Cambio automático línea media y la presión intracraneal Estimación basada en imágenes de TC del cerebro

El objetivo general de este experimento es detectar desplazamientos de la línea media en imágenes de tomografía computarizada cerebral de pacientes con lesión cerebral traumática y, de este modo, estimar la presión intracraneal dentro del cerebro. En este proyecto, desarrollamos un método computacional para analizar las imágenes de TC y predecir la presión intracraneal o PIC. El motivo de este proyecto radica en el hecho de que, en muchos casos en los que las personas sufren lesiones en la cabeza, siempre existe la sospecha de que la PIC o presión intracraneal podría estar elevada. Mediante una TC, podemos evaluar la hinchazón del cerebro, podemos evaluar hematomas, podemos evaluar desplazamientos de la línea media o desplazamientos parciales del cerebro, pero lo que no podemos predecir de forma confiable es el efecto que esto tiene sobre la presión intracraneal, más allá de que, en general, la eleva hasta cierto grado. Aquí es donde los métodos computacionales en los que hemos estado trabajando resultan útiles.

Puede predecir con un nivel razonable de precisión los efectos exactos que los cambios anatómicos tienen sobre la presión intracraneal. Este diagrama esquemático presenta una visión general de la metodología empleada en esta investigación. La tomografía axial computarizada es más conocida comúnmente por sus nombres abreviados, escáner CT o escáner CAT.

Las tomografías computarizadas se desarrollan a partir de una gran serie de imágenes de rayos X bidimensionales tomadas alrededor de un único eje de rotación. En la primera etapa de nuestro enfoque, se obtienen y analizan las tomografías computarizadas de pacientes con lesiones cerebrales traumáticas o TBI para detectar el desplazamiento de la línea media. El siguiente paso incluye la extracción y el análisis de otras características, como diversas informaciones texturales de las imágenes de tomografía computarizada y la estimación de la cantidad de sangre.

Nuestro enfoque también utiliza las características extraídas, así como otra información demográfica, para predecir la PIC; se emplean algoritmos de aprendizaje automático para modelar la relación entre la PIC y las características extraídas. La línea media aproximadamente ideal se detecta utilizando la simetría del cráneo. Primero, mediante umbralización de escala de grises, se segmenta el cráneo a partir del corte de la imagen.

Luego, el algoritmo busca exhaustivamente cada ángulo de rotación alrededor del centro de masa del cráneo para encontrar la línea que maximice la simetría de las mitades resultantes del cráneo. La línea media ideal aproximada es la línea que pasa por el punto del centro de masa con el ángulo de rotación. Al maximizar la simetría, detectar la línea media ideal basándose únicamente en la simetría puede no proporcionarnos siempre resultados automáticamente significativos.

Por lo tanto, en nuestro método, damos un paso adicional para encontrar características electrónicas específicas, como la teoría de la caja posterior y la fijación anterior del fox, con el fin de refinar las ubicaciones de la línea de aminas. A continuación, se identifican el cere del fox posterior y la fijación del fox anterior con los márgenes del surco sagital para refinar la línea media ideal aproximada, a fin de detectar estas características anatómicas de forma rápida y precisa. Segundo, se definen rectángulos de búsqueda basados en la línea media ideal aproximada y sus dos puntos de intersección.

Con el cráneo, se elige el tamaño del rectángulo para incluir las características anatómicas que deben detectarse. La inserción del fox anterior se detecta como el punto máximo de la cresta en el cráneo, mientras que el fox cere se detecta como la línea gris en la región posterior. Una protuberancia ósea se localiza en la sección anterior del cráneo.

La extensión del cery comienza en este punto. Esta característica anatómica puede utilizarse como punto de partida para la línea media. Puede observarse que la protuberancia se curva hacia abajo hasta un punto mínimo local en el borde anterior del foxer.

Si se observa el borde inferior de los huesos del cráneo como una curva en el plano de la imagen, entonces dicha curva puede modelarse como una función unidimensional. La detección del punto de protuberancia se convierte así en un problema de hallar el mínimo de una función unidimensional muestreada. A partir del hueso del cráneo segmentado superiormente, el primer paso consiste en extraer el borde inferior del hueso.

El siguiente paso implica la detección de la protrusión mediante el mínimo local. Aquí, el mínimo local también representa el punto final de la protrusión. Este diagrama esquemático muestra cómo se detecta el fox en la parte inferior del cerebro.

Dado que el objetivo es detectar líneas grises claras y no las líneas más oscuras en la primera etapa, se utiliza el valor mediano del área como umbral. Con este umbral, todos los valores de escala de grises inferiores se ajustan al valor mediano. Luego, se utiliza un detector de bordes de cruce por cero para generar el mapa de bordes.

Esto mantiene bordes más definidos durante la detección de sobell y permite la eliminación de bordes no deseados en el siguiente paso. El mapa de bordes se refina luego paso a paso utilizando características conocidas del cerebro de zorro. Primero se realiza esto refinando el mapa de bordes mediante la intensidad y el gradiente, tras lo cual se utiliza el umbral de tamaño y el umbral de concentración para perfeccionarlo.

Aquí además, el umbral de concentración no es más que la densidad de los puntos del borde. Finalmente, se aplica la transformada de Hof para detectar líneas que representan el fox.Sarah. Los resultados de la transformada HOF suelen ser un conjunto de líneas.Dos.

Se deben establecer restricciones para extraer las líneas deseadas de este conjunto. Primero, el ángulo de la línea debe estar en el rango donde se concentran las líneas. Este rango se obtiene calculando las estadísticas de los ángulos de la línea detectada.

En segundo lugar, la línea debe encontrarse dentro del rango donde se concentra el grupo de líneas. La línea media ideal final en esta etapa se elige como la línea más larga que satisface las restricciones anteriores. Esta imagen muestra las dos regiones de interés y la línea media ideal refinada basada en las protrusiones internas.

La línea verde es la línea media ideal refinada, y la línea roja es la posición aproximada de la línea media ideal del cerebro antes del refinamiento. Esta imagen muestra el modelo 3D del sistema ventricular con la presencia de un corte de resonancia magnética del cerebro. La porción roja de la imagen representa el sistema ventricular en 3D.

El sistema ventricular consta de dos ventrículos bilaterales en la parte superior, el tercer ventrículo en el centro y el cuarto ventrículo en la parte inferior. La razón por la que extraemos información sobre un ventrículo es que cuando la presión cambia dentro del cerebro debido a una lesión, este se deforma y, por lo tanto, es un candidato adecuado para medir la deformación del tejido cerebral y los casos patológicos. En cortes sucesivos de imágenes de MRI o TC, el sistema ventricular aparece en diversas formas a la derecha; a continuación se muestran las formas extraídas del sistema ventricular a partir de una MRI.

El objetivo de la segmentación de TC es identificar estas formas a partir de las escáneres de TC originales. En nuestro método propuesto, el proceso de segmentación se divide en dos partes. Primero, se aplica un método de segmentación inicial de bajo nivel para agrupar los píxeles en diferentes partes.

Luego se utiliza un método de coincidencia de plantillas de alto nivel para identificar los ventrículos a partir de los resultados segmentados. Esta imagen ilustra la segmentación de bajo nivel basada en un método de mezcla gaussiana. Primero, las imágenes originales de TC se filtran utilizando un filtro mediano.

El resultado se muestra en la imagen izquierda. Posteriormente, se aplica el algoritmo K-means para obtener una segmentación del núcleo. Este resultado se muestra en el centro.

Después de aplicar el algoritmo K-means, se aplica entonces el método goss y mezcla. La imagen de la derecha muestra un goss diferente y las distribuciones en la imagen 2D, que se inicializan. Utilizando la misma segmentación, se emplea la maximización de expectativas para evolucionar los parámetros y, finalmente, se obtiene un resultado de segmentación ajustado.

El sistema ventricular en la dirección Z no muestra variaciones significativas a lo largo del conjunto de entrenamiento. Por lo tanto, las correspondencias pueden aproximarse mediante una forma lineal. En el método descrito aquí, estas correspondencias se inicializan primero manualmente y luego se optimizan utilizando un conjunto de imágenes de entrenamiento.

Existen tres restricciones para aceptar la segmentación inicial del ventrículo. Primero, el segmento debe ser relativamente grande. Segundo, el segmento no debe estar cerca del borde del cerebro.

Número tres, el segmento interseca con la plantilla del ventrículo. Las figuras en la parte inferior muestran un ejemplo del paso de reconocimiento del ventrículo a partir de los resultados. Se puede observar que las partes del ventrículo se reconocen con éxito mediante el uso de restricciones de tamaño, cuadro delimitador y plantilla.

Con el fin de estimar la línea media real, primero se comparan los ventrículos segmentados con las plantillas mediante la coincidencia de formas. Esta figura muestra el proceso de la comparación. Primero, se toman muestras de los puntos del borde.

Luego, mediante la optimización de un costo de coincidencia entre las dos formas. Se establecen las correspondencias de los puntos entre las dos formas. Por ejemplo, en la segunda fila, la última imagen muestra la correspondencia conectando los puntos rojos de una forma con los puntos verdes de la otra forma.

Dado que el sistema ventricular es una estructura tridimensional y tiene formas diferentes en distintos cortes de TC, realizamos la coincidencia de formas en todos los cortes de TC. Para cada corte, definimos los puntos característicos que pueden utilizarse para estimar la línea media. Por ejemplo, los puntos característicos en las formas de los ventrículos laterales son los puntos del borde interno de los dos ventrículos laterales.

Estos puntos característicos se identifican por su correspondencia con los puntos característicos de la plantilla, que se etiquetan manualmente antes del proceso de coincidencia. Aquí mostramos muchos resultados de coincidencia mediante la selección de diferentes plantillas. Para cada coincidencia de forma, existe un costo de coincidencia.

Al seleccionar el costo mínimo de coincidencia, hallamos la mejor plantilla para utilizar en la coincidencia de formas e identificar los puntos de característica. En este ejemplo, los puntos provenientes de los resultados de segmentación se muestran en verde, y los puntos provenientes de las plantillas se muestran en rojo. Al comparar el costo de coincidencia, podemos ver que la primera plantilla es la más adecuada para usar.

Una vez identificados los puntos de referencia, calculamos las coordenadas X de estos puntos de referencia. Por lo general, hay puntos de referencia en el lado izquierdo y puntos de referencia en el lado derecho. La coordenada X de la línea media real se estima como el promedio de la coordenada X de los puntos de referencia izquierdo y derecho.

Aquí mostramos cuatro resultados de estimación. La línea vertical verde representa la coordenada X estimada de la línea media real. La plantilla de coincidencia se muestra en los puntos azules.

Los puntos de características identificados se muestran en azul. A partir de los resultados, podemos observar que la estimación de la línea media real funciona muy bien una vez que se ha estimado la línea media real. El cálculo del desplazamiento horizontal de la línea media S es sencillo.

X ideal es la coordenada X de la línea media ideal, y X actual es la coordenada X de la línea media real estimada. Las imágenes mostradas aquí ilustran tanto la línea media ideal estimada como la línea media real. Además de utilizar el desplazamiento de la línea media, estas características que extraemos pueden proporcionarnos información adicional para predecir los niveles de PIC.

La idea principal consiste en extraer tantas características como sea posible y luego, mediante el uso de métodos de selección de características, poder conservar únicamente aquellas que sean relevantes para proporcionar información sobre ICB. Las características extraídas de las tomografías computarizadas incluyen la cantidad de sangre, el desplazamiento de la línea media y los patrones de textura. Las características provenientes de otras fuentes incluyen información demográfica, como la edad del paciente, la puntuación por trauma y la puntuación por gravedad de la lesión.

Se utiliza un algoritmo de segmentación basado en un modelo de mezcla gaussiana para etiquetar los píxeles. Los píxeles se agrupan en cuatro categorías: líquido cefalorraquídeo, materia gris, materia blanca y textura. Los patrones en las imágenes de TC pueden incluir indicaciones del estado del cerebro.

Niveles elevados de presión intracraneal pueden alterar el patrón de textura. Nos enfocamos principalmente en los patrones de textura en la zona sin líquido cefalorraquídeo o sangre; el análisis de textura se aplica en pequeñas subimágenes o ventanas de la imagen de TC. Se seleccionan seis ventanas en cada imagen de TC.

Las características texturales se extraen utilizando la transformada discreta de Fourier y la transformada discreta de ondículas. La cuestión es que hay mucha información disponible. Esto resulta muy problemático para los médicos, sin importar su experiencia, procesar todas estas señales al mismo tiempo.

Por lo tanto, el proyecto actual, cuyo objetivo es analizar la tomografía computarizada y realizar imágenes automatizadas, sería de gran utilidad para médicos de urgencias y traumatólogos como yo, ya que nos ayudaría a procesar estos datos mucho más rápidamente. El conjunto de datos incluye a 17 pacientes con lesiones cerebrales traumáticas leves a graves. Cada paciente tiene varias tomografías computarizadas, y en el estudio se utilizaron 57 escáneres en total.

Se registra cada hora un valor que representa la presión intracraneal. Existen dos categorías de aumento del nivel de PIC. La PIC se define como una presión intracraneal mayor de 12 tor.

Para la PIC normal, se define como PIC menor o igual a 12 tor. En este conjunto de datos, hay 33 casos normales y 24 casos de PIC elevada. Con el fin de crear el modelo, utilizamos dos etapas de validación cruzada de diez pliegues.

La primera es una etapa anidada en la que se realiza la selección de características. En la segunda etapa, se utiliza un método de búsqueda genética y el clasificador empleado junto con el método de búsqueda es la máquina de vectores de soporte. Esta imagen muestra la estimación ideal de la línea media.

La línea roja es la línea media ideal aproximada basada en la simetría del cráneo. Después de refinarla utilizando características anatómicas, se obtiene una línea media ideal estimada más precisa, que es la línea verde. En la imagen, estas imágenes muestran la línea media real estimada.

Las líneas verdes son la línea media real estimada, y los puntos azules son las plantillas coincidentes. La imagen de la derecha muestra la línea media ideal estimada a la izquierda del centro y la línea media real. A la derecha, podemos observar el desplazamiento resultante de la línea media a partir de la estimación.

Aquí también presentamos los resultados cuantitativos en la evaluación de nuestros métodos. En la mayoría de las cortes de TC en nuestro conjunto de datos, el error entre la línea media ideal estimada por nuestra metodología y las líneas medias marcadas por el médico es de aproximadamente dos píxeles o un milímetro. Para la línea media real, más del 80 % tienen una diferencia menor a 2,25 milímetros bajo un control de calidad determinado de los resultados de segmentación.

La evaluación de la predicción de la presión intracraneal tiene aproximadamente una precisión del 70 % utilizando validación cruzada de diez pliegues. En primer lugar, separamos los procesos de segmentación de bajo nivel y de alto nivel. Aunque este diseño puede beneficiarse de la incorporación de diferentes algoritmos, es posible que no aprovechemos toda la información de la segmentación de bajo nivel.

Al combinar la segmentación de bajo nivel y la segmentación de alto nivel, podríamos obtener mejores resultados de segmentación. Siguiendo esta idea, podemos utilizar métodos como la segmentación basada en modelos o la segmentación basada en registro para lograr una predicción más precisa, así como para proporcionar una evaluación más completa del método propuesto. Recopilar más conjuntos de datos: contar con un tamaño de muestra más grande beneficiará el estudio.