Automatiserad Midline Shift och intrakraniellt tryck Skattning baserad på Brain CT-bilder

Summary

En automatiserad mittlinjen skift uppskattning och intrakraniellt tryck (ICP) pre-screening system baserat på datortomografi (CT) bilder för patienter med traumatisk hjärnskada (TBI) föreslås med bildbehandling och maskininlärning tekniker.

Abstract

I detta papper presenterar vi ett automatiserat system baserat huvudsakligen på datortomografi (CT) bilder som består av två huvudkomponenter: mittlinjen skift uppskattning och intrakraniellt tryck (ICP) pre-screening system. För att uppskatta mittlinjen skift, först en uppskattning av den ideala mittlinjen utförs baserat på symmetri skallen och anatomiska funktioner i hjärnan datortomografi. Sedan segmentering av ventriklarna från datortomografi utförs och används som en guide för identifiering av den faktiska mittlinjen genom formen matchning. Dessa processer härmar mätprocessen av läkare och har visat lovande resultat i utvärderingen. I den andra delen, fler funktioner extraherade relaterade till ICP, såsom konsistens information blod belopp från datortomografi och andra inspelade funktioner, såsom ålder, skada svårighetsgrad att uppskatta ICP har också förts. Maskininlärning tekniker, inklusive funktionen urval och klassificering, såsom stödVector Machines (SVMs), används för att bygga prognosmodell med RapidMiner. Utvärderingen av förutsägelsen visar potentiella användbarheten av modellen. Den beräknade idealiska mittlinjen skift och förutspådde ICP nivåerna kan användas som en snabb pre-screening steg för läkare att fatta beslut, så att rekommendera för eller emot invasiv ICP övervakning.

Introduction

Varje år finns det cirka 1,4 miljoner traumatiska hjärnskador (TBI) relaterade akutmottagning fall i USA, varav över 50.000 resultera i dödsfall ^1. Svår TBI brukar åtföljas av en ökning i intrakraniellt tryck (ICP) med symtom som hematom och svullnad hjärnvävnad. Dessa resulterar i minskad cerebral perfusion tryck och cerebralt blodflöde, placera den skadade hjärnan i ytterligare risk. Svår ICP ökning kan vara dödlig, så kontrollera ICP för patienter med TBI är avgörande. Detta kräver typiskt placering av kvarliggande katetrar direkt in i hjärnan för övervakning av tryck, en riskabel procedur för patienter som endast kan utföras vid specialiserade medicinska centra. Förfarandet innebär också risker såsom infektion. Dock kan vissa tecken på förhöjt ICP märkas inom medicinsk bildbehandling. I synnerhet, är mittlinjen förskjutning ofta förknippas med en ökning av ICP och kan fångas från hjärnan beräknade tomography (CT) bilder. Som sådana dessa bilder ger en möjlighet för icke-invasiv detektion av förhöjt ICP som kan användas som en pre-screening steg före kranial trepanation. CT är fortfarande den gyllene standarden för första TBI bedömning bland alla andra avbildningsmetoder, t.ex. MRI, på grund av dess höga hastighet och relativ låg kostnad ^2. Dessutom kräver en CT-undersökning inte strikt patienter orörlighet och har fördelen att avslöja allvarliga störningar såsom benfrakturer och hematom. Medan CT används ofta för detektering av skador i hjärnan, baserat på den nuvarande tekniken är mittlinjen skift inte automatiskt mäts och därmed läkare måste bedöma denna viktiga faktor genom visuell inspektion. Felaktig eller oförenlig CT tolkning är ofta förknippad med den typ av mänskliga visuella systemet och den komplexa strukturen av hjärnan. Medan små mittlinjen skift är svårfångade, de är ofta ovärderlig för bedömning av hjärnskada, i partikulära i tidiga skeden av skador innan patientens tillstånd blir allvarligare. På den andra sidan av spektrumet, tyder stor mittlinjen skift kraftigt förhöjd ICP och mer svår TBI. Det är dock en mycket utmanande uppgift för människor att visuellt inspektera CT-bilder och förutsäga nivån på ICP kvantitativt. På grund av framsteg inom automatiserade beräkningstekniker kan funktioner som extraherats från CT-bilder, till exempel mittlinjen skift, hematom volym och textur av hjärnans CT-bilder, mätas exakt och automatiskt med hjälp av avancerade metoder bildbehandling. Men, förhållandet mellan ICP och mittlinjen skift samt andra funktioner som graden av blödning har texturen från CT bilder inte undersökts. I detta dokument har en computational ram föreslagits för att mäta mittlinjen skift mätning samt andra fysiologiska / anatomiska funktioner på hjärnans CT-bilder och sedan förutsäga graden av ICP icke-närgånget med maskininlärning tekniker.

Protocol

1. Metodik Översikt

Den föreslagna ramen bearbetar hjärnan CT-bilder av traumatisk hjärnskada (TBI) patienter att automatiskt beräkna mittlinjen förändring i patologiska fall och använda det samt andra extraherade informationen för att förutsäga intrakraniellt tryck (ICP). Figur 1 visar schematiskt hela ramen. Den automatiserade mittlinjen skift mätning kan delas in i tre steg. Först, den idealiska mittlinjen i hjärnan, dvs mittlinjen innan skadan, hittas via en hierarkisk sökning baserad på skallen symmetri och funktioner vävnad ^3. Andra är det ventrikulära systemet segmenterad för varje hjärna CT-bild ^4. För det tredje är det faktiska mittlinjen beräknas från den deformerade segmenterade ventrikulära systemet använder en form som passar metod ^5. Den horisontella förskjutning av det ventrikulära systemet beräknas sedan baserat på en uppskattning av den ideala mittlinjen och den faktiska mittlinjen. Efter tHan mittlinjen skift successivt uppskattas funktioner, inklusive mittlinjen skift, textur information CT-bilder, samt annan demografisk information används för att förutsäga ICP. Maskininlärning algoritmer används för att modellera förhållandet mellan ICP och de extraherade funktioner ^6.

2. Idealisk Midline Uppskattning

1. Detta steg upptäcker den ungefärliga idealiska mittlinjen med symmetri skallen. Först, använder gråskala tröskling måste skallen vara segmenterad från resten av innehållet i CT-bilden. Efter vilken utför en uttömmande sökning för att identifiera rotationsvinklar kring masscentrum av skallen. Den optimala vridvinkel definieras som den vinkel som maximerar symmetrin hos de resulterande halvorna av skallen. Den ungefärliga ideala mittlinjen är den linje som passerar genom massan mittpunkt och har optimal rundgång ängel med avseende på den ursprungliga vertikala riktningen av CT-bilden.
2. Detta steg detekterar posterior falx cerebri och främre falx fastsättning marginaler sagittalis sulcus. Detta steg utförs för att förfina identifierade ungefärliga ideal mittlinjen. Först definiera två letande rektanglar centrerade vid de två skärningspunkterna mellan den ungefärliga ideal mittlinjen och Calvarium. Därefter väljer storlek rektanglarna empiriskt så att de täcker de anatomiska funktioner som ska detekteras som förklaras nedan. Den främre falx infästning detekteras som topp punkten av åsen på Calvarium och falx cerebri detekteras som den grå linjen i den bakre regionen ^3.
3. Detta steg använder dessa funktioner upptäcks ovan för att förfina den perfekta mittlinjen läget. När toppen punkt främre falx fastsättning och den mest avlägsna punkten i den bakre falx cerebri från calvarum anges, är den raffinerade idealiska mittlinjen linjen som förbinder de två punkterna.

3. Ventricle Segmentering

1. Applicera först en låg-level segmentering med hjälp av en Gaussisk blandning modell (GMM) för varje CT-skiva ^4,7. CT-bilderna kan delas in i 4 typer av vävnad: ben / blod, cerebrospinalvätska (CSF), grå substans och vit substans. För initieringen av den gaussiska modellen blandning är parametrarna uppskattas baserat på en iterativ K-medel segmentering resultat av CT-bilden. Använd sedan förväntan-maximering (EM) för att optimera GMM iterativt för att bättre representera CT bilden. Den hårda segmentering resultat kan erhållas genom att dela CT bilden i regioner baserade på den maximala sannolikheten för medlemskap att varje pixel tillhör olika regionen typer.
2. Efter den låga nivån segmentering av GMM, besluta om ytterligare begränsningar för segmentering resultatet för att känna igen ventrikulära regioner. Endast ventrikulära regioner med storlek över en viss tröskel bibehålls. Applicera begränsningar för placeringen av ventrikulära regioner och med hjärnan markeringsram och uppsättningen av ventricle mallar. Extrahera uppsättningen ventrikeln mallar från en vanlig hjärna MR-bilder och sedan förstora den med morfologiska dilatation att klara variationer mellan olika ämnen och patologiska fall.

4. Faktisk Midline Uppskattning

1. Ange funktionen punkterna på kammaren mallar hämtas från MR.
2. Gör det flera regioner Form Matching ^5,8 mellan segmenterade ventriklar och MR mall.
3. Uppskatta den verkliga mittlinjen baserat på de identifierade funktionen punkterna på kammaren former med hjälp form matchning. Använd sedan genomsnittet av vänster sida medelvärdet och höger medelvärdet av x-koordinaterna för dessa särdragspunkter för att definiera x-koordinat mittlinjen.

5. Mer Feature Extraktioner

1. Mät intrakraniellt hematom / blödning volym baserad på Gaussisk blandningen modellen (GMM) segmentering resultaten från CT-bilder. Den segmenterade resultatet kan iclude små regioner, inklusive vensinustrombos blod och falx cerebri, men de kan oftast försummas i jämförelse med regioner hematom. Sedan räkna antalet bildpunkter klassificeras som blod för varje skiva och summera dem. Det slutliga beloppet kvantifierar det extravaserade blodvolymen i CT undersökning.
2. Utdrag textur funktioner. Välj först sex fönster i varje CT bild som fångar grå och vit substans men undvika blod-och ventrikel strukturer i CT-bilden, se figur 6. Sedan extrahera motsvarande textur funktioner med hjälp av följande metoder: grånivå Run längd ^9, histogram analys, Fourier analys, Dual träd Komplex Wavelet analys ^10.
3. Demografisk information och skador svårighetsgrad samlas också in.
4. Alla extraherade funktioner i varje CT-bild aggregeras för att representera hela CT-undersökning. Specifikt min (f), max (f), median (f), menar (f), (f) std beräknas bland all de valda objekten tillhör den speciella CT-undersökning, t.ex. en funktion ƒ av mittlinjen skift eller en textur funktion. För intrakraniell blödning mängden funktionen, förutom de 5 operatörer som anges ovan, (f) summan tillsätts också för att registrera den totala blodvolymen.

6. ICP Uppskattning

Den huvudsakliga idén med ICP uppskattning är att använda tekniker för maskininlärning för att bygga en modell som bygger på en uppsättning av utbildning prover. Sedan byggde modellen utvärderas på de återstående proverna. På grund av den höga dimension extraherade funktioner, inklusive de från datortomografi och demografisk information är funktionen Val viktigt att ta bort orelaterade funktioner för en relativt enkel så stabil modell. Därför finns det två steg som skall utföras för ICP uppskattning / prognos. Välj först de relativa funktioner som är informativa för att förutsäga ICP. Det andra steget är att använda maskiner Support Vector (SVM) sominlärningsalgoritm att utveckla och utvärdera utbildningen modellen. Program som RapidMiner ¹¹ är idealisk för denna uppgift eftersom det är en mycket väl utvecklad verktyg för de flesta av maskininlärning algoritmer och ger mycket kraftfulla gränssnitt att utbilda och utvärdera modeller.

1. Utför funktionen valet i två steg. Först använder informationen kriteriet vinna förhållande i det första steget för att välja de bästa 50 funktioner. I det andra steget, använd en genetisk algoritm innehåller SVM att ytterligare optimera funktionen valet. Använd sedan den sista uppsättningen av utvalda funktioner för att bygga modellen för ICP förutsägelse i följande steg.
2. Utför ICP klassificering och utvärdering genom tekniker maskininlärning. Den översta nivån diagram över utbildning och testning visas i RapidMiner i figur 8. Applicera en 10 faldig korsvalidering systemet som yttersta lagret för utvärdering. För att bygga en modell med bättre generalisering och undvika alltför passande till than träningsdata, häckar ytterligare ett lager av gränsöverskridande validering inuti varje utbildning gånger. I dessa moduler, först ansöka processen har valet beskrivs ovan och sedan använda en SVM för klassificering med egen parameterval modul ^6.

Representative Results

De tester CT datauppsättningar lämnades av Carolinas Healthcare System (CHS) under Institutional Review Board godkännande. Alla försökspersoner hade diagnosen mild till svår TBI när första in på sjukhus. För varje patient var ICP-värdet registreras varje timme med ICP prober inuti ventrikeln regionen både före och efter datortomografi erhölls. Att associera ICP värdet med varje datortomografi, medelvärde de två närmaste mätningar av ICP till tiden för datortomografi, vilka båda ligger inom en timme av datortomografi. Sedan tilldela den genomsnittliga som det uppskattade ICP värdet vid tidpunkten för datortomografi. Grupp ICP-värden i två klasser: förhöjt ICP om ICP> 12 mm Hg och normal ICP om ICP ≤ 12 mm Hg. De datauppsättningar innehåller 17 patienter. Från denna uppsättning, är 391 axiella datortomografi bilder valda som visar ventriklar eller regioner som borde ha innehållit ventriklar. Figur 2 visar resultatet av den ideala mittlinjen upptäckt. I Figur 3, ventilenricles segmenteras. Figur 4 visar det uppskattade verkliga mittlinjen. Figur 5 visar uppskattningen av mittlinjen skift. Figur 7 visar segmenteringen av blod med användning av GMM. En kvantitativ utvärdering av prestanda utförs också. I de flesta skivor (över 80%), felet mellan det ideala mittlinjen uppskattade ramen och den manuella anteckningar är cirka 2 pixlar, vilket är ca 1 mm. För själva mittlinjen, har över 80% mindre än 2,25 mm skillnad, förutsatt att kvaliteten på den ventrikulära segmentering är relativt god (det definieras som "relativt bra" om kvaliteten på segmentering resultatet kan användas för uppskattning av de faktiska mittlinjer manuellt). Det finns 57 datortomografi i utvärderingen av ICP förutsägelse. Resultatet av den föreslagna metoden utvärderas med hjälp av följande tre åtgärder: känslighet, specificitet och noggrannhet. Känslighet definieras som

känslighet = # (sant positiva) / # (positives).

Specificiteten definieras som

specificitet = # (sant negativa) / # (negativ).

Den predication noggrannhet definieras som

noggrannhet = # (korrigerad förutspått) / # (totala antalet prov).

En noggrannhet på ca 70% uppnåddes i vår studie med 10 faldig korsvalidering. Känsligheten visade sig vara ca 65% och specificitet av ca 73%. Detta kan tyda på en viss prognosförmåga på den föreslagna metoden i detta datamängd. Följande steg skulle vara replikering av liknande resultat i andra oberoende datamängder.

Figur 1. Den översta nivån ramen för metoden finns tre feature extraction moduler för de råa CT-bilder:. Mittlinjen skift mätning, konsistens analys och blood belopp uppskattning. Alla de extraherade funktioner och annan inspelad information, såsom demografisk information matas in i klassificeringen modulen att förutsäga ICP nivåerna.

Figur 2. Resultatet av den ideala mittlinjen upptäckt. Den röda linjen är den ungefärliga idealiska mittlinjen. De två rektangulära lådor täcker benet utsprånget och den nedre falx cerebral respektive. Dessa rutor används för att minska regionerna av intresse. Den gröna streck linjen är den sista detekterade idealiska mittlinjen som fångar benet utskjutande och den nedre falx cerebral korrekt.

Figur 3. Resultatet av ventrikeln segmentering. Den vänstra bilden är den ursprungliga CT-bilden. Den högra bilden består av följanwing linjer: den inre kanten av skallen, den inre begränsningsramen bildas av fyra rader, det yttre begränsningsramen bildas av ytterligare fyra linjer, kanten av den matchade förstorade kammare mall, de röda områden som representerar de detekterade ventrikulära regionerna, de grå regionerna representerar andra regioner förkastade är ventrikulära regioner efter applicering flera begränsningar erkänna ventriklar.

Figur 4. Resultatet av den faktiska mittlinjen uppskattning. Denna figur visar uppskattning resulterar i olika CT-bilder med olika ventrikulära former. De vita områdena är segmenterade ventrikulära regioner. De blå konturer är kanten av matchade ventrikulära mallar. De röda punkter detekteras särdragspunkter representerar de inre kanterna av kamrarna används för att beräkna den faktiska mittlinjen. Den gröna linjen är den sista uppskattade fakal mittlinjen. Klicka här för att se större bild .

Figur 5. Resultatet av mittlinjen skift uppskattning. Den vänstra bilden visar ingången CT skiva. Den högra bilden visar den bearbetade resultatet liknar fig 3. Den vänstra vertikala gröna linjen representerar den beräknade idealiska mittlinjen, och den högra vertikala gröna linjen representerar det uppskattade verkliga mittlinjen. Avståndet mellan de båda linjerna är den beräknade mittlinjen skift.

Figur 6. De sex utvalda fönster för struktur-analys. De valda fönster är de röda rektanglarna undvika ventriklarna.

Figur 7. Blodet segmentering. Den vänstra bilden är den inmatade CT-bilden. Den högra bilden visar segmentering kartan produceras av GMM metoden. Den ljusaste regionen motsvarar blod regionen.

Figur 8. Den översta nivån korsvalidering i RapidMiner. Det vänstra fönstret visar modulerna i utbildningen och det högra fönstret visar modulerna i testprocessen. I utbildningen, först vi använda modulen informationen förstärkning och den genetiska algoritmen modulen för att välja funktioner. Sedan en SVM används för att göra klassificeringen. Parametern inställning av SVM sker genom en kapslad korsvalidering i Optimera Parameter processen. Den slutliga fullständiga utbildade modellen är utgången från OuterSVM processen med alla utbildNing data. I test-modulen är de valda objekten används och utbildad modellen utvärderas. Klicka här för att se större bild .

Discussion

I denna studie har en intuitiv och flexibel ram som föreslås för att ta itu två utmanande problem: en uppskattning av mittlinjen skiftet i CT bilder och ICP nivå förutsägelse baserad på extraherade funktioner. Utvärderingsresultaten visar effektiviteten hos den föreslagna metoden. Såvitt vi vet är detta första gången en systematisk studie itu med dessa två problem. Vi märker att utifrån den allmänna ramen, det finns många potentiella förbättringar som kan uppnås. Till exempel i den föreslagna segmentering är den låga segmentering och hög nivå erkännande separerade och för närvarande finns det ingen återkoppling från den höga nivån till den låga nivån segmentering. Detta skiljer sig från humant visuell inspektion, som har interaktioner mellan den låga nivån syn och hög nivå erkännande. Ett potentiellt tillvägagångssätt för att kombinera dessa två nivåer tillsammans är den så kallade "modellbaserad låg-nivå segmentering". I denna metod är den låga nivån segmentering styrs av the hög nivå atlas modeller av målstrukturen. Till exempel, kan en registrering algoritm tillämpas i det första steget att anpassa CT-bilder till en vanlig CT-bild. Detta kan ytterligare förbättra noggrannheten i kammaren erkännande samt uppskattning av mittlinjen skiftet eftersom det kan ge mer exakt kartläggning i hjärnstrukturer mellan CT-bilder och standardavvikelsen CT-bild. För ICP förutsägelse, även om resultatet är lovande baserat på den testade datauppsättningen, har vi att märka att storleken av proverna är begränsad. Det kommer att vara mer övertygande att validera resultaten baserat på en annan oberoende dataset. Vid tillämpningen av maskininlärning för ICP förutsägelse är urvalsstorleken en mycket viktig faktor. En större dataset av CT undersökningar, som kan innehålla flera olika mönster i både CT bilder och ICP-signaler, kan ge en mer informativ utvärdering av den föreslagna ramen.