Cambio automático línea media y la presión intracraneal Estimación basada en imágenes de TC del cerebro

Summary

Para determinar con exactitud la línea media y cambio automático de la presión intracraneal (PIC) pre-screening sistema basado en la tomografía computarizada (TC) para los pacientes con lesión cerebral traumática (TBI) se propuso la utilización de procesamiento de imágenes y técnicas de aprendizaje automático.

Abstract

En este trabajo se presenta un sistema automatizado basado principalmente en los de tomografía computarizada (TC) que consta de dos componentes principales: el cambio de estimación línea media y la presión intracraneal (PIC) pre-selección del sistema. Para estimar el desplazamiento de la línea media, primero una estimación de la línea media ideal se realiza en base a la simetría del cráneo y las características anatómicas de la exploración CT del cerebro. Entonces, la segmentación de los ventrículos desde el TC se realiza y se utiliza como una guía para la identificación de la línea media real mediante el cotejo de forma. Estos procesos de imitar el proceso de medición de los médicos y han mostrado resultados prometedores en la evaluación. En el segundo componente, más se extraen las características relacionadas con ICP, tal como la información de textura, la cantidad de sangre de la TC y otras características registradas, tales como la edad, puntuación de la gravedad para estimar la ICP también se incorporan. Técnicas de aprendizaje automático, incluyendo la función de selección y clasificación, como el apoyoVector Machines (SVM), se emplean para construir el modelo de predicción utilizando RapidMiner. La evaluación de la predicción muestra utilidad potencial del modelo. El cambio estimado línea media ideal y predice los niveles de ICP puede ser utilizado como una forma rápida de preselección paso para los médicos para tomar decisiones, así como para recomendar a favor o en contra invasor monitorización de la PIC.

Introduction

Cada año se producen alrededor de 1,4 millones de lesiones cerebrales traumáticas (TBI) casos relacionados con las salas de emergencia en los Estados Unidos, de los cuales, más de 50.000 resultan en muerte ^1. TCE grave suele ir acompañado de un aumento de la presión intracraneal (PIC) con síntomas como hematomas y la hinchazón del tejido cerebral. Éstos dan lugar a presión reducida perfusión cerebral y el flujo sanguíneo cerebral, colocando el cerebro lesionado en un riesgo adicional. Grave aumento de la PIC puede ser fatal, así monitorización de la PIC en pacientes con lesión cerebral traumática es crucial. Esto normalmente requiere la colocación de catéteres directamente en el cerebro para el control de la presión, un procedimiento de riesgo para los pacientes que sólo pueden ser realizados en centros médicos especializados. El procedimiento también implica riesgo como la infección. Sin embargo, algunos signos de elevación de la PIC puede ser apreciable en imágenes médicas. En particular, desplazamiento de la línea media se asocia a menudo con un aumento de la ICP y puede ser capturada de la t computada de cerebroomography (TC). Como tales, estas imágenes proporcionan una oportunidad para la detección no invasiva de la PIC elevada que se puede utilizar como una etapa de pre-selección antes de la trepanación craneal. TC sigue siendo el estándar de oro para la evaluación inicial TBI entre todas las modalidades de diagnóstico por imágenes de resonancia magnética, por ejemplo, debido a su alta velocidad y bajo costo relativo ^2. Además, un examen de TC no requiere inmovilidad paciente estricto, y tiene la ventaja de revelar anomalías graves tales como fracturas óseas y hematomas. Mientras que CT se utiliza comúnmente para la detección de lesiones en el cerebro, basado en la tecnología actual, cambio de línea central no se mide automáticamente y por lo tanto, los médicos deben evaluar este factor importante por inspección visual. CT interpretación inexacta o incoherente se asocia a menudo con la naturaleza del sistema visual humano y la estructura compleja del cerebro. Mientras que pequeños cambios de la línea media son difíciles de alcanzar, a menudo son de gran valor para la evaluación de la lesión cerebral, en particular en las etapas tempranas de la lesión antes de la condición del paciente se vuelve más severa. En el otro lado del espectro, desplazamiento de la línea media grande sugiere altamente PIC elevada y más TCE grave. Sin embargo, es una tarea muy difícil para los seres humanos para inspeccionar visualmente imágenes de TC y predecir el nivel de ICP cuantitativamente. Debido a los avances en las técnicas computacionales automatizadas, las características extraídas de imágenes de TC, tales como cambio de la línea media, el volumen de hematoma, y ​​la textura de imágenes de CT del cerebro, se puede medir con precisión y de forma automática utilizando métodos avanzados de procesamiento de imágenes. Sin embargo, la relación entre el PCI y el cambio de la línea media, así como otras características tales como el grado de hemorragia, la textura de las imágenes de CT no se ha explorado. En este documento, un marco computacional se ha propuesto medir el cambio de la línea media de medición, así como otros rasgos fisiológicos / anatómicos en las imágenes de CT del cerebro y entonces predecir el grado de ICP de forma no intrusiva mediante técnicas de aprendizaje automático.

Protocol

1. Metodología general

El marco propuesto cerebro procesa las imágenes de TC de la lesión cerebral traumática (TBI) de los pacientes para calcular automáticamente desplazamiento de la línea media en casos patológicos y usarlo, así como otra información extraída para predecir la presión intracraneal (ICP). Figura 1 muestra el diagrama esquemático de la totalidad marco. La medición de la línea media cambio automatizado se puede dividir en tres pasos. En primer lugar, la línea media ideal del cerebro, es decir, la línea media antes de la lesión, se ha encontrado a través de una búsqueda jerárquica basada en la simetría del cráneo y características del tejido ^3. En segundo lugar, el sistema ventricular está segmentado para cada imagen de CT del cerebro ^4. En tercer lugar, la línea media real se calcula desde el sistema ventricular segmentado deformada utilizando un método de correspondencia de forma ^5. El desplazamiento horizontal del sistema ventricular se estima entonces sobre la base de la estimación de la línea media ideal y la línea media real. Después de tle cambio la línea media se calcula sucesivamente, características que incluyen cambio de la línea media, la información de textura de imágenes de TC, así como otra información demográfica se utiliza para predecir la PIC. Algoritmos de aprendizaje automático se utilizan para modelar la relación entre el PCI y las características extraídas ^6.

2. Estimación Midline Ideal

1. Este paso detecta la línea media aproximada ideal usando simetría del cráneo. En primer lugar, usando escala de grises de umbral, el cráneo tiene que ser segmentado del resto del contenido de la imagen de CT. Después de lo cual, realizar una búsqueda exhaustiva para identificar los ángulos de rotación alrededor del centro de masa del cráneo. El ángulo de rotación óptima se define como el ángulo que maximiza la simetría de las mitades resultantes del cráneo. La línea media aproximada es ideal para la línea que pasa a través del punto central de masa y tiene el ángel rotación óptima con respecto a la dirección original vertical de la imagen de CT.
2. Este paso detecta el posterior hoz del cerebro anterior y hoz apego a los márgenes del surco sagital. Este paso se lleva a cabo para refinar la línea media identificado ideales aproximada. Primero defina dos rectángulos buscando centradas en los dos puntos de intersección entre la línea media aproximada ideal y la bóveda craneal. A continuación, elegir los tamaños de los rectángulos empíricamente de manera que cubran las características anatómicas para ser detectadas como se explica a continuación. La fijación anterior hoz se detecta como el punto máximo de la cresta de la bóveda craneal y la hoz del cerebro se detecta que la línea gris en la región posterior ^3.
3. Este paso utiliza esas características detectadas anteriormente para afinar la posición de la línea media ideal. Una vez que el punto álgido de la fijación anterior hoz y el punto más alejado en la parte posterior de la hoz del cerebro calvarum se especifica, la línea media ideal de refinado es la línea que une los dos puntos.

3. Ventrículo Segmentación

1. Primero aplique un bajo-level segmentación mediante un modelo de mezcla gaussiana (GMM) para cada rebanada CT ^4,7. Imágenes de TC se puede dividir en 4 tipos de tejidos: huesos / sangre, líquido cefalorraquídeo (LCR), la materia gris y materia blanca. Para la inicialización del modelo de mezcla gaussiana, los parámetros se estiman sobre la base de un resultado de la segmentación iterativo K-medio de la imagen de CT. A continuación, utilice la expectativa de maximización (EM) para optimizar GMM iterativa para representar mejor la imagen de CT. El resultado de la segmentación duro se puede obtener mediante la partición de la imagen de CT en las regiones sobre la base de la probabilidad máxima de los miembros de que cada píxel pertenece a los tipos de áreas diferentes.
2. Después de la segmentación de bajo nivel de GMM, aplicar restricciones adicionales sobre el resultado de la segmentación para reconocer regiones ventriculares. Sólo las regiones ventriculares con tamaño superior a un determinado umbral se conservan. Aplicar las limitaciones en la ubicación de las regiones ventriculares así mediante el cuadro delimitador cerebro y el conjunto de ventriclplantillas e. Extraer el conjunto de plantillas ventrículo del cerebro de un estándar de imágenes de RM y luego ampliarla utilizando la dilatación morfológica para acomodar variaciones entre los diferentes temas y los casos patológicos.

4. Estimación de la línea media real

1. Especifique los puntos de la entidad en las plantillas del ventrículo extraídos de MR.
2. ¿Es la forma Regiones múltiples que coinciden entre ^5,8 ventrículos segmentados y la plantilla MR.
3. Estimar la línea media real basado en los puntos de la entidad identificados sobre las formas ventrículo usando la coincidencia de la forma. A continuación, utilice el promedio de la media parte izquierda y derecha media de las coordenadas x de los puntos de la entidad para definir la coordenada x de la línea media.

5. Más Feature Extracciones

1. Medir el hematoma intracraneal / sangrado en volumen basado en el modelo de mezcla gaussiana (GMM) resultados de segmentación obtenida de las imágenes de CT. El resultado segmentado puede, enincluir pequeñas regiones incluidas seno venoso arterial y hoz del cerebro, pero por lo general se puede despreciar en comparación con las regiones del hematoma. Luego cuenta el número de píxeles clasificados como sangre para cada sector y los suma para arriba. La suma final se cuantifica el volumen de sangre extravasada en el examen de TC.
2. Extrae las características de textura. Primero seleccionar seis ventanas en cada imagen CT que captura la materia gris y blanca, pero evitar las estructuras de sangre y el ventrículo en la imagen de CT, ver Figura 6. A continuación, extraer las correspondientes características de textura mediante el uso de los métodos siguientes: longitud Gray Run Level ^9, el análisis de histograma, análisis de Fourier, análisis Dual Tree Complex Wavelet ^10.
3. La información demográfica y la puntuación de gravedad de la lesión también se recogen.
4. Todas las características extraídas de cada imagen de TC se agregan para representar a la totalidad de examen de TAC. En concreto, min (f), max (f), mediana (f), media (f), STD (f) se calculan entre otrosl las características seleccionadas pertenecientes a lo particular examen de TAC, por ejemplo, una función ƒ del cambio de línea media o una característica textura. Para la característica de hemorragia intracraneal cantidad, además de los 5 operadores enumerados anteriormente, la suma (f) se añade también para registrar el volumen total de sangre.

6. Estimación ICP

La idea principal de la estimación de ICP es la aplicación de técnicas de aprendizaje de máquina para construir un modelo basado en un conjunto de muestras de entrenamiento. A continuación, el modelo construido se evalúa en las muestras de ensayo restantes. Debido a la dimensión máxima de las características extraídas, incluidos los de la TC y la información demográfica, la función de selección es importante para eliminar características no relacionadas para un modelo relativamente sencillo tanto estable. Por lo tanto hay dos pasos que se deben realizar para ICP estimación / predicción. En primer lugar, seleccione las funciones relativas que son informativos en la predicción de los PCI. El segundo paso es utilizar Máquinas de Vectores Soporte (SVM) como elalgoritmo de aprendizaje para desarrollar y evaluar el modelo de formación. Software como RapidMiner ¹¹ es ideal para esta tarea, ya que es una herramienta muy bien desarrollado para la mayoría de los algoritmos de aprendizaje automático y proporciona interfaces muy poderosas para entrenar y evaluar modelos.

1. Realice la función de selección en dos etapas. En primer lugar utilizar la ganancia de información criterio de razón en la primera etapa para seleccionar las mejores características 50. En la segunda etapa, utilizar un SVM algoritmo genético para optimizar aún más la incorporación de la función de selección. A continuación, utilice el conjunto final de características seleccionadas para construir el modelo para la predicción de la PIC en el siguiente paso.
2. Realizar clasificación ICP y evaluación a través de técnicas de aprendizaje de máquina. El diagrama de nivel superior de la formación y las pruebas se muestran en la RapidMiner en la Figura 8. Aplique una 10 veces la validación cruzada esquema como la capa más externa de la evaluación. Con el fin de construir un modelo con mejor generalización y evitar el exceso de ajuste para tos datos de entrenamiento, anidar otra capa de validación cruzada en el interior de cada pliegue formación. En estos módulos, primero aplique el proceso de selección de características descritas anteriormente y luego usar un SVM para la clasificación con su propio módulo de selección de parámetros ^6.

Representative Results

Los conjuntos de datos de prueba de TC fueron proporcionados por el Sistema de Carolinas Healthcare (CHS) bajo la aprobación de la Junta de Revisión Institucional. Todos los sujetos fueron diagnosticados con insuficiencia renal leve a grave lesión cerebral traumática cuando ingresan por primera vez al hospital. Para cada paciente, el valor de ICP se registró cada hora usando sondas de ICP en el interior de la región ventrículo tanto antes como después de la TC se obtuvieron. Para asociar el valor del PCI con cada escaneo CT, el promedio de los dos mejores mediciones de ICP para el momento de la tomografía computarizada, los cuales se encuentran a una hora de la TC. A continuación, asigne el promedio como el valor estimado de la PIC en el momento de la TC. Grupo de los valores de PIC en dos clases: PIC elevada si la PIC> 12 mm Hg y la PIC normal si ICP ≤ 12 mm Hg. Los conjuntos de datos contienen 17 pacientes. De este conjunto, 391 axiales imágenes de escáner CT son seleccionadas que muestran ventrículos o regiones que debería haber contenido ventrículos. Figura 2 muestra el resultado de la detección de la línea media ideal. En la Figura 3, la rejilla de ventilaciónricles están segmentados. Figura 4 muestra la línea media real estimado. Figura 5 muestra la estimación de desplazamiento de la línea media. Figura 7 muestra la segmentación de la sangre usando GMM. Una evaluación cuantitativa del rendimiento también se realiza. En la mayoría de rebanadas (más del 80%), el error entre la línea media estimado ideal por el marco y la anotación manual son alrededor de 2 píxeles, que es de aproximadamente 1 mm. Para la línea media real, por encima de 80% tiene menos de 2,25 mm de diferencia siempre que la calidad de la segmentación del ventrículo es relativamente buena (que se define como "relativamente buena" si la calidad del resultado de la segmentación puede ser utilizado para la estimación de las líneas medias reales manualmente). Hay 57 TC en la evaluación de la predicción de la PIC. El resultado del método propuesto se evalúa utilizando los siguientes tres medidas: la sensibilidad, especificidad y exactitud. La sensibilidad se define como

sensibilidad = # (verdaderos positivos) / # (positives).

La especificidad se define como

especificidad = # (verdaderos negativos) / # (negativos).

La exactitud se define como predicación

precisión = # (corregida predicho) / # (muestras totales).

Una precisión de aproximadamente el 70% se logró en nuestro estudio utilizando 10 veces la validación cruzada. La sensibilidad se encontró que era aproximadamente 65% y una especificidad de aproximadamente 73%. Esto puede sugerir un cierto poder predictivo del método propuesto en este conjunto de datos. El siguiente paso sería la replicación de los resultados similares en otros conjuntos de datos independientes.

Figura 1. El marco de nivel superior del método Hay tres módulos de extracción de características de las primas imágenes de TC:. Medición de la línea media cambio, el análisis de la textura y el blood cantidad estimación. Todas las características extraídas y otra información registrada, tal como información demográfica se introducen en el módulo de clasificación para predecir los niveles de ICP.

Figura 2. El resultado de la detección de la línea media ideal. La línea roja es la línea media ideales aproximados. Las dos cajas rectangulares cubrir la protuberancia ósea y la hoz del cerebro inferior, respectivamente. Estas cajas se utilizan para reducir las regiones de interés. La línea de trazo verde es la última línea media detectada ideal, el cual captura la protuberancia ósea y menor hoz del cerebro con precisión.

Figura 3. El resultado de la segmentación del ventrículo. La imagen de la izquierda es la imagen original de CT. La imagen de la derecha compuesta por las siguienteslíneas de ala: el borde interior del cráneo, la caja interior delimitadora formada por cuatro líneas, la caja delimitadora exterior formado por otras cuatro líneas, el borde de la plantilla ventrículo emparejado ampliada, las regiones rojas que representan las regiones ventriculares detectados, las regiones grises que representan a otras regiones que son rechazados regiones ventriculares después de aplicar una serie de limitaciones en el reconocimiento de los ventrículos.

Figura 4. El resultado de la estimación real de la línea media. Esta figura muestra los resultados de la estimación en diferentes imágenes de TC con formas diferentes ventriculares. Las regiones blancas son regiones segmentadas ventriculares. Los contornos azules son el borde de las plantillas ventriculares emparejados. Los puntos rojos se detectan puntos de característica que representan los bordes interiores de los ventrículos usados ​​para calcular la línea media real. La línea verde es la actu final estimadoAl línea media. Haga clic aquí para ampliar la cifra .

Figura 5. El resultado de la estimación de desplazamiento de la línea media. La imagen izquierda muestra la porción de entrada de CT. La imagen de la derecha muestra el resultado procesado similar a la Figura 3. La izquierda línea verde vertical representa la línea media ideal estimado, y el derecho línea verde vertical representa la línea media real estimado. La distancia entre las dos líneas es el desplazamiento de la línea media estimada.

Figura 6. Las seis ventanas seleccionadas para el análisis de textura. Las ventanas seleccionadas son los rectángulos rojos evitando los ventrículos.

Figura 7. La segmentación de la sangre. La imagen de la izquierda es la imagen de entrada CT. La imagen de la derecha muestra el mapa de segmentación producida por el método GMM. La región más brillante corresponde a la región de la sangre.

Figura 8. El nivel superior de validación cruzada en RapidMiner. La ventana de la izquierda muestra los módulos en el proceso de formación y la ventana de la derecha se muestran los módulos en el proceso de prueba. En el proceso de formación, en primer lugar se utiliza el módulo de la obtención de información y el módulo de algoritmo genético para seleccionar funciones. A continuación, un SVM se utiliza para hacer la clasificación. El ajuste de parámetros de la SVM se realiza a través de una validación cruzada anidada en el proceso Parámetro Optimizar. El último modelo entrenado completo es la salida del proceso de OuterSVM utilizando toda la traiNing datos. En el módulo de pruebas, las funciones seleccionadas se utilizan y el modelo entrenado evaluado. Haga clic aquí para ampliar la cifra .

Discussion

En este estudio, un marco intuitivo y flexible se propone abordar dos problemas difíciles: la estimación del desplazamiento de la línea media en la TC imágenes y predicción ICP nivel basado en características extraídas. Los resultados de la evaluación muestran la eficacia del método propuesto. Por lo que sabemos, esta es la primera vez de un estudio sistemático para abordar estos dos problemas. Nos damos cuenta de que con base en el marco general, hay muchas posibles mejoras que se pueden lograr. Por ejemplo, en la segmentación propuesto, la segmentación de nivel bajo y nivel alto reconocimiento se separan y actualmente no hay realimentación desde el nivel alto al bajo nivel de segmentación. Esto es diferente de la inspección visual humana, que tiene interacciones entre la visión de bajo nivel y de alto nivel de reconocimiento. Un enfoque potencial para combinar estos dos niveles juntos es el llamado "modelo basado en la segmentación de bajo nivel". En este método, la segmentación de bajo nivel es guiado por thelectrónicos de alto nivel atlas modelos de la estructura de destino. Por ejemplo, un algoritmo de registro se puede aplicar en el primer paso para alinear las imágenes de TC de un estándar de imagen CT. Esto puede mejorar aún más la precisión del reconocimiento ventrículo, así como la estimación del desplazamiento de la línea media, ya que puede proporcionar una correlación más precisa en las estructuras del cerebro entre las imágenes de TC y el estándar de la imagen CT. Para la predicción ICP, aunque el resultado es prometedor basado en el conjunto de datos de prueba, hay que observar que el tamaño de las muestras es limitado. Será más persuasiva para validar los resultados en función de otro conjunto de datos independiente. En la aplicación de aprendizaje de máquina para la predicción de ICP, el tamaño de la muestra es un factor muy importante. Un conjunto de datos más grande de los exámenes de CT, que puede contener patrones más diversos, tanto en CT imágenes y señales de ICP, puede dar una evaluación más informativa del marco propuesto.