Accedi

È necessario avere un abbonamento a JoVE per visualizzare questo. Accedi o inizia la tua prova gratuita.

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

Un automatico stima spostamento della linea mediana e della pressione intracranica (ICP) di pre-screening sistema basato sulla tomografia computerizzata (TC) immagini per i pazienti con danno cerebrale traumatico (TBI) è proposto di utilizzare l'elaborazione delle immagini e di tecniche di apprendimento automatico.

Abstract

In questo articolo presentiamo un sistema automatizzato basato principalmente sui tomografia computerizzata (CT) immagini costituite da due componenti principali: la stima del cambio linea mediana e della pressione intracranica (ICP) di pre-screening sistema. Per stimare lo spostamento della linea mediana, prima stima della linea mediana ideale viene eseguita in base alla simmetria del cranio e caratteristiche anatomiche del cervello CT scan. Poi, la segmentazione dei ventricoli del TC viene eseguito e utilizzato come guida per l'identificazione della linea mediana effettiva attraverso la forma coniugata. Questi processi imitare il processo di misurazione da parte di medici e hanno mostrato risultati promettenti nella valutazione. Nel secondo componente, più funzionalità vengono estratti correlate a ICP, come le informazioni di tessitura, quantità di sangue da TC e altre caratteristiche registrate, quali l'età, punteggio di gravità della lesione per stimare la ICP sono anche incorporati. Macchine tecniche di apprendimento tra cui la funzionalità di selezione e classificazione, come il sostegnoVector Machines (SVM), sono impiegati per costruire il modello di previsione con RapidMiner. La valutazione della previsione mostra potenziale utilità del modello. Lo spostamento della linea mediana ideale stimato e previsto i livelli di ICP può essere usato come un rapido pre-screening passo per i medici a prendere decisioni, in modo da consigliare o sconsigliare invasivo monitoraggio della pressione intracranica.

Introduzione

Ogni anno ci sono circa 1,4 milioni di lesioni cerebrali traumatiche (TBI) relativi casi di pronto soccorso negli Stati Uniti, di cui, oltre 50.000 provocare la morte 1. Grave trauma cranico è di solito accompagnata da un aumento della pressione intracranica (ICP) con sintomi come ematomi e tessuto cerebrale gonfiore. Questi risultato ridotta pressione di perfusione cerebrale e del flusso sanguigno cerebrale, mettendo il cervello danneggiato in rischi aggiuntivi. Grave aumento ICP può essere fatale, così il monitoraggio ICP per i pazienti con trauma cranico è fondamentale. Questo in genere richiede il posizionamento di cateteri direttamente nel cervello per il monitoraggio della pressione, una procedura rischiosa per i pazienti che possono essere eseguite in centri medici specializzati. La procedura prevede anche il rischio come l'infezione. Tuttavia, alcuni segnali di elevata ICP può essere osservato in diagnostica per immagini. In particolare, spostamento linea mediana è spesso associato con un aumento della PIC e può essere catturata dal cervello calcolata tomography (CT) immagini. Come tali, queste immagini forniscono un'opportunità per rilevamento non invasivo di elevata ICP che può essere usato come un pre-screening passo prima trapanazione cranica. TC è ancora il gold standard per la valutazione iniziale TBI tra tutte le altre modalità di imaging, ad esempio risonanza magnetica, a causa della sua alta velocità e relativo basso costo 2. Inoltre, un esame TC non richiede rigorosa immobilità del paziente, e ha un vantaggio nel rivelare anomalie gravi come fratture ossee ed ematomi. Mentre CT è comunemente utilizzato per il rilevamento di lesioni nel cervello, basati sulla tecnologia attuale, spostamento linea mediana non viene misurata automaticamente e pertanto i medici devono valutare questo fattore importante mediante ispezione visiva. Imprecisa o incoerente interpretazione CT è spesso associato con la natura del sistema visivo umano e la complessa struttura del cervello. Mentre piccoli spostamenti della linea mediana sono elusivi, sono spesso preziosi per la valutazione di lesioni cerebrali, in particolare nelle fasi iniziali della lesione prima condizione di un paziente diventa più grave. Sul lato opposto, spostamento linea mediana grande suggerisce molto elevata ICP e più grave TBI. Tuttavia, si tratta di un compito molto impegnativo per l'uomo di ispezionare visivamente le immagini CT e prevedere il livello di ICP quantitativamente. Grazie ai progressi automatizzate tecniche computazionali, caratteristiche estratte da immagini TAC, come spostamento della linea mediana, il volume ematoma, e la struttura del cervello di immagini TC, può essere misurata con precisione e automaticamente utilizzando metodi avanzati di elaborazione delle immagini. Tuttavia, il rapporto tra ICP e lo spostamento della linea mediana, nonché altre caratteristiche quali il grado di sanguinamento, la trama da CT immagini non è stata esplorata. In questo documento, un quadro computazionale è stato proposto di misurare la misurazione linea mediana spostamento così come altre caratteristiche fisiologiche / anatomico su cerebrali immagini CT e quindi prevedere il grado di ICP non intrusivo utilizzando tecniche di apprendimento automatico.

Protocollo

1. Metodologia: presentazione

Il quadro proposto elabora le immagini cerebrali TC di lesione cerebrale traumatica (TBI) pazienti per calcolare automaticamente spostamento linea mediana in casi patologici e usarlo come pure altre informazioni estratte per prevedere pressione intracranica (ICP). Figura 1 mostra lo schema di tutta quadro. La misurazione del cambio automatizzato linea mediana può essere suddiviso in tre fasi. Primo, l'ideale linea mediana del cervello, cioè la linea mediana prima della ferita, viene trovato mediante una ricerca gerarchica basata sulla simmetria cranio e caratteristiche del tessuto 3. In secondo luogo, il sistema ventricolare è segmentato per ogni immagine cervello CT 4. In terzo luogo, la linea mediana effettiva è stimato dal sistema segmentato ventricolare deformata utilizzando una forma corrispondente metodo 5. Lo spostamento orizzontale del sistema ventricolare viene stimato sulla base della stima della linea mediana ideale e la linea mediana effettiva. Dopo tspostamento della linea mediana si è successivamente stimato, funzioni, tra cui spostamento della linea mediana, le informazioni sulle texture delle immagini TC, così come altre informazioni demografiche vengono utilizzati per prevedere ICP. Algoritmi di apprendimento automatico vengono utilizzati per definire la relazione tra la ICP e le caratteristiche estratte 6.

2. Ideale Stima Midline

  1. Questo passaggio rileva la linea mediana approssimata ideale utilizzando simmetria del cranio. Primo, utilizzando scala di grigi soglia, il cranio deve essere segmentato dal resto del contenuto nell'immagine CT. Dopo di che, effettuare una ricerca esaustiva per identificare gli angoli di rotazione attorno al centro di massa del cranio. L'angolo di rotazione ottimale è definito come l'angolo che massimizza la simmetria delle metà risultanti del cranio. La linea mediana approssimata ideale è la linea che passa attraverso il centro di massa e ha l'angelo ottimale rotazione rispetto alla direzione verticale originale dell'immagine CT.
  2. Questo passaggio rileva la posterior falce cerebrale e anteriore attaccamento falce ai margini del solco sagittale. Questa operazione viene eseguita per raffinare la linea mediana identificato approssimativa ideale. Definite prima due rettangoli perquisizione centrati nei due punti di intersezione tra la linea mediana approssimativa ideale e la calotta cranica. Quindi, scegliere le dimensioni dei rettangoli empiricamente in modo da coprire le caratteristiche anatomiche da rilevare come spiegato di seguito. L'attacco anteriore falce viene rilevato come il punto di picco della cresta sulla calotta cranica e la falce cerebrale viene rilevato come la linea grigia nella regione posteriore 3.
  3. Questa fase utilizza le caratteristiche rilevate in precedenza per perfezionare la posizione ideale linea mediana. Una volta che il punto di picco della falce attacco anteriore e il punto più lontano nel posteriore falce cerebri dal calvarum sono specificate, la linea mediana raffinato ideale è la linea che collega i due punti.

3. Ventricolo Segmentazione

  1. In primo luogo applicare un basso-lesegmentazione vel utilizzando un modello mistura gaussiana (GMM) per ogni sezione CT 4,7. Immagini TC possono essere suddivisi in 4 tipi di tessuti: osso / sangue, liquido cerebrospinale (CSF), sostanza grigia e sostanza bianca. Per l'inizializzazione del modello mistura gaussiana, i parametri sono stimati in base iterativo K-means risultato della segmentazione dell'immagine CT. Quindi utilizzare l'aspettativa-massimizzazione (EM) per ottimizzare la GMM iterativamente di rappresentare al meglio l'immagine CT. Il risultato della segmentazione rigido può essere ottenuta suddividendo l'immagine CT in regioni in base alla probabilità massima di appartenenza che ogni pixel appartiene alla regione tipi diversi.
  2. Dopo il basso livello di segmentazione GMM, applicare ulteriori vincoli sul risultato della segmentazione per riconoscere regioni ventricolari. Regioni ventricolari solo con dimensioni superiori a una certa soglia vengono mantenute. Applicare vincoli sulla posizione delle regioni ventricolari e utilizzando la casella di delimitazione cervello e l'insieme di ventriclposta modelli. Estrarre il set di modelli da un ventricolo del cervello immagini standard MR e poi ingrandirla con la dilatazione morfologica per accogliere variazioni tra diversi soggetti e casi patologici.

4. Stima effettiva Midline

  1. Specificare i punti caratteristici nei modelli ventricolo estratti da MR.
  2. Non la forma più aree di corrispondenza tra 5,8 ventricoli segmentati e il modello MR.
  3. Stimare la linea mediana effettivo basato su tali punti caratteristici individuati sulle forme ventricolo mediante corrispondente forma. Quindi utilizzare la media dei media lato sinistro e lato destro aritmetica della x-coordinate dei punti caratteristici per definire la coordinata x della linea mediana.

5. Più funzionalità Estrazioni

  1. Misurare l'ematoma intracranico / emorragia volume rispetto al modello mistura gaussiana (GMM) risultati di segmentazione ottenuto dalle immagini TC. Il risultato può segmentato include piccole regioni comprese seno venoso sangue e falce cerebri, ma possono solitamente essere trascurata in confronto alle regioni di ematoma. Poi contare il numero di pixel classificati come il sangue per ogni sezione e riassumerle. La somma finale quantifica il volume di sangue travasato in esame TC.
  2. Estrarre caratteristiche texture. Per prima cosa selezionare sei finestre in ogni immagine CT che cattura la materia grigia e bianca, ma evitare le strutture sangue e ventricolo nell'immagine CT, vedere la Figura 6. Poi estrarre le caratteristiche di composizione, corrispondenti utilizzando i seguenti metodi: grigio lunghezza Run Livello 9, analisi Istogramma, analisi di Fourier, analisi wavelet doppio albero Complex 10.
  3. Le informazioni demografiche e di punteggio di gravità della lesione vengono raccolti.
  4. Tutte le caratteristiche estratte di ogni immagine CT sono aggregati per rappresentare l'intero esame TC. Specificamente, min (f), max (f), mediana (f), media (f), std (f) sono calcolati al tral le caratteristiche selezionate appartenenti all'esame CT particolare, ad esempio una ƒ funzione dello spostamento linea mediana o una caratteristica texture. Per la funzione di emorragia intracranica importo, oltre ai cinque operatori sopra elencati, sum (f) viene aggiunto anche registrare il volume totale di sangue.

6. ICP Stima

L'idea principale della stima ICP è quello di applicare le tecniche di apprendimento automatico per costruire un modello basato su una serie di campioni di addestramento. Allora il modello costruito viene valutata su campioni di prova rimanenti. A causa della dimensione elevata di caratteristiche estratte in particolare quelli dei TAC e le informazioni demografiche, la funzionalità di selezione è importante per rimuovere le funzioni indipendenti per un modello relativamente semplice così stabile. Quindi ci sono due passaggi da eseguire per ICP stima / previsione. In primo luogo, selezionare le funzioni che sono relative informative nel predire PIC. Il secondo passo è quello di utilizzare Support Vector Machines (SVM) comealgoritmo di apprendimento per sviluppare e valutare il modello di formazione. Software come RapidMiner 11 è l'ideale per questo compito, perché è uno strumento molto ben sviluppato per la maggior parte degli algoritmi di apprendimento automatico e fornisce interfacce molto potenti per la formazione e la valutazione dei modelli.

  1. Eseguire la funzione di selezione in due fasi. In primo luogo utilizzare il criterio di informazione di guadagno rapporto nella prima fase per selezionare le prime 50 funzioni. Nella seconda fase, utilizzare un algoritmo genetico che incorpora SVM per ottimizzare ulteriormente la selezione delle caratteristiche. Quindi utilizzare il set finale di funzioni selezionate per costruire il modello per la previsione ICP nel passaggio seguente.
  2. Eseguire la classificazione ICP e valutazione attraverso tecniche di apprendimento automatico. Il diagramma di livello superiore della formazione e test sono mostrati nella RapidMiner in Figura 8. Applicare un 10 volte convalida incrociata regime come strato più esterno per la valutazione. Al fine di costruire un modello con una migliore generalizzazione e di evitare un eccesso di raccordo per tegli dati di allenamento, nido un altro strato di cross-validation all'interno di ogni piega formazione. In questi moduli, applicare prima il processo di selezione delle caratteristiche di cui sopra e quindi utilizzare una SVM per la classificazione con il proprio modulo di selezione del parametro 6.

Risultati

I set di dati CT test sono stati forniti dal Sistema Carolinas Healthcare (CHS) in corso di approvazione istituzionale Comitato Etico. Tutti i soggetti sono stati diagnosticati con lieve trauma cranico grave al momento della prima ricoverato in ospedale. Per ogni paziente, il valore ICP stata registrata ogni ora usando sonde ICP all'interno della regione ventricolo prima e dopo TC sono stati ottenuti. Per associare il valore di ICP con ogni scansione TC, la media dei due più vicini misure di ICP al tempo di TC, che...

Discussione

In questo studio, un quadro intuitivo e flessibile si propone di affrontare due problemi di difficile risoluzione: la stima dello spostamento linea mediana in CT immagini e la previsione a livello ICP sulla base di caratteristiche estratte. I risultati della valutazione mostrano l'efficacia del metodo proposto. Per quanto ne sappiamo, questa è la prima volta di uno studio sistematico per affrontare questi due problemi. Notiamo che, sulla base del quadro generale, ci sono molti potenziali miglioramenti che possono e...

Divulgazioni

Nessun conflitto di interessi dichiarati.

Riconoscimenti

Il materiale si basa su lavori in parte sostenuto dal National Science Foundation sotto Grant No. IIS0758410. I dati sono stati forniti dal sistema Carolinas Healthcare.

Riferimenti

  1. Langlois, J. A., Rutland-Brown, W., Thomas, K. E. . Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , (2006).
  2. Moore, E. E., Feliciano, D. V., Mattox, K. L. . Trauma. , (2003).
  3. 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, (2009).
  4. Chen, W., Najarian, K. Segmentation of Ventricles in Brain CT Images Using Gaussian Mixture Model Method. , 15-20 (2009).
  5. Chen, W., Ward, K. R., Najarian, K. Actual Midline Estimation from Brain CT Scan Using Multiple Regions Shape Matching. , 2552-2555 (2010).
  6. Chen, W., Cockrell, C., Ward, K. R., Najarian, K. Intracranial Pressure Level Prediction in Traumatic Brain Injury by Extracting Features from Multiple Sources and Using Machine Learning Methods. , 510-515 (2010).
  7. 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).
  8. Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
  9. Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
  10. Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
  11. Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T. Yale: Rapid prototyping for complex data mining tasks. , 935-940 (2006).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

MedicinaNumero 74Ingegneria BiomedicaBiologia MolecolareNeurobiologiaBiofisicaFisiologiaAnatomia umanaCervello CT Image ProcessingCTSpostamento linea medianala pressione intracranica pre screeningModello Miscela gaussianaCorrispondenza FormaMachine Learningtrauma cranicotrauma cranicoimmaginitecniche cliniche

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Ricerca

Didattica

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati