Automatisierte Midline Shift und intrakranieller Druck Schätzung basierend auf Gehirn CT Images

Das übergeordnete Ziel dieses Experiments besteht darin, Mittellinienverschiebungen in CT-Bildern des Gehirns von Patienten mit traumatischer Hirnverletzung zu erkennen und dadurch den intrakraniellen Druck im Gehirn abzuschätzen. In diesem Projekt haben wir eine computergestützte Methode entwickelt, um die CT-Bilder zu analysieren und den intrakraniellen Druck (ICP) vorherzusagen. Der Anreiz für dieses Projekt liegt darin, dass bei vielen Fällen von Kopfverletzungen stets der Verdacht besteht, der ICP oder intrakranielle Druck könnte erhöht sein. Mithilfe eines CT können wir die Schwellung des Gehirns beurteilen, Hämatome evaluieren und Mittellinienverschiebungen oder assoziierte Verschiebungen des Gehirns untersuchen. Was wir jedoch nicht zuverlässig vorhersagen können, ist, welchen Effekt dies auf den intrakraniellen Druck hat – abgesehen von der allgemeinen Annahme, dass er in gewissem Maße ansteigt. Hier setzen die computergestützten Methoden an, an denen wir gearbeitet haben, und leisten Hilfestellung.

Es kann mit einer angemessenen Genauigkeit genau vorhersagen, welche Auswirkungen die anatomischen Veränderungen auf den intrakraniellen Druck haben. Dieses schematische Diagramm zeigt einen Überblick über die in dieser Forschung angewandte Methodik. Die computergestützte Axialtomographie ist allgemein bekanntermaßen unter ihren abgekürzten Bezeichnungen CT-Scan oder CAT-Scan bekannt.

Die CT-Aufnahmen werden aus einer großen Serie zweidimensionaler Röntgenbilder erstellt, die um eine einzige Rotationsachse aufgenommen werden. Im ersten Schritt unseres Ansatzes werden die CT-Aufnahmen von Patienten mit traumatischen Hirnverletzungen oder TBI erfasst und analysiert, um eine Mittellinienverschiebung zu erkennen. Der nächste Schritt umfasst die Extraktion und Analyse weiterer Merkmale wie unterschiedlicher Texturinformationen der CT-Bilder sowie die Schätzung der Blutmenge.

Unser Ansatz nutzt außerdem die extrahierten Merkmale sowie weitere demografische Informationen, um den intrakraniellen Druck (ICP) vorherzusagen. Dazu werden maschinelle Lernalgorithmen eingesetzt, um den Zusammenhang zwischen dem ICP und den extrahierten Merkmalen zu modellieren. Die ungefähre ideale Mittellinie wird anhand der Schädel-Symmetrie ermittelt. Zunächst wird unter Verwendung einer Graustufen-Schwellenwertmethode der Schädel aus dem Bildausschnitt segmentiert.

Dann durchsucht der Algorithmus systematisch jeden Rotationswinkel um den Massenmittelpunkt des Schädels, um die Linie zu finden, die die Symmetrie der resultierenden Schädelflächen maximiert. Die annähernd ideale Mittellinie ist die Linie, die durch den Massenmittelpunkt mit dem entsprechenden Rotationswinkel verläuft. Bei der Maximierung der Symmetrie kann die alleinige Erkennung der idealen Mittellinie basierend auf Symmetrie nicht immer automatisch aussagekräftige Ergebnisse liefern.

Daher gehen wir bei unserer Methode einen Schritt weiter, um spezifische elektronische Merkmale wie die hintere Kastentheorie und die vordere Fuchsanheftung zu finden, um die Position der Aminlinie zu verfeinern. Anschließend werden die hintere Fuchshirnregion und die vordere Fuchsanheftung an den Rändern des sagittalen Sulcus identifiziert, um die ungefähre ideale Mittellinie zu präzisieren, sodass diese anatomischen Merkmale schnell und genau erkannt werden können. Zweitens werden Suchrechtecke basierend auf der ungefähren idealen Mittellinie und ihren beiden Schnittpunkten definiert.

Beim Kallottenskelett wird die Größe des Rechtecks so gewählt, dass die zu erkennenden anatomischen Merkmale eingeschlossen werden. Der vordere Fuchsanhalt wird als höchster Punkt des Kamms am Kallottenskelett erkannt, während der Fuchsschnabel als graue Linie im hinteren Bereich detektiert wird. Eine knöcherne Vorsprungsstruktur befindet sich im vorderen Bereich des Schädels.

Der Fuchsschwanz erstreckt sich von diesem Punkt aus. Diese anatomische Struktur kann als Ausgangspunkt für die Mittellinie verwendet werden. Es ist ersichtlich, dass die Vorwölbung sich nach unten zu einem lokalen Minimum am vorderen Rand des Fuchsschwanzes krümmt.

Wenn man die untere Kante der Schädelknochen als Kurve in der Bildebene betrachtet, kann diese Kurve als eindimensionale Funktion modelliert werden. Die Erkennung des Vorsprungs reduziert sich dann auf die Suche nach dem Minimum einer abgetasteten eindimensionalen Funktion. Bei Eingabe des oberen segmentierten Schädelknochens besteht der erste Schritt darin, die untere Kante des Knochens zu extrahieren.

Der nächste Schritt beinhaltet die Detektion der Ausstülpung mithilfe des lokalen Minimums. Hier stellt das lokale Minimum ebenfalls das Ende der Ausstülpung dar. Dieses schematische Diagramm zeigt, wie der Fuchs im unteren Teil des Gehirns detektiert wird.

Da das Ziel darin besteht, im ersten Schritt die hellgrauen Linien und nicht die dunkleren Linien zu erkennen, wird der Medianwert des Bereichs als Schwellenwert verwendet. Mithilfe dieses Schwellenwerts werden alle Graustufenwerte darunter auf den Medianwert gesetzt. Anschließend wird ein Zero-Crossing-Kantendetektor verwendet, um die Kantenkarte zu erzeugen.

Dies bewahrt detailliertere Kanten während der Sobell-Erkennung und ermöglicht die Entfernung unerwünschter Kanten im nächsten Schritt. Die Kantenkarte wird anschließend schrittweise unter Verwendung bekannter Merkmale des Fuchshirns verfeinert. Zunächst erfolgt die Verfeinerung der Kantenkarte anhand von Intensität und Gradient, gefolgt von der Anwendung eines Größenschwellenwerts und eines Konzentrationsschwellenwerts zur weiteren Verbesserung.

Weiterhin ist hier die Konzentrationsschwelle nichts anderes als die Dichte der Kantenpunkte. Schließlich wird die Hof-Transformation angewendet, um Linien zu erkennen, die den Fuchs.Sarah. darstellen. Die Ergebnisse der HOF-Transformation sind üblicherweise eine Menge von Linien.Zwei.

Es müssen Bedingungen festgelegt werden, um die gewünschten Linien aus dieser Menge zu extrahieren. Zunächst muss der Winkel der Linie in dem Bereich liegen, in dem sich die Linien konzentrieren. Dieser Bereich wird durch die Berechnung der statistischen Werte der Winkel der erkannten Linien ermittelt.

Zweitens muss die Linie innerhalb des Bereichs liegen, in dem sich der Liniencluster konzentriert. Die endgültige ideale Mittellinie wird in diesem Stadium als die längste Linie ausgewählt, die die oben genannten Einschränkungen erfüllt. Diese Abbildung zeigt die beiden interessierenden Bereiche sowie die verfeinerte ideale Mittellinie basierend auf den inneren Ausstülpungen.

Die grüne Linie ist die verfeinerte ideale Mittellinie, und die rote Linie ist die ungefähre Position der idealen Mittellinie des Gehirns vor der Verfeinerung. Dieses Bild zeigt das 3D-Modell des ventrikulären Systems mit einem MRI-Schnittbild des Gehirns. Der rote Bereich des Bildes stellt das ventrikuläre System in 3D dar.

Das Ventrikelsystem besteht aus zwei bilateralen Ventrikeln an der Oberseite, dem dritten Ventrikel in der Mitte und dem vierten Ventrikel an der Unterseite. Der Grund, warum wir Informationen über einen Ventrikel extrahieren, liegt darin, dass er sich bei Druckveränderungen im Gehirn infolge einer Verletzung verformt und sich daher gut eignet, um die Deformation von Hirngewebe und pathologische Fälle zu messen. In aufeinanderfolgenden MRT- oder CT-Bildschnitten erscheint das Ventrikelsystem in verschiedenen Formen rechts; die extrahierten Formen des Ventrikelsystems aus einer MRT-Aufnahme sind dargestellt.

Das Ziel der CT-Segmentierung besteht darin, diese Formen aus den ursprünglichen CT-Scans zu identifizieren. Bei unserer vorgeschlagenen Methode wird der Segmentierungsprozess in zwei Teile unterteilt. Zunächst wird eine initiale Segmentierung auf niedriger Ebene angewendet, um Pixel in verschiedene Bereiche zu gruppieren.

Dann wird eine Methode zur Vorlagenübereinstimmung auf hoher Ebene verwendet, um die Ventrikel aus den segmentierten Ergebnissen zu identifizieren. Diese Abbildung veranschaulicht die Segmentierung auf niedriger Ebene, basierend auf einer Gaußschen Mischungsmethode. Zunächst werden die ursprünglichen CT-Bilder mithilfe eines Median-Filters gefiltert.

Das Ergebnis ist im linken Bild dargestellt. Anschließend wird der K-Means-Algorithmus angewendet, um eine Kernsegmentierung zu erhalten. Dieses Ergebnis ist in der Mitte dargestellt.

Nachdem der K-Means-Algorithmus angewendet wurde, folgt die Anwendung der Goss- und Mischungsmethode. Das Bild rechts zeigt eine unterschiedliche Goss und Verteilungen auf dem 2D-Bild, die initialisiert sind. Mithilfe der gleichen Segmentierung wird die Erwartungsmaximierung genutzt, um die Parameter weiterzuentwickeln, und schließlich wird ein optimiertes Segmentierungsergebnis erzielt.

Das ventrikuläre System in Z-Richtung weist über den Trainingsdatensatz hinweg keine signifikanten Variationen auf. Daher können die Abbildungen in linearer Form angenähert werden. In der hier beschriebenen Methode werden diese Abbildungen zunächst manuell initialisiert und anschließend mithilfe eines Satzes von Trainingsbildern optimiert.

Es gibt drei Kriterien, um die anfängliche Ventrikel-Segmentierung zu akzeptieren. Erstens muss das Segment relativ groß sein. Zweitens darf das Segment nicht in der Nähe der Gehirnkante liegen.

Punkt drei: Das Segment schneidet die Ventrikelvorlage. Die Abbildungen unten zeigen ein Beispiel des Schritts zur Ventrikel-Erkennung aus den Ergebnissen. Man kann erkennen, dass die Ventrikelteile mithilfe von Größen-, Begrenzungsbox- und Vorlagenbeschränkungen erfolgreich erkannt wurden.

Um die eigentliche Mittellinie abzuschätzen, vergleichen wir zunächst die segmentierten Ventrikel anhand der Form mit den Vorlagen. Diese Abbildung zeigt den Ablauf der Anpassung. Zunächst werden die Kantenpunkte abgetastet.

Dann durch Optimierung der Übereinstimmungskosten der beiden Formen. Die Zuordnungen der Punkte zwischen den beiden Formen werden hergestellt. Zum Beispiel zeigt im zweiten Reihen das letzte Bild die Korrespondenz, indem rote Punkte einer Form mit grünen Punkten der anderen Form verbunden werden.

Da das Ventrikelsystem eine dreidimensionale Struktur ist und auf verschiedenen CT-Schichten unterschiedliche Formen aufweist, führen wir das Formmatching über alle CT-Schichten hinweg durch. Für jede Schicht definieren wir Merkmalspunkte, die zur Schätzung der Mittellinie verwendet werden können. Beispielsweise sind die Merkmalspunkte in den Formen der Seitenventrikel die inneren Randpunkte der beiden Seitenventrikel.

Diese Merkmalspunkte werden anhand ihrer Entsprechung zu den Merkmalspunkten auf der Vorlage identifiziert, die vor dem Zuordnungsprozess manuell beschriftet werden. Hier zeigen wir zahlreiche Zuordnungsergebnisse, indem wir verschiedene Vorlagen auswählen. Bei jeder Formzuordnung ergibt sich eine Übereinstimmungskosten.

Indem wir die minimale Übereinstimmungskosten auswählen, ermitteln wir die beste Vorlage für die Formübereinstimmung und identifizieren die Merkmalspunkte. In diesem Beispiel sind die Punkte aus den Segmentierungsergebnissen grün dargestellt, während die Punkte aus den Vorlagen rot dargestellt sind. Durch den Vergleich der Übereinstimmungskosten erkennen wir, dass die erste Vorlage am besten geeignet ist.

Nachdem die Merkmalspunkte identifiziert wurden, berechnen wir die X-Koordinaten dieser Merkmalspunkte. Üblicherweise gibt es Merkmalspunkte auf der linken Seite und Merkmalspunkte auf der rechten Seite. Die X-Koordinate der tatsächlichen Mittellinie wird als Mittelwert der X-Koordinate der linken und der rechten Merkmalspunkte geschätzt.

Hier zeigen wir vier Schätzergebnisse. Die grüne vertikale Linie stellt die geschätzte X-Koordinate der tatsächlichen Mittellinie dar. Die Übereinstimmungsvorlage ist durch die blauen Punkte dargestellt.

Die identifizierten Merkmalspunkte sind in blau dargestellt. Aus den Ergebnissen geht hervor, dass die Schätzung der tatsächlichen Mittellinie sehr gut funktioniert, nachdem die tatsächliche Mittellinie geschätzt wurde. Die Berechnung der horizontalen Verschiebung S der Mittellinie ist unkompliziert.

X ideal ist die X-Koordinate der idealen Mittellinie, und X actual ist die X-Koordinate der geschätzten tatsächlichen Mittellinie. Die hier gezeigten Bilder veranschaulichen sowohl die geschätzte ideale Mittellinie als auch die tatsächliche Mittellinie. Neben der Mittellinienverschiebung können diese von uns extrahierten Merkmale zusätzliche Informationen für die Vorhersage des ICP-Spiegels liefern.

Die Kernidee hierbei besteht darin, so viele Merkmale wie möglich zu extrahieren und anschließend mithilfe von Methoden der Merkmalsauswahl nur jene Merkmale beizubehalten, die relevant für die Bereitstellung von ICB-Informationen sind. Zu den aus CT-Scans extrahierten Merkmalen gehören Blutmengen, Verschiebung der Mittellinie und Texturmuster. Merkmale aus anderen Quellen umfassen demografische Informationen wie das Alter des Patienten, Traumascore und Schweregrad des Verletzungsscores.

Ein Segmentierungsalgorithmus basierend auf einem Gaußschen Mischmodell wird verwendet, um die Pixel zu kennzeichnen. Die Pixel werden in vier Kategorien eingeteilt: Blut, zerebrospinale Flüssigkeit, graue Substanz und weiße Substanz-Textur. Muster in den CT-Bildern können Hinweise auf den Zustand des Gehirns enthalten.

Hohe Werte des intrakraniellen Drucks können das Texturmuster verändern. Wir konzentrieren uns hauptsächlich auf die Texturmuster in Bereichen ohne zerebrospinale Flüssigkeit oder Blut. Die Texturanalyse wird auf kleinen Teilbildern oder Fenstern des CT-Bildes angewendet. In jedem CT-Bild werden sechs Fenster ausgewählt.

Texturmerkmale werden mithilfe der diskreten Fourier-Transformation und der diskreten Wavelet-Transformation extrahiert. Kurz gesagt, steht eine enorme Menge an Informationen zur Verfügung. Für Ärzte wird es daher äußerst problematisch, unabhängig von ihrer Erfahrung, alle diese Signale gleichzeitig zu verarbeiten.

Das aktuelle Projekt, das darauf abzielt, die CT-Aufnahmen zu analysieren und automatisierte Bildverarbeitung anzuwenden, wäre eine hervorragende Unterstützung für Notärzte und Traumatologen wie mich, um uns bei der schnelleren Auswertung dieser Daten zu helfen. Der Datensatz umfasst 17 Patienten mit leichten bis schweren traumatischen Hirnverletzungen. Jeder Patient verfügt über mehrere CT-Scans, insgesamt wurden 57 Scans in der Studie verwendet.

Ein Wert, der den intrakraniellen Druck repräsentiert, wird stündlich aufgezeichnet. Es gibt zwei Kategorien erhöhter ICP-Werte. ICP wird definiert als ICP größer als 12 tor.

Beim normalen ICP wird dieser als ICP kleiner oder gleich 12 tor definiert. In diesem Datensatz gibt es 33 normale Fälle und 24 Fälle mit erhöhtem ICP. Um das Modell zu erstellen, verwenden wir zwei Stufen der zehnfachen Kreuzvalidierung.

Die erste ist eine geschachtelte Stufe, in der eine Merkmalsauswahl durchgeführt wird. In der zweiten Stufe kommt eine genetische Suchmethode zum Einsatz, und der Klassifikator, der zusammen mit der Suchmethode verwendet wird, ist eine Support-Vektor-Maschine. Diese Abbildung zeigt die ideale Mittellinien-Schätzung.

Die rote Linie ist die ungefähre ideale Mittellinie, basierend auf der Symmetrie des Schädels. Nach der Verfeinerung mithilfe anatomischer Merkmale ergibt sich eine genauere Schätzung der idealen Mittellinie, die durch die grüne Linie dargestellt wird. In der Abbildung zeigen diese Bilder die geschätzte tatsächliche Mittellinie.

Die grünen Linien sind die geschätzte tatsächliche Mittellinie, und die blauen Punkte sind die übereinstimmenden Vorlagen. Das Bild rechts zeigt die geschätzte ideale Mittellinie links vom Zentrum und die tatsächliche Mittellinie. Auf der rechten Seite ist die sich ergebende Verschiebung der Mittellinie aus der Schätzung zu erkennen.

Hier präsentieren wir auch die quantitativen Ergebnisse bei der Bewertung unserer Methoden. Bei den meisten CT-Schnitten in unserem Datensatz beträgt der Fehler zwischen der idealen Mittellinie, die durch unsere Methodik geschätzt wurde, und den vom Arzt markierten Mittellinien etwa zwei Pixel oder einen Millimeter. Bei der tatsächlichen Mittellinie weisen mehr als 80 % eine Abweichung von weniger als 2,25 Millimetern auf, vorausgesetzt, es erfolgt eine bestimmte Qualitätskontrolle der Segmentierungsergebnisse.

Die Bewertung der Vorhersage des intrakraniellen Drucks weist eine Genauigkeit von etwa 70 % bei zehnfacher Kreuzvalidierung auf. Zunächst trennen wir die Segmentierungsprozesse auf niedriger und hoher Ebene. Obwohl dieses Design von der Kombination verschiedener Algorithmen profitieren kann, könnten wir möglicherweise nicht sämtliche Informationen aus der Segmentierung auf niedriger Ebene ausschöpfen.

Durch die Kombination der Segmentierung auf niedriger und auf hoher Ebene können bessere Segmentierungsergebnisse erzielt werden. Gemäß dieser Idee lassen sich Methoden wie die modellbasierte Segmentierung oder die registrierungsbasierte Segmentierung anwenden, um eine genauere Vorhersage zu erhalten und gleichzeitig eine umfassendere Bewertung der vorgeschlagenen Methode bereitzustellen. Die Sammlung weiterer Datensätze wird die Studie durch eine größere Stichprobengröße verbessern.