خط الوسط التحول الآلي وتقدير الضغط داخل الجمجمة يعتمد على الصور CT الدماغ

الهدف العام من هذه التجربة هو الكشف عن انزياحات خط الوسط من صور الأشعة المقطعية للدماغ لمرضى إصابات الدماغ الرضحيّة، وبالتالي تقدير الضغط داخل الجمجمة في الدماغ. في هذا المشروع، قمنا بتطوير طريقة حاسوبية لتحليل صور الأشعة المقطعية والتنبؤ بالضغط داخل الجمجمة أو ICP. والدافع لهذا المشروع هو أنه في كثير من الحالات التي يعاني فيها الأشخاص من إصابات في الرأس، يوجد دائماً اشتباه في أن يكون الضغط داخل الجمجمة أو ICP مرتفعاً؛ لذا، يمكننا من خلال الأشعة المقطعية تقييم تورم الدماغ، وتقييم الورمات الدموية، وتقييم انزياحات خط الوسط أو انزياحات أجزاء الدماغ، ولكن ما لا يمكننا التنبؤ به بشكل موثوق هو تأثير ذلك على الضغط داخل الجمجمة، بخلاف أنه بشكل عام يرفعه إلى درجة معينة، وهنا تكمن فائدة الطرق الحاسوبية التي كنا نعمل عليها.

يمكنه التنبؤ بمستوى معقول من الدقة بالتأثيرات الدقيقة للتغيرات التشريحية على الضغط داخل الجمجمة. يقدم هذا المخطط التوضيحي نظرة عامة على المنهجية المستخدمة في هذا البحث. ويُعرف التصوير المقطعي المحوسب بشكل أكثر شيوعاً بأسمائه المختصرة، CT scan أو CAT scan.

يتم تطوير صور الأشعة المقطعية (CT) من سلسلة كبيرة من صور الأشعة السينية ثنائية الأبعاد التي يتم التقاطها حول محور دوران واحد. في الخطوة الأولى من نهجنا، يتم الحصول على صور الأشعة المقطعية للمرضى الذين يعانون من إصابات الدماغ الرضحي (TBI) وتحليلها للكشف عن انزياح الخط المتوسط. وتتضمن الخطوة التالية استخلاص وتحليل سمات أخرى، مثل معلومات النسيج المختلفة لصور الأشعة المقطعية وتقدير كمية الدم.

يستخدم نهجنا أيضاً الميزات المستخرجة بالإضافة إلى معلومات ديموغرافية أخرى للتنبؤ بـ ICP، حيث تُستخدم خوارزميات تعلم الآلة لنمذجة العلاقة بين ICP والميزات المستخرجة. ويتم تحديد الخط الناصف المثالي التقريبي باستخدام تماثل الجمجمة. أولاً، يتم تقسيم الجمجمة من شريحة الصورة باستخدام عتبة التدرج الرمادي.

بعد ذلك، تقوم الخوارزمية بالبحث في كل زاوية دوران بشكل شامل حول مركز كتلة الجمجمة للعثور على الخط الذي يحقق أقصى قدر من التماثل بين نصفي الجمجمة الناتجين. ويكون الخط المتوسط المثالي التقريبي هو الخط المار بنقطة مركز الكتلة مع زاوية الدوران المحددة. وبالرغم من تعظيم التماثل، فإن تحديد الخط المتوسط المثالي بناءً على التماثل وحده قد لا يوفر لنا دائمًا نتائج ذات دلالة بشكل تلقائي.

وبناءً على ذلك، ننتقل في طريقتنا خطوة إضافية للبحث عن سمات إلكترونية محددة مثل نظرية الصندوق الخلفي وارتباط الثعلب الأمامي لتدقيق مواقع الخط الأميني. بعد ذلك، يتم تحديد الثعلب الخلفي وارتباط الثعلب الأمامي بحواف الثلم السهمي لتدقيق الخط المتوسط المثالي التقريبي من أجل اكتشاف هذه السمات التشريحية بسرعة ودقة. وثانياً، يتم تحديد مستطيلات البحث بناءً على الخط المتوسط المثالي التقريبي ونقطتي التقاطع الخاصتين به.

بالنسبة لقبة الجمجمة، يتم اختيار حجم المستطيل بحيث يشمل السمات التشريحية المراد رصدها. يتم تحديد نقطة اتصال الثعلب الأمامية كأعلى نقطة في الحافة الموجودة على قبة الجمجمة، بينما يتم تحديد منخار الثعلب كخط رمادي في المنطقة الخلفية. كما يوجد بروز عظمي في القسم الأمامي من الجمجمة.

يمتد الـ fox cery من هذه النقطة. ويمكن استخدام هذه السمة التشريحية كنقطة بداية للخط المتوسط. ويمكن ملاحظة أن البروز ينحني لأسفل وصولاً إلى نقطة صغرى محلية عند الحافة الأمامية للـ foxer.

إذا تم اعتبار الحافة السفلية لعظام الجمجمة كمنحنى على مستوى الصورة، فيمكن حينئذٍ نمذجة هذا المنحنى كدالة أحادية البعد. وتصبح عملية اكتشاف نقطة البروز مسألة تتعلق بإيجاد القيمة الصغرى لدالة أحادية البعد تم أخذ عينات منها. ومع توفر مدخلات الجزء العلوي المجزأ من عظم الجمجمة، تتمثل الخطوة الأولى في استخراج الحافة السفلية للعظم.

تتضمن الخطوة التالية الكشف عن البروز باستخدام النهاية الصغرى المحلية. وهنا، تمثل النهاية الصغرى المحلية أيضاً نقطة نهاية البروز. يوضح هذا المخطط التوضيحي كيفية الكشف عن الثعلب في الجزء السفلي من الدماغ.

بما أن الهدف هو اكتشاف الخطوط الرمادية الفاتحة وليس الخطوط الداكنة في الخطوة الأولى، يتم استخدام القيمة الوسيطة للمنطقة كحد عتبة. وباستخدام حد العتبة هذا، يتم ضبط جميع قيم التدرج الرمادي التي تقل عنه لتصبح مساوية للقيمة الوسيطة. بعد ذلك، يتم استخدام كاشف الحواف بتقاطع الصفر لإنشاء خريطة الحواف.

يحافظ هذا الإجراء على حواف أكثر ثراءً أثناء الكشف باستخدام مرشح Sobell، ويسمح بإزالة الحواف غير المرغوب فيها في الخطوة التالية. ثم يتم تحسين خريطة الحواف خطوة بخطوة باستخدام سمات معروفة لـ fox cere. يتم ذلك أولاً عن طريق تحسين خريطة الحواف باستخدام الكثافة والتدرج، يلي ذلك استخدام عتبة الحجم وعتبة التركيز لتحسينها.

وعلاوة على ذلك، فإن عتبة التركيز ليست سوى كثافة نقاط الحواف. وأخيرًا، يتم تطبيق تحويل هوف للكشف عن الخطوط التي تمثل الثعلب. والنتائج المترتبة على تحويل هوف عادة ما تكون مجموعة من الخطوط.

يجب وضع قيود لاستخراج الخطوط المرغوبة من هذه المجموعة. أولاً، يجب أن تكون زاوية الخط ضمن النطاق الذي تتركز فيه الخطوط. يتم الحصول على هذا النطاق عن طريق حساب إحصائيات زوايا الخط المكتشف.

ثانياً، يجب أن يقع الخط ضمن النطاق الذي تتركز فيه مجموعة الخطوط. ويتم اختيار الخط المتوسط المثالي النهائي في هذه المرحلة على أنه أطول الخطوط التي تستوفي القيود المذكورة أعلاه. تُظهر هذه الصورة منطقتي الاهتمام والخط المتوسط المثالي المنقح بناءً على البروزات الداخلية.

يمثل الخط الأخضر الخط الناصف المثالي المنقح، بينما يمثل الخط الأحمر الموضع التقريبي للخط الناصف المثالي للدماغ قبل التنقيح. تظهر هذه الصورة النموذج ثلاثي الأبعاد للجهاز البطيني مع وجود مقطع تصوير بالرنين المغناطيسي (MRI) للدماغ. ويمثل الجزء الأحمر من الصورة الجهاز البطيني بصيغة ثلاثية الأبعاد.

يتكون الجهاز البطيني من بطينين جانبيين في الأعلى، والبطين الثالث في المنتصف، والبطين الرابع في الأسفل. والسبب في استخلاص المعلومات حول البطين هو أنه عندما يتغير الضغط داخل الدماغ نتيجة إصابة ما، فإنه يتشوه، وبالتالي يكون مرشحاً مناسباً لقياس تشوه أنسجة الدماغ والحالات المرضية. وفي مقاطع صور الرنين المغناطيسي (MRI) أو التصوير المقطعي المحوسب (CT) المتتالية، يظهر الجهاز البطيني بأشكال متنوعة على اليمين، وتظهر الأشكال المستخلصة للجهاز البطيني من صورة الرنين المغناطيسي.

يهدف تقسيم الصور المقطعية المحوسبة (CT) إلى تحديد هذه الأشكال من المسوحات المقطعية الأصلية. وفي منهجيتنا المقترحة، تنقسم عملية التقسيم إلى جزأين؛ حيث يتم أولاً تطبيق طريقة تقسيم أولية منخفضة المستوى لتجميع البكسلات في أجزاء مختلفة.

بعد ذلك، تُستخدم طريقة مطابقة القوالب عالية المستوى لتحديد البطينات من نتائج التجزئة. وتوضح هذه الصورة التجزئة منخفضة المستوى القائمة على طريقة خليط غاوس. أولاً، يتم ترشيح صور CT الأصلية باستخدام ترشيح الوسيط.

تظهر النتيجة في الصورة اليسرى. بعد ذلك، يتم تطبيق خوارزمية K-means للحصول على تقسيم جوهري. وتظهر هذه النتيجة في الوسط.

بعد تطبيق خوارزمية K-means، يتم تطبيق طريقة goss والخلط. وتظهر الصورة الموجودة على اليمين توزيعات وgoss مختلفة على الصورة ثنائية الأبعاد، والتي تم تهيئتها. وباستخدام نفس التقسيم، يتم استخدام تعظيم التوقع (expectation maximization) لتطوير المعلمات، وفي النهاية، يتم الحصول على نتيجة تقسيم مضبوطة.

لا يظهر الجهاز البطيني في الاتجاه Z تباينًا ملحوظًا عبر مجموعة التدريب. وبناءً على ذلك، يمكن تقريب عمليات الربط باستخدام صيغة خطية. في الطريقة الموضحة هنا، يتم تهيئة عمليات الربط هذه يدويًا في البداية، ثم يتم تحسينها باستخدام مجموعة من صور التدريب.

هناك ثلاثة قيود لقبول تقسيم البطين الأولي. أولاً، يجب أن يكون الجزء المقسم كبيراً نسبياً. ثانياً، يجب ألا يكون الجزء المقسم قريباً من حافة الدماغ.

ثالثاً، يتقاطع المقطع مع قالب البطين. وتوضح الأشكال الموجودة في الأسفل مثالاً لخطوة التعرف على البطين من النتائج. ويمكن ملاحظة أنه تم التعرف بنجاح على أجزاء البطين باستخدام قيود الحجم، وصندوق الإحاطة، والقالب.

من أجل تقدير الخط الناصف الفعلي، نقوم أولاً بمطابقة البطينات المقسمة مع القوالب عن طريق مطابقة الشكل. يوضح هذا الشكل عملية المطابقة؛ حيث يتم أولاً أخذ عينات من نقاط الحواف.

بعد ذلك، يتم تحديد نقاط التطابق بين الشكلين من خلال تحسين تكلفة المطابقة لهما. على سبيل المثال، تُظهر الصورة الأخيرة في الصف الثاني هذا التطابق عبر توصيل النقاط الحمراء في أحد الشكلين بالنقاط الخضراء في الشكل الآخر.

نظرًا لأن الجهاز البطيني عبارة عن بنية ثلاثية الأبعاد وله أشكال مختلفة في شرائح التصوير المقطعي المحوسب (CT) المختلفة، فإننا نقوم بمطابقة الشكل عبر جميع شرائح الـ CT. وبالنسبة لكل شريحة، نحدد نقاط الميزة التي يمكن استخدامها لتقدير الخط الناصف. على سبيل المثال، نقاط الميزة في أشكال البطين الجانبي هي نقاط الحافة الداخلية للبطينين الجانبيين.

يتم تحديد نقاط الميزات هذه من خلال مطابقتها مع نقاط الميزات الموجودة في القالب، والتي يتم تمييزها يدويًا قبل عملية المطابقة. ونعرض هنا العديد من نتائج المطابقة من خلال اختيار قوالب مختلفة. ولكل عملية مطابقة للأشكال، توجد تكلفة مطابقة.

من خلال اختيار أدنى تكلفة للمطابقة، نحدد القالب الأنسب للاستخدام في مطابقة الأشكال وتحديد نقاط الميزات. في هذا المثال، تظهر النقاط الناتجة عن عمليات التجزئة باللون الأخضر، بينما تظهر النقاط المستمدة من القوالب باللون الأحمر. ومن خلال مقارنة تكلفة المطابقة، يمكننا ملاحظة أن القالب الأول هو الأفضل للاستخدام.

بمجرد تحديد نقاط الميزات، نقوم بحساب إحداثيات X لهذه النقاط. وعادةً ما تكون هناك نقاط ميزات على الجانب الأيسر ونقاط ميزات على الجانب الأيمن. ويتم تقدير إحداثي X للخط المتوسط الفعلي على أنه متوسط إحداثيات X لنقاط الميزات اليمنى واليسرى.

نعرض هنا أربع نتائج تقدير. يمثل الخط الرأسي الأخضر إحداثي X المقدر للخط المتوسط الفعلي. ويظهر قالب المطابقة في النقاط الزرقاء.

تظهر نقاط الميزات المحددة باللون الأزرق. ومن خلال النتائج، يمكننا أن نرى أن تقدير الخط المتوسط الفعلي يعمل بشكل جيد جداً بعد تقدير الخط المتوسط الفعلي. إن حساب إزاحة الخط المتوسط الأفقي S هو أمر مباشر.

تمثل X ideal الإحداثي X لخط المنتصف المثالي، بينما تمثل X actual الإحداثي X لخط المنتصف الفعلي المقدر. وتوضح الصور المعروضة هنا كلاً من خط المنتصف المثالي المقدر وخط المنتصف الفعلي. وبالإضافة إلى استخدام انزياح خط المنتصف، قد تزودنا هذه الميزات التي نستخلصها بمعلومات إضافية للتنبؤ بمستويات ICP.

تتمثل الفكرة الرئيسية وراء ذلك في استخلاص أكبر قدر ممكن من الميزات، ومن ثم استخدام طرق اختيار الميزات للتمكن من الاحتفاظ فقط بتلك الميزات ذات الصلة بتوفير معلومات ICB. وتشمل الميزات المستخلصة من فحوصات CT مقدار انزياح خط الوسط، وكمية الدم، وأنماط النسيج. بينما تشمل الميزات من المصادر الأخرى المعلومات الديموغرافية مثل عمر المريض، ودرجة الصدمة، ودرجة شدة الإصابة.

تُستخدم خوارزمية تجزئة تعتمد على نموذج مزيج غاوسي لتصنيف البكسلات. يتم تجميع البكسلات في أربع فئات هي: الدم، والسائل الدماغي النخاعي، والمادة الرمادية، ونسيج المادة البيضاء. وقد تتضمن الأنماط الموجودة في صور الأشعة المقطعية (CT) مؤشرات على حالة الدماغ.

قد تؤدي المستويات المرتفعة من الضغط داخل الجمجمة إلى تغيير نمط النسيج. ونحن نركز بشكل أساسي على أنماط النسيج في المنطقة الخالية من السائل الدماغي النخاعي، أو يتم تطبيق تحليل نسيج الدم على صور فرعية صغيرة أو نوافذ من صورة الأشعة المقطارية. يتم اختيار ست نوافذ في كل صورة أشعة مقطارية.

يتم استخراج ميزات النسيج باستخدام تحويل فوريه المتقطع وتحويل المويجات المتقطع. وخلاصة القول هي أن هناك كمّاً هائلاً من المعلومات المتاحة، مما يجعل من الصعب جداً على الأطباء، بغض النظر عن مدى خبرتهم، معالجة كل هذه الإشارات في وقت واحد.

يهدف المشروع الحالي إلى تحليل التصوير المقطعي المحوسب (CAT scan) وتطبيق التصوير الآلي، وهو ما سيكون ذا فائدة كبيرة لأطباء الطوارئ وأخصائيي جراحة الإصابات مثلي، لمساعدتنا في معالجة هذه البيانات بسرعة أكبر. وتضم مجموعة البيانات 17 مريضاً يعانون من إصابات دماغية رضخية تتراوح شدتها بين الخفيفة والشديدة. خضع كل مريض لعدة فحوصات بالتصوير المقطعي (CT scans)، حيث تم استخدام 57 فحصاً إجمالاً في هذه الدراسة.

يتم تسجيل قيمة تمثل الضغط داخل الجمجمة كل ساعة. هناك فئتان من مستويات ارتفاع الضغط داخل الجمجمة. ويُعرَّف الضغط داخل الجمجمة (ICP) بأنه الضغط الذي يتجاوز 12 tor.

بالنسبة للضغط داخل الجمجمة الطبيعي، يتم تعريفه بأنه ضغط داخل الجمجمة أقل من أو يساوي 12 tor. في مجموعة البيانات هذه، يوجد 33 حالة طبيعية و24 حالة من ارتفاع الضغط داخل الجمجمة. ومن أجل إنشاء النموذج، نستخدم مرحلتين من التحقق المتقاطع عشري الطيات.

تتمثل المرحلة الأولى في مرحلة متداخلة يتم فيها اختيار الميزات. وفي المرحلة الثانية، تُستخدم طريقة بحث جينية، ويكون المصنف المستخدم بالتزامن مع طريقة البحث هو آلة متجه الدعم. وتوضح هذه الصورة التقدير المثالي للخط المتوسط.

يمثل الخط الأحمر الخط المتوسط المثالي التقريبي بناءً على تماثل الجمجمة. وبعد التحسين باستخدام السمات التشريحية، حصلنا على تقدير أفضل للخط المتوسط المثالي، وهو الخط الأخضر. وتُظهر هذه الصور في الشكل الخط المتوسط الفعلي المقدر.

تمثل الخطوط الخضراء خط المنتصف الفعلي المقدر، بينما تمثل النقاط الزرقاء القوالب المطابقة. تُظهر الصورة الموجودة على اليمين خط المنتصف المثالي المقدر إلى يسار المركز وخط المنتصف الفعلي. ويمكننا أن نرى على اليمين انزياح خط المنتصف الناتج عن التقدير.

نقدم هنا أيضاً النتائج الكمية في تقييم طرقنا. في معظم مقاطع الأشعة المقطعية (CT) في مجموعة البيانات الخاصة بنا، بلغ الخطأ بين الخط المتوسط المثالي المقدر بمنهجيتنا والخطوط المتوسطة التي حددها الطبيب حوالي بكسلين أو 1 millimeter. وبالنسبة للخط المتوسط الفعلي، فإن أكثر من 80% أظهرت فرقاً يقل عن 2.25 millimeter في ظل رقابة جودة معينة لنتائج التجزئة.

بلغت دقة تقييم التنبؤ بالضغط داخل الجمجمة حوالي 70% باستخدام التحقق المتقاطع العشري. أولاً، قمنا بفصل عمليات التجزئة ذات المستوى المنخفض والمستوى العالي. ورغم أن هذا التصميم يمكن أن يستفيد من دمج خوارزميات مختلفة، إلا أننا قد لا نستغل جميع المعلومات المتاحة في التجزئة ذات المستوى المنخفض.

من خلال الجمع بين التجزئة منخفضة المستوى والتجزئة عالية المستوى، يمكننا الحصول على نتائج تجزئة أفضل. وبناءً على هذه الفكرة، يمكننا استخدام طرق مثل التجزئة القائمة على النموذج أو التجزئة القائمة على التسجيل من أجل الحصول على تنبؤ أفضل، فضلاً عن توفير تقييم أكثر شمولاً للطريقة المقترحة. كما أن جمع المزيد من مجموعات البيانات للحصول على حجم عينة أكبر سيفيد هذه الدراسة.