Beyin BT Görüntüleri dayalı otomatik Midline Shift ve İntrakraniyal Basınç Tahmini

Bu deneyin genel amacı, travmatik beyin hasarı olan hastaların beyin BT görüntülerinden orta hat kaymalarını tespit etmek ve böylece beyin içindeki kafa içi basıncı tahmin etmektir. Bu projede, BT görüntülerini analiz etmek ve intrakraniyal basıncı veya ICP'yi tahmin etmek için bir hesaplama yöntemi geliştirdik. Bu projenin teşviki, insanların kafa travması geçirdiği birçok durumda, ICP veya intrakraniyal basıncın yükselebileceği şüphesinin her zaman olmasıdır, Yani bir ct, beynin şişmesini değerlendirebiliriz, hematomları değerlendirebiliriz, beynin orta hat kaymalarını ve/veya tial kaymalarını değerlendirebiliriz, Ancak güvenilir bir şekilde tahmin edemediğimiz şey, bunun kafa içi basıncı üzerinde genel olarak ne gibi bir etkisi olduğudur, bunu bir dereceye kadar yükseltir ve üzerinde çalıştığımız hesaplama yöntemlerinin yardımcı olduğu yer burasıdır.

Anatomik değişikliklerin kafa içi basınç üzerinde tam olarak ne gibi etkileri olduğunu makul bir doğruluk seviyesiyle tahmin edebilir. Bu şematik diyagram, bu araştırmada kullanılan metodolojiye genel bir bakış sunmaktadır. Bilgisayarlı aksiyel tomografi daha çok kısaltılmış isimleri, BT taraması veya CAT taraması ile bilinir.

BT taramaları, tek bir dönme ekseni etrafında çekilen geniş bir dizi iki boyutlu x-ışını görüntüsünden geliştirilmiştir. Yaklaşımımızın ilk adımında, travmatik beyin yaralanması veya TBH olan hastaların BT taramaları elde edilir ve orta hat kaymasını tespit etmek için analiz edilir. Bir sonraki adım, BT görüntülerinin çeşitli doku bilgileri ve kan miktarı tahmini gibi diğer özelliklerin çıkarılmasını ve analizini içerir.

Yaklaşımımız ayrıca, ICP'yi tahmin etmek için çıkarılan özelliklerin yanı sıra diğer demografik bilgileri de kullanır, makine öğrenimi algoritmaları, ICP ile çıkarılan özellikler arasındaki ilişkiyi modellemek için kullanılır. Yaklaşık ideal orta hat, kafatasının simetrisi kullanılarak tespit edilir. İlk olarak gri tonlama eşiği kullanılarak, kafatası görüntü diliminden bölümlere ayrılır.

Daha sonra algoritma, kafatasının ortaya çıkan yarısının simetrisini en üst düzeye çıkaran çizgiyi bulmak için kafatasının kütle merkezi etrafındaki her dönüş açısını kapsamlı bir şekilde araştırır. Yaklaşık ideal orta hat, dönme açısı ile kütle merkez noktasından geçen çizgidir. Simetriyi en üst düzeye çıkarmak, Yalnızca simetriye dayalı ideal orta çizgiyi tespit etmek bize her zaman otomatik olarak anlamlı sonuçlar vermeyebilir.

Bu nedenle, yöntemimizde, amin hattının konumlarını rafine etmek için arka kutu teorisi ve ön tilki eki gibi belirli elektronik özellikleri bulmak için bir adım daha ileri gidiyoruz. Daha sonra, bu anatomik özellikleri hızlı ve doğru bir şekilde tespit etmek için yaklaşık ideal orta hattı rafine etmek için arka tilki cere ve sagital sulkusun kenarlarına ön tilki bağlantısı tanımlanır. İki, arama dikdörtgenleri, yaklaşık ideal orta çizgiye ve onun iki kesişme noktasına göre tanımlanır.

Kalvaryum ile dikdörtgenin boyutu, tespit edilmek istenen anatomik özellikleri içerecek şekilde seçilir. Ön tilki ataşmanı, kalvarium üzerindeki çıkıntının tepe noktası olarak tespit edilirken, tilki cere arka bölgedeki gri çizgi olarak tespit edilir. Kafatasının ön kısmında bir kemik çıkıntısı bulunur.

Tilki cery bu noktadan uzanır. Bu anatomik özellik, orta hat için bir başlangıç noktası olarak kullanılabilir. Çıkıntının, tilkinin ön kenarında yerel bir minimum noktaya kadar kıvrıldığı görülebilir.

Kafatası kemiklerinin alt kenarı görüntü düzleminde bir eğri olarak görülürse, eğri tek boyutlu bir fonksiyon olarak modellenebilir. Çıkıntı noktasının tespiti, örneklenmiş tek boyutlu bir fonksiyonun minimumunu bulma meselesi haline gelir. Üst segmentli kafatası kemiğinin girişi ile ilk adım kemiğin alt kenarının çıkarılmasıdır.

Bir sonraki adım, yerel mini kullanılarak çıkıntının tespit edilmesini içerir. Burada, yerel minimum aynı zamanda çıkıntının son noktasını da temsil eder. Bu şematik diyagram, beynin alt kısmındaki tilkinin nasıl tespit edildiğini göstermektedir.

Amaç ilk adımda daha koyu çizgileri değil, açık gri çizgileri tespit etmek olduğundan, alanın medyan değeri eşik olarak kullanılır. Bu eşik kullanılarak, altındaki tüm gri tonlama değerleri medyan değer olarak ayarlanır. Ardından, kenar haritasını oluşturmak için bir sıfır geçiş kenarı dedektörü kullanılır.

Bu, sobell algılama sırasında daha zengin kenarları korur ve bir sonraki adımda istenmeyen kenarların kaldırılmasına izin verir. Kenar haritası daha sonra tilki cere'nin bilinen özellikleri kullanılarak adım adım iyileştirilir. Bu, ilk olarak, yoğunluk ve gradyan kullanılarak kenar haritasının rafine edilmesiyle yapılır, ardından onu rafine etmek için boyut eşiği ve konsantrasyon eşiği kullanılır.

Ayrıca burada, konsantrasyon eşiği, kenar noktalarının yoğunluğundan başka bir şey değildir. Son olarak, tilkiyi temsil eden çizgileri algılamak için Hof dönüşümü uygulanır. Zeynep. HOF dönüşümünün sonuçları genellikle bir dizi çizgidir. İki.

Bu kümeden istenen çizgileri çıkarmak için kısıtlamalar oluşturulmalıdır. İlk olarak, çizginin açısı, çizgilerin yoğunlaştığı aralıkta olmalıdır. Bu aralık, tespit edilen çizginin açılarının istatistiklerinin hesaplanmasıyla elde edilir.

İkincisi, çizgi, çizgi kümesinin yoğunlaştığı aralığın içinde yer almalıdır. Bu aşamadaki nihai ideal orta hat, yukarıdaki kısıtlamaları karşılayan en uzun hatlar olarak seçilir. Bu görüntü, ilgilenilen iki bölgeyi ve iç çıkıntılara dayalı olarak rafine edilmiş ideal orta hattı göstermektedir.

Yeşil çizgi, rafine edilmiş ideal orta çizgidir ve kırmızı çizgi, yağmurun ideal orta hattının rafine edilmeden önceki yaklaşık Konumudur. Bu görüntü, beynin bir MRI diliminin varlığı ile ventriküler Sistemin 3D modelini göstermektedir. Görüntünün kırmızı kısmı, ventriküler sistemi 3D olarak temsil eder.

Ventriküler sistem üstte iki taraflı ventrikül, ortada üçüncü ventrikül ve altta dördüncü ventrikülden oluşur. Bir ventrikül hakkında bilgi çıkarmamızın nedeni, bir yaralanma nedeniyle beynin içindeki basınç değiştiğinde deforme olması ve bu nedenle beyin dokusunun deformasyonunu ve patolojik vakaları ölçmek için uygun bir aday olmasıdır. Ardışık MRG veya BT görüntü dilimlerinde, ventriküler sistem sağda çeşitli şekillerde görünür, ventriküler sistemin çıkarılan şekilleri bir MRG'den gösterilir.

BT segmentasyonunun amacı, bu şekilleri orijinal BT taramalarından tanımlamaktır. Önerdiğimiz yöntemde, segmentasyon işlemi iki kısma ayrılmıştır. İlk olarak, pikselleri farklı parçalara ayırmak için ilk düşük seviyeli segmentasyon yöntemi uygulanır.

Daha sonra, segmentlere ayrılmış sonuçlardan ventrikülleri tanımlamak için üst düzey bir şablon eşleştirme yöntemi kullanılır. Bu görüntü, Gauss karışım yöntemine dayalı düşük seviyeli segmentasyonu göstermektedir. İlk olarak, orijinal CT görüntüleri medyan filtreleme kullanılarak filtrelendi.

Sonuç soldaki resimde gösterilmiştir. Daha sonra, bir çekirdek segmentasyonu elde etmek için K-ortalama algoritması uygulanır. Bu sonuç ortada gösterilmiştir.

K-means algoritması uygulandıktan sonra goss ve karışım yöntemi uygulanır. Sağdaki görüntü, başlatılan 2D görüntü üzerinde farklı bir dedikodu ve dağılım göstermektedir. Gelen segmentasyon beklentisi kullanılarak parametrelerin geliştirilmesi için maksimizasyon kullanılır ve son olarak uyumlu segmentasyon sonucu elde edilir.

Z yönündeki ventriküler sistem, eğitim seti boyunca önemli bir değişiklik göstermez. Bu nedenle, eşlemeler doğrusal formla yaklaşık olarak hesaplanabilir. Burada açıklanan yöntemde, bu eşlemeler önce el ile başlatılır ve ardından bir dizi eğitim görüntüsü kullanılarak en iyi duruma getirilir.

İlk ventrikül segmentasyonunu kabul etmek için üç kısıtlama vardır. Birincisi, segmentin nispeten büyük olması gerekiyor. İkincisi, segment beynin kenarına yakın değil.

Üç numara, segment ventrikül şablonuyla kesişir. Alttaki şekiller, sonuçlardan ventrikül tanıma adımının bir örneğini göstermektedir. Ventrikül parçalarının boyut, sınırlayıcı kutu ve şablon kısıtlamaları kullanılarak başarıyla tanındığı görülebilir.

Gerçek orta çizgiyi tahmin etmek için, önce segmentli Ventrikülleri şekil eşleştirme ile şablonlarla eşleştiririz. Bu şekil, eşleştirme sürecini göstermektedir. İlk olarak, kenar noktaları örneklenir.

Ardından, iki şeklin eşleşen maliyetini optimize ederek. İki şekil arasındaki noktaların yazışmaları yapılır. Örneğin, ikinci satırda, son görüntü, bir şekildeki kırmızı noktaları diğer şekildeki yeşil noktalara bağlayarak yazışmayı gösterir.

Ventriküler sistem 3 boyutlu bir yapı olduğundan ve farklı BT dilimlerinde farklı şekillere sahip olduğundan, şekil eşleştirmesini tüm BT dilimlerinde gerçekleştiriyoruz. Her dilim için, orta çizgiyi tahmin etmek için kullanılabilecek özellik noktalarını tanımlarız. Örneğin, lateral ventrikül şekillerindeki özellik noktaları, iki lateral ventrikülün iç kenar noktalarıdır.

Bu özellik noktaları, eşleştirme işleminden önce manuel olarak etiketlenen şablondaki özellik noktalarına karşılık gelmeleriyle tanımlanır. Burada farklı şablonlar seçerek birçok eşleşen sonuç gösteriyoruz. Her şekil eşleştirme için bir eşleşme maliyeti vardır.

Minimum eşleşme maliyetini seçerek, şekil eşleştirmede kullanılacak en iyi şablonu bulur ve özellik noktalarını belirleriz. Bu örnekte, segmentasyon sonuçlarındaki noktalar yeşil renkle, şablonlardaki noktalar ise kırmızı renkle gösterilmiştir. Maç maliyetini karşılaştırarak, ilk şablonun kullanmak için en iyisi olduğunu görebiliriz.

Özellik noktaları belirlendikten sonra, bu özellik noktalarının X koordinatlarını hesaplarız. Genellikle, sol tarafta özellik noktaları ve sağ tarafta özellik noktaları vardır. Gerçek orta çizginin X koordinatı, sol ve sağ özellik noktalarının X koordinatının ortalaması olarak tahmin edilir.

Burada dört tahmin sonucu gösteriyoruz. Yeşil dikey çizgi, gerçek orta çizginin tahmini X koordinatını temsil eder. Maç şablonu mavi noktalarla gösterilir.

Tanımlanan özellik noktaları mavi renkle gösterilir. Sonuçlardan, gerçek orta hat tahmin edildikten sonra gerçek orta hat tahmininin çok iyi çalıştığını görebiliriz. Yatay orta hat kayması S'nin hesaplanması basittir.

X ideal, ideal orta hattın X koordinatıdır ve X gerçek, tahmini gerçek orta hattın X koordinatıdır. Burada gösterilen resimler hem tahmini ideal orta hattı hem de gerçek orta hattı göstermektedir. Orta hat kaymasını kullanmanın yanı sıra, çıkardığımız bu özellikler bize ICP seviyelerini tahmin etmede ek bilgi sağlayabilir.

Bunun arkasındaki ana fikir, mümkün olduğu kadar çok özelliği çıkarmaktır ve daha sonra özellik seçim yöntemlerini kullanarak, yalnızca ICB bilgilerini sağlamakla ilgili olan özellikleri tutabiliriz. BT taramalarından çıkarılan özellikler arasında orta hat kayması, kan miktarı ve doku desenleri bulunur. Diğer kaynaklardan gelen özellikler, hasta yaşı, travma skoru ve yaralanma ciddiyet skoru gibi demografik bilgileri içerir.

Pikselleri etiketlemek için dev karışım modeli tabanlı bir segmentasyon algoritması kullanılır. Pikseller, kan beyin sıvısı, gri madde ve beyaz madde dokusu olmak üzere dört kategoriye ayrılır. BT görüntülerindeki desenler beynin durumuna dair göstergeler içerebilir.

Yüksek düzeyde interkraniyal basınç doku desenini değiştirebilir. Esas olarak beyin omurilik sıvısı veya kan dokusu olmadan bölgedeki doku desenlerine odaklanıyoruz, BT görüntüsünün küçük alt görüntüleri veya pencereleri üzerinde doku analizi uygulanıyor. Her CT görüntüsünde altı pencere seçilir.

Doku unsurları, ayrık foer dönüşümü ve ayrık dalgacık dönüşümü kullanılarak ayıklanır. Uzun ve kısa, çok fazla bilgi mevcut. Hekimler ne kadar deneyimli olurlarsa olsunlar bu sinyallerin hepsini aynı anda işlemek çok sorunlu hale gelir.

Bu nedenle, CAT taramasına bakmayı ve otomatik görüntüleme yapmayı amaçlayan mevcut proje, bu verileri çok daha hızlı işlememize yardımcı olmak için acil durum doktorları ve benim gibi travmatologlar için çok faydalı olacaktır. Veri setinde hafif ila şiddetli travmatik beyin yaralanması olan 17 hasta bulunmaktadır. Her hastanın birkaç BT taraması vardır ve çalışmada kullanılan toplam 57 tarama vardır.

Her saat başı interkraniyal basıncı temsil eden bir değer kaydedilir. Yükseltilmiş ICP seviyesinin iki kategorisi vardır. ICP, 12 tor'dan büyük ICP olarak tanımlanır.

Normal ICP için, 12 tor'a eşit veya daha küçük ICP olarak tanımlanır. Bu veri setinde 33 normal vaka ve 24 yüksek ICP vakası vardır. Modeli oluşturmak için, on katlı çapraz doğrulamanın iki aşamasını kullanıyoruz.

Birincisi, özellik seçiminin gerçekleştirildiği iç içe geçmiş bir aşamadır. İkinci aşamada, bir genetik arama yöntemi kullanılır ve arama yöntemi ile birlikte kullanılan sınıflandırıcı destek vektör makinesidir. Bu görüntü ideal Orta Çizgi tahminini göstermektedir.

Kırmızı çizgi, kafatasının simetrisine dayanan yaklaşık ideal orta çizgidir. Anatomik özellikler kullanılarak yapılan iyileştirmeden sonra, yeşil hat olan daha iyi tahmin edilmiş ideal bir orta hatta sahibiz. Görüntüde, bu görüntüler tahmini gerçek orta çizgiyi göstermektedir.

Yeşil çizgiler tahmini gerçek orta çizgidir ve mavi noktalar eşleşen şablonlardır. Sağdaki resim, merkezin solundaki tahmini ideal orta çizgiyi ve gerçek orta çizgiyi gösterir. Sağ tarafta, tahminden elde edilen orta çizgi kaymasını görebiliriz.

Burada ayrıca yöntemlerimizin değerlendirilmesinde nicel sonuçları da sunuyoruz. Veri setimizdeki BT kesitlerinin çoğunda, metodolojimiz tarafından tahmin edilen ideal orta hat ile hekim tarafından etiketlenen orta hatlar arasındaki hata iki piksel veya bir milimetre civarındadır. Gerçek orta hat için,% 80'den fazlası, segmentasyon sonuçlarının belirli kalite kontrolü altında 2,25 milimetreden daha az farka sahiptir.

İnterkraniyal basınç tahmini değerlendirmesi, on kat çapraz doğrulama kullanılarak yaklaşık% 70 Doğruluğa sahiptir. Öncelikle düşük seviye ve yüksek seviye Segmentasyon süreçlerini ayırıyoruz. Bu tasarım farklı algoritmaların dahil edilmesinden faydalanabilse de, düşük seviyeli segmentasyondaki tüm bilgilerden yararlanamayabiliriz.

Düşük seviyeli segmentasyon ve yüksek seviyeli segmentasyonu birleştirerek daha iyi segmentasyon sonuçları elde edebiliriz. Bu düşünceyi takiben, önerilen yöntemin daha fazla değerlendirilmesini sağlamanın yanı sıra, daha iyi tahmin yapabilmek için model tabanlı segmentasyon veya kayıt tabanlı segmentasyon gibi yöntemler kullanabiliriz. Daha fazla veri seti toplamak: Daha büyük bir örneklem büyüklüğüne sahip olmak çalışmaya fayda sağlayacaktır.