en økning i intrakranielt trykk (ICP) med symptomer som hematomer og hevelse hjernevev. Disse resulterer i redusert cerebral perfusjon trykk og cerebral blodstrøm, plassere den skadde hjernen i ekstra risiko. Alvorlig ICP økningen kan være dødelig, så overvåking ICP for pasienter med hodeskader er avgjørende. Dette krever vanligvis plassering av inneliggende kateter direkte inn i hjernen for overvåking av trykk, en risikabel prosedyre for pasienter som bare kan utføres på spesialiserte medisinske sentre. Prosedyren innebærer også risiko som infeksjon. Imidlertid kan noen tegn til forhøyet ICP bli merkbar i medisinsk avbildning. I særdeleshet er midtlinjen skift ofte forbundet med en økning i ICP og kan fanges fra hjernen beregnede tomography (CT) bilder. Som sådan, disse bilder gir en mulighet for ikke-invasiv påvisning av forhøyede ICP som kan brukes som en pre-screening trinn før kranial trepanation. CT bildebehandling er fortsatt gullstandarden for første TBI vurderingen blant alle andre bildediagnostikk, f.eks MR, på grunn av sin høye hastighet og relative lave kostnader ^2. Videre har et CT undersøkelse ikke krever strenge pasient immobilitet, og har fordelen i å avsløre alvorlige misdannelser som benbrudd og hematomer. Mens CT er ofte brukt for påvisning av skader i hjernen, basert på dagens teknologi, er midtlinjen skift ikke automatisk målt og derfor leger må vurdere dette viktig faktor ved visuell inspeksjon. Unøyaktig eller inkonsistent CT tolkning er ofte forbundet med arten av den menneskelige visuelle system og den komplekse strukturen av hjernen. Mens små midtlinjen skift er unnvikende, er de ofte uvurderlig for vurdering av hjerneskade, i partikulære på tidlige stadier av skade før en pasients tilstand blir mer alvorlig. På den andre siden av spekteret, antyder stort midtlinjen skift svært forhøyede ICP og mer alvorlig TBI. Men det er en svært utfordrende oppgave for mennesker å visuelt inspisere CT-bilder og forutsi nivået på ICP kvantitativt. På grunn av fremskritt i automatiserte beregningsorientert teknikker, kan funksjoner hentet fra CT-bilder, for eksempel midtlinjen skift, hematom volum og tekstur av hjernen CT-bilder, måles nøyaktig og automatisk ved hjelp av avanserte bildebehandlingsprogrammer metoder. Imidlertid, forholdet mellom ICP og midtlinjen skift samt andre funksjoner som grad av blødning, har tekstur fra CT bilder ikke er utforsket. I denne artikkelen har en beregningsorientert rammeverk vært foreslått å måle midtlinjen skift måling samt andre fysiologiske / anatomiske funksjoner på hjernen CT-bilder, og deretter forutsi graden av ICP non-intrusively bruker maskinen læring teknikker.

Protocol

1. Metodikk Oversikt

Den foreslåtte rammeverket behandler hjernens CT-bilder av traumatisk hjerneskade (TBI) pasienter til automatisk å beregne midtlinjen skift i patologiske tilfeller og bruke det samt andre ekstrahert informasjon å forutsi intrakranielt trykk (ICP). Figur 1 viser skjematisk diagram av hele rammeverk. Den automatiserte midtlinjen skift måling kan deles inn i tre trinn. Først den ideelle midtlinjen av hjernen, dvs. midtlinjen før skaden, er funnet via en hierarkisk søk basert på skallen symmetri og vev har ^3. Dernest, ventrikulære systemet segmentert for hver hjerne CT bilde ^4. For det tredje blir den faktiske midtlinjen estimert fra den segmenterte deformert ventrikulære systemet ved hjelp av en figur matchende metode ^5. Den horisontale forskyvning av ventrikulære systemet blir deretter beregnet på grunnlag av beregningen av den ideelle midtlinjen og selve midtlinjen. Etter than midtlinjen skiftet er suksessivt estimert, funksjoner, inkludert midtlinjen skift, tekstur informasjon av CT-bilder, samt annen demografisk informasjon blir brukt til å forutsi ICP. Maskinlæring algoritmer er brukes til å modellere forholdet mellom ICP og de ​​utpakkede funksjoner ^6.

2. Ideell Midline Estimering

1. Dette trinnet oppdager omtrentlig ideelle midtlinjen ved hjelp symmetri av skallen. Først bruke gråtoner thresholding, må skallen til å være segmentert fra resten av innholdet i CT-bilde. Etter som utfører en uttømmende søk for å identifisere dreivinkler rundt massen midten av skallen. Den optimale rotasjonsvinkel er definert som vinkelen som maksimerer symmetrien av de resulterende halvdelene av skallen. Den omtrentlige ideelle midtlinjen er linjen som passerer gjennom massen midtpunktet og har optimal rotasjon engel med hensyn til den opprinnelige vertikale retning av CT bildet.
2. Dette trinnet oppdager posterior falx cerebri og fremre falx vedlegg til marginene for sagittal sulcus. Dette trinnet er utført for å avgrense identifisert omtrentlig ideelle midtlinjen. Først definere to søking rektangler sentrert på de to skjæringspunktene mellom omtrentlig ideelle midtlinjen og calvarium. Deretter velger størrelsen på rektangler empirisk slik at de dekker de anatomiske trekk å bli oppdaget som forklart nedenfor. Fremre falx vedlegg blir gjenkjent som toppen punktet i ryggen på calvarium og falx cerebri blir gjenkjent som den grå linjen i bakre region ^3.
3. Dette trinnet bruker disse funksjonene oppdaget ovenfor for å avgrense den ideelle midtlinjen posisjon. Når toppen poenget med fremre falx vedlegg og lengst punktet i bakre falx cerebri fra calvarum er spesifisert, er den raffinerte ideelle midtlinjen linjen som forbinder de to punktene.

3. Ventrikkel Segmentering

1. Først bruke en lav-leVel segmentering ved hjelp av en gaussisk blanding modell (GMM) for hver CT skive ^4,7. CT-bilder kan deles inn i 4 typer vev: ben / blod, cerebrospinalvæske (CSF), grå materie og hvit substans. For initialiseringen av Gaussian Blanding Model, estimeres parameterne basert på en iterativ K-betyr segmentering resultat av CT bilde. Deretter bruker en forventning-maksimering (EM)-metoden for å optimalisere GMM iterativt til bedre representere CT-bilde. Den harde segmentering resultatet også kan oppnås ved fordeling av CT bilde inn i regioner basert på den maksimale sannsynlighet av medlemskap at hver piksel tilhører forskjellige områdetyper.
2. Etter lav-nivå segmentering av GMM, gjelder ytterligere begrensninger på segmentering resultatet for å gjenkjenne ventrikulære regioner. Kun ventrikulære regioner med størrelse over en viss terskel, beholdes. Påfør begrensninger på plasseringen av ventrikulære regioner også bruke hjernen markeringsrammen og sett ventricle maler. Pakk ut sett ventrikkel maler fra en standard hjerne MR-bilder, og deretter forstørre det ved hjelp av morfologiske dilation å imøtekomme variasjoner mellom ulike fag og patologiske tilfeller.

4. Faktisk Midline Estimering

1. Angi funksjonen poeng på de ventrikkelen maler hentet fra MR.
2. Må den flere områder Shape Matching ^5,8 mellom segmenterte ventriklene og MR-mal.
3. Bedømme den virkelige midtlinjen basert på de identifiserte har punkter på ventrikkelen figurer ved hjelp form matching. Deretter bruker gjennomsnittet av venstre middelverdi og høyre side bety av x-koordinatene av disse funksjonen poeng å definere x-koordinaten av midtlinjen.

5. Mer Feature Extractions

1. Mål intrakranielt hematom / blødning volum basert på Gaussian blanding modellen (GMM) segmentering resultater hentet fra CT-bilder. Det segmenterte resultat kan iclude små regioner, inkludert venous sinus blod og falx cerebri, men de kan vanligvis bli neglisjert i forhold til regionene hematom. Deretter telle antall piksler som er klassifisert som blod for hver skive og oppsummere dem opp. Den endelige summen kvantifiserer extravasated blodvolum i CT-undersøkelsen.
2. Pakk tekstur funksjoner. Først velger seks vinduer i hver CT-bilde som fanger den grå og hvit substans, men unngå blod og ventrikkel strukturer i CT-bilde, se Figur 6. Deretter pakke de tilsvarende tekstur funksjoner ved hjelp av følgende metoder: Gray Nivå Run lengde ^9, Histogram analyse, Fourier analyse, Dual Tre Complex Wavelet analyse ^10.
3. Demografisk informasjon og skadegradstetthet poengsum er også samlet inn.
4. Alle hentet for hvert CT-bilde aggregeres å representere hele CT-undersøkelse. Spesifikt min (f), maks (f), median (f), betyr (f), std (f) beregnes blant all de valgte funksjonene tilhører den bestemte CT-undersøkelse, f.eks en funksjon ƒ av midtlinjen skift eller en tekstur funksjonen. For intrakranial blødning beløpet funksjonen, foruten de fem operatører oppført ovenfor, sum (f) er også lagt til registrere totale blodvolum.

6. ICP Beregninger

Hovedideen av ICP estimering er å bruke maskinen lære teknikker for å bygge en modell basert på et sett av trening prøver. Da bygget modell vurderes på de gjenværende prøvene. Grunn av den høye dimensjonen utklippede funksjoner, inkludert de fra CT og demografisk informasjon, er funksjonen utvalg viktig å fjerne urelaterte funksjoner for en relativt enkel og dermed stabil modell. Derfor er det to trinn som skal utføres for ICP estimering / prediksjon. Først velger de relative funksjoner som er informative forutsi ICPS. Det andre trinnet er å bruke Support Vector Machines (SVM) somAlgoritmen som lærer å utvikle og evaluere opplæring modellen. Programvare som RapidMiner ¹¹ er ideelt for denne oppgaven fordi det er en veldig godt utviklet verktøy for de fleste av maskinlæring algoritmer og gir svært kraftige grensesnitt for å trene og evaluere modeller.

1. Utfør funksjonen utvalg i to etapper. Først bruke informasjonen gain ratio kriterium i den første fasen for å velge de 50 beste funksjonene. I den andre fasen, bruk en genetisk algoritme som omfatter SVM å ytterligere optimalisere funksjonen utvalg. Deretter bruker det siste settet av utvalgte funksjoner for å bygge modellen for ICP prediksjon i følgende trinn.
2. Utfør ICP klassifisering og evaluering gjennom maskinlæringsmetoder teknikker. Toppnivået diagram av trening og testing er vist i RapidMiner i figur 8.. Påfør en 10 fold kryssvalidering ordningen som den ytterste lag for evaluering. For å bygge en modell med bedre generalisering og unngå over-montering til than treningsdata, hekker et lag av kryssvalidering inne hver trening fold. I disse modulene, først bruke funksjonen utvelgelsesprosessen beskrevet ovenfor, og deretter bruke en SVM for klassifisering med sin egen parameter valg modul ^6.

Representative Results

Testing CT datasett ble levert av Carolinas Healthcare System (CHS) under Institutional Review Board godkjennelse. Alle forsøkspersonene ble diagnostisert med mild til alvorlig TBI når den først innlagt på sykehuset. For hver pasient ble ICP verdien registreres hver time ved hjelp av ICP sonder inne ventrikkelen regionen både før og etter at CT ble erholdt. Å knytte ICP verdi med hver CT scan, gjennomsnittlig de to nærmeste målinger av ICP til den tiden av CT scan, som begge er innen en time av CT scan. Deretter tildele gjennomsnittet som antatt ICP verdi på tidspunktet for CT scan. Gruppere ICP verdiene i to klasser: forhøyet ICP hvis ICP> 12 mm Hg og normal ICP hvis ICP ≤ 12 mm Hg. Datasettene inneholder 17 pasienter. Fra dette settet, er 391 aksiale CT scan bilder valgt at vis ventriklene eller regioner som burde inneholdt ventriklene. Figur 2 viser resultatet av den ideelle midtlinjen deteksjon. I figur 3, lufthullricles segmenteres. Figur 4 viser estimert faktisk midtlinjen. Figur 5 viser estimert midtlinjen skift. Fig. 7 viser segmenteringen av blod ved hjelp av GMM. En kvantitativ vurdering av ytelsen er også utført. I de fleste skiver (over 80%), feilen mellom det ideelle midtlinjen anslått av rammeverket og den manuelle kommentaren er rundt 2 piksler, som er ca 1mm. For selve midtlinjen, har over 80% mindre enn 2,25 mm, forutsatt at forskjellen kvaliteten på ventrikulær segmentering er relativt god (det er definert som "relativt god" hvis kvaliteten segmenteringen resultatet kan brukes til beregning av den faktiske midlines manuelt). Det er 57 CT i evalueringen av ICP prediksjon. Resultatet av den foreslåtte metoden er evaluert ved hjelp av følgende tre tiltak: følsomhet, spesifisitet og nøyaktighet. Sensitivitet er definert som

følsomhet = # (sanne positive) / # (positives).

Spesifisiteten er definert som

spesifisitet = # (sanne negativer) / # (negativer).

Den forutsigelse nøyaktighet blir definert som

nøyaktighet = # (korrigert spådd) / # (totalt prøver).

En nøyaktighet på ca 70% ble oppnådd i vår studie med 10 fold kryssvalidering. Sensitiviteten ble funnet å være ca 65% og spesifisiteten av ca 73%. Dette kan tyde på en viss prediktiv kraft av den foreslåtte metoden på dette datasettet. Følgende trinn ville være replikering av lignende resultater på andre uavhengige datasett.

Figur 1. Det øverste nivået rammen av metoden Det er tre egenskapsuttrekking modulene for de rå CT-bilder:. Midtlinjen skift måling, tekstur analyse og blood beløp estimering. Alle de utpakkede funksjoner og annen innspilt informasjon, for eksempel demografisk informasjon mates inn i klassifiseringen modulen for å forutsi ICP nivåer.

Figur 2. Resultatet av den ideelle midtlinjen deteksjon. Den røde linjen er den omtrentlige ideelle midtlinjen. De to rektangulære boksene dekker benet fremspring og den nedre falx cerebri henholdsvis. Disse boksene er brukes til å redusere de regioner av interesse. Den grønne streken linjen er den endelige oppdaget ideelle midtlinjen, som fanger bein protrusion og nedre falx cerebri nøyaktig.

Figur 3. Resultatet av ventrikkelen segmentering. Den venstre bildet er den opprinnelige CT bilde. Det riktige bildet består av følfløyen linjer: den indre kant av skallen, den indre markeringsrammen dannet av fire linjer, den ytre markeringsrammen dannet av ytterligere fire linjer, kanten av en matchende forstørret ventrikkel mal, de røde regioner som representerer de oppdagede ventrikulære regioner, de grå regioner representerer andre regioner avvist være ventrikulære regioner etter bruk flere begrensninger på å gjenkjenne ventriklene.

Figur 4. Resultatet av den faktiske midtlinjen estimering. Denne figuren viser estimeringen resulterer i forskjellige CT bilder med forskjellige ventrikulære figurer. De hvite områdene er segmentert ventrikulære regioner. De blå linjene er kanten av matchede ventrikulære maler. De røde punkter oppdages funksjonen punkter som representerer de indre kantene av ventriklene brukes til å beregne den faktiske midtlinjen. Den grønne linjen er den endelige anslått actual midtlinjen. Klikk her for å se større figur .

Figur 5. Resultatet av midtlinjen skift estimering. Den venstre bilde viser inngang CT stykket. Bildet til høyre viser den bearbeidede resultatet lik Figur 3. Den venstre vertikale grønne linjen representerer den beregnede ideelle midtlinjen, og rett vertikal grønn linje representerer antatt virkelig midtlinjen. Avstanden mellom de to linjene er estimert midtlinjen skift.

Figur 6. De seks utvalgte vinduer for tekstur analyse. De valgte vinduer er de røde rektangler unngå ventriklene.

Figur 7. Blodet segmentering. Den venstre bildet er input CT-bilde. Bildet til høyre viser segmentering kart produsert av GMM metoden. Den klareste regionen tilsvarer blodet regionen.

Figur 8. Det øverste nivået kryssvalidering i RapidMiner. Den venstre vinduet viser modulene i opplæringsprosessen og det høyre vinduet viser modulene i testprosessen. I opplæringen vi først bruke informasjonen gevinst modulen og den genetiske algoritmen modulen for å velge funksjoner. Deretter en SVM brukes til å gjøre klassifisering. Parameteren tuning av SVM er gjort gjennom en nestet kryssvalidering i Optimaliser Parameter prosessen. Den endelige fulle trent modellen er utgang fra OuterSVM prosessen ved hjelp av alle de opplæringning data. I testing modulen, er de valgte funksjonene som brukes og trent modellen er evaluert. Klikk her for å se større figur .

Discussion

I denne studien, er et intuitivt og fleksibelt rammeverk foreslått å ta to utfordrende problemer: estimering av midtlinjen skift i CT bilder og ICP nivå prediksjon basert på utvunnet funksjoner. Evalueringsresultatene viser effektiviteten av den foreslåtte metode. Så vidt vi vet, er dette første gang en systematisk studie for å møte disse to problemene. Vi legger merke til at basert på det generelle rammeverket, er det mange potensielle forbedringer som kan oppnås. For eksempel, i den foreslåtte segmentering, er lavt nivå segmentering og høyt nivå anerkjennelse separert og for øyeblikket er det ingen tilbakemelding fra det høye nivå til det lave nivå segmentering. Dette er forskjellig fra humant visuell inspeksjon, som har interaksjoner mellom det lave nivået visjon og høyt nivå anerkjennelse. En potensiell tilnærming å kombinere disse to nivåer sammen er den såkalte "modellbasert lavnivå segmentering". I denne metoden, blir lav-nivå segmentering guidet av the høyt nivå atlas modeller av målstruktur. For eksempel, kan en registrering algoritme anvendes i det første trinnet for å justere CT-bilder til en standard CT bilde. Dette kan ytterligere forbedre nøyaktigheten av ventrikkelen gjenkjenning, samt estimering av midtlinjen skiftet fordi det kan gi mer nøyaktig kartlegging i hjernen strukturene mellom CT-bilder og standard CT bilde. For ICP prediksjon, selv om resultatet er lovende basert på datasettet testet, må vi merke til at størrelsen av prøvene er begrenset. Det vil være mer overbevisende å validere resultatene basert på en annen uavhengig datasett. Ved anvendelsen av maskinen læring for ICP prediksjon, er utvalgsstørrelsen en svært viktig faktor. En større datasett av CT eksamener, som kan inneholde flere forskjellige mønstre i både CT bilder og ICP signaler, kan gi en mer informativ evaluering av foreslåtte rammeverket.