Shift אוטומטי קו אמצע והערכה לחץ תוך גולגולתי מבוססת על תמונות CT מוח

המטרה הכללית של ניסוי זה היא לזהות הסטות של קו האמצע מתמונות CT של מוח של חולים עם פגיעת ראש טראומטית, ובכך להעריך את הלחץ התוך-גולגולתי בתוך המוח. בפרויקט זה, פיתחנו שיטה חישובית לניתוח תמונות ה-CT ולחיזוי הלחץ התוך-גולגולתי או ה-ICP. התמריץ לפרויקט זה הוא העובדה שבמקרים רבים שבהם אנשים סובלים מפגיעות ראש, קיים תמיד חשד שה-ICP או הלחץ התוך-גולגולתי עשויים להיות מוגברים. באמצעות CT, אנו יכולים להעריך נפיחות של המוח, להעריך המטומות, להעריך הסטות של קו האמצע או הסטות של המוח, אך מה שאיננו יכולים לחזות באופן מהימן הוא איזו השפעה יש לכך על הלחץ התוך-גולגולתי, מעבר לכך שבאופן כללי הדבר מעלה אותו במידה מסוימת, וכאן הן מועילות השיטות החישוביות שעליהן עבדנו.

ניתן לחזות ברמת דיוק סבירה מה בדיוק הן ההשפעות של השינויים האנטומיים על הלחץ התוך-גולגולתי. תרשים סכמטי זה מציג סקירה כללית של המתודולוגיה שיושמה במחקר זה. טומוגרפיה ממוחשבת צירית מוכרת יותר בשמותיה המקוצרים, סריקת CT או סריקת CAT.

סריקות ה-CT מופקות מסדרה גדולה של תמונות רנטגן דו-ממדיות שנלקחו סביב ציר סיבוב יחיד. בשלב הראשון של הגישה שלנו, סריקות ה-CT של מטופלים עם פגיעות ראש טראומטיות או TBI נרכשות ומנותחות כדי לזהות את סטיית קו האמצע. השלב הבא כולל חילוץ וניתוח של מאפיינים נוספים, כגון מידע על מרקמים שונים של תמונות ה-CT והערכת כמות הדם.

הגישה שלנו משתמשת גם במאפיינים שהופקו וכן במידע דמוגרפי אחר כדי לחזות את ה-ICP; אלגוריתמים של למידת מכונה משמשים למידול הקשר בין ה-ICP למאפיינים שהופקו. קו האמצע האידיאלי המשוער מזוהה באמצעות הסימטריה של הגולגולת. ראשית, באמצעות סף גווני אפור (gray scale thresholding), הגולגולת מופרדת מפרוסת התמונה.

לאחר מכן, האלגוריתם סורק באופן ממצה כל זווית סיבוב סביב מרכז המסה של הגולגולת כדי למצוא את הקו הממקסם את הסימטריה של חצאי הגולגולת שמתקבלים. קו האמצע האידיאלי המשוער הוא הקו העובר דרך נקודת מרכז המסה בזווית הסיבוב שנמצאה. עם זאת, זיהוי קו האמצע האידיאלי על בסיס סימטריה בלבד עשוי שלא לספק תמיד תוצאות משמעותיות באופן אוטומטי.

לפיכך, בשיטה שלנו, אנו הולכים צעד אחד רחוק יותר כדי למצוא מאפיינים אלקטרוניים ספציפיים, כגון posterior box theory וה-anterior fox attachment, כדי לדייק את מיקומי קו האמין. לאחר מכן, מזוהים ה-posterior fox cere וה-anterior fox attachment לשולי ה-sagittal sulcus כדי לדייק את קו האמצע האידיאלי המשוער, במטרה לזהות מאפיינים אנטומיים אלו במהירות ובדיוק. שנית, מוגדרים שני מלבני חיפוש על בסיס קו האמצע האידיאלי המשוער ושתי נקודות החיתוך שלו.

בגולגולת (calvarium), גודל המלבן נבחר כך שיכלול את המאפיינים האנטומיים שבישוף לגילוי. חיבור האף הקדמי של השועל מזוהה כנקודת השיא של הרכס בגולגולת, בעוד שרכימת האף (cere) של השועל מזוהה כקו אפור באזור האחורי. בליטה גרמית ממוקמת בחלק הקדמי של הגולגולת.

ה-fox cery נמתח מנקודה זו. מאפיין אנטומי זה יכול לשמש כנקודת התחלה לקו האמצע. ניתן לראות שהבליטה מקושת כלפי מטה אל נקודת מינימום מקומית בשפה הקדמית של ה-foxer.

אם נתבונן במקצה התחתון של עצמות הגולגולת כעקומה במישור התמונה, ניתן למדל את העקומה כפונקציה חד-ממדית. זיהוי נקודת הבליטה הופך למשימה של מציאת המינימום של פונקציה חד-ממדית דגימה. עם קבלת סגמנטציה של עצם הגולגולת העליונה, השלב הראשון הוא חילוץ המקצה התחתון של העצם.

השלב הבא כולל זיהוי של הבליטה באמצעות המינימום המקומי. כאן, המינימום המקומי מייצג גם את נקודת הסיום של הבליטה. תרשים סכמטי זה מראה כיצד מזוהה ה"שועל" (fox) בחלק התחתון של המוח.

מכיוון שהמטרה בשלב הראשון היא לזהות קווים בצבע אפור בהיר ולא את הקווים הכהים יותר, נעשה שימוש בערך החציון של האזור כסףת חיתוך. באמצעות סף זה, כל ערכי גווני האפור הנמוכים ממנו נקבעים כערך החציון. לאחר מכן, נעשה שימוש בגלאי קצוות מסוג zero crossing כדי להפיק את מפת הקצוות.

פעולה זו שומרת על קצוות עשירים יותר במהלך זיהוי Sobell ומאפשרת הסרה של קצוות לא רצויים בשלב הבא. מפת הקצוות עוברת לאחר מכן עידון שלב אחר שלב באמצעות מאפיינים ידועים של ה-fox cere. הדבר נעשה תחילה על ידי עידון מפת הקצוות באמצעות עוצמה וגרדיאנט, ולאחר מכן נעשה שימוש בסף הגודל ובסף הריכוז כדי לעדן אותה.

בנוסף, סף הריכוז אינו אלא הצפיפות של נקודות הקצוות. לבסוף, מיושם טרנספורמציית האופ (Hof transform) כדי לזהות קוים המייצגים את השועל. התוצאות של טרנספורמציית ה-HOF הן בדרך כלל קבוצה של קוים.

יש לקבוע מגבלות כדי להפיק את הקווים הרצויים מתוך קבוצה זו. ראשית, זווית הקו חייבת להיות בטווח שבו הקווים מרוכזים. טווח זה מתקבל על ידי חישוב הסטטיסטיקה של הזוויות של הקו שזוהה.

שנית, הקו חייב להישמר בתוך הטווח שבו מרוכז צבר הקווים. קו האמצע האידיאלי הסופי בשלב זה נבחר כקו הארוך ביותר המקיים את האילוצים לעיל. תמונה זו מציגה את שני אזורי העניין ואת קו האמצע האידיאלי המלוטש המבוסס על הבליטות הפנימיות.

הקו הירוק הוא קו האמצע האידיאלי המזוקק, והקו האדום הוא המיקום המשוער של קו האמצע האידיאלי של המוח לפני הזיקוק. תמונה זו מציגה את המודל התלת-ממדי של מערכת הפרוזדורים (ventricular system) יחד עם פרוסה של MRI של המוח. החלק האדום בתמונה מייצג את מערכת הפרוזדורים בתלת-ממד.

מערכת הפרוקי (ventricular system) מורכבת משני פרוקים דו-צדדיים בחלק העליון, מהפרוק השלישי במרכז, ומהפרוק הרביעי בחלק התחתון. הסיבה לכך שאנו מחלצים מידע על פרוק היא שכאשר הלחץ בתוך המוח משתנה עקב פגיעה, הוא מעוות, ולכן הוא מהווה מועמד מתאים למדידת העיוות של רקמת המוח ובמקרים פתולוגיים. בחתכי תמונות MRI או CT עוקבים, מערכת הפרוקי מופיעה בצורות שונות מימין; מוצגות הצורות שחולצו של מערכת הפרוקי מתוך MRI.

מטרת הסגמנטציה של ה-CT היא לזהות צורות אלו מסריקות ה-CT המקוריות. בשיטה המוצעת שלנו, תהליך הסגמנטציה מחולק לשני חלקים. ראשית, מיושמת שיטת סגמנטציה ראשונית ברמה נמוכה כדי לקבץ פיקסלים לחלקים שונים.

לאחר מכן, נעשה שימוש בשיטת התאמת תבנית (template matching) ברמה גבוהה כדי לזהות פרוזדורים (ventricles) מתוך תוצאות הסגמנטציה. תמונה זו ממחישה את הסגמנטציה ברמה נמוכה המבוססת על שיטת תערובת גאוסיאנית. ראשית, תמונות ה-CT המקוריות סוננו באמצעות סינון חציוני (median filtering).

התוצאה מוצגת בתמונה השמאלית. לאחר מכן, מיושם אלגוריתם K-means כדי להשיג סגמנטציה של הגרעין. תוצאה זו מוצגת במרכז.

לאחר יישום אלגוריתם K-means, מיושםתביעת goss ושיטת תערובת (mixture method). התמונה מימין מציגה goss והתפלגויות שונות על גבי התמונה הדו-ממדית, אשר אותחלו. באמצעות אותה סגמנטציה, נעשה שימוש בציפייה-מקסימום (expectation maximization) כדי לפתח את הפרמטרים, ובסופו של דבר מתקבלת תוצאת סגמנטציה מכוילת.

מערכת הפרוקי (the ventricular system) בכיוון Z אינה מראה שונות משמעותית לאורך קבוצת האימון. לכן, ניתן לגשת למיפויים בצורה ליניארית. בשיטה המתוארת כאן, מיפויים אלו מאותחלים תחילה באופן ידני ולאחר מכן מותאם (optimized) באמצעות קבוצה של תמונות אימון.

קיימים שלושה אילוצים לקבלה של סגמנטציה ראשונית של החדרים. ראשית, הסגמנט צריך להיות גדול יחסית. שנית, הסגמנט אינו קרוב לקצה המוח.

שלוש, המקטע חותך את תבנית החדר. האיורים למטה מציגים דוגמה לשלב זיהוי החדר מתוך התוצאות. ניתן לראות שחלקי החדר זוהו בהצלחה באמצעות אילוצי גודל, תיבת תחימה ותבנית.

כדי להעריך את קו האמצע הממשי, אנו ראשית מתאימים את הפרוזות של החדרים (Ventricles) לתבניות באמצעות התאמת צורה. איור זה מציג את תהליך ההתאמה. ראשית, נדגמים נקודות השפה.

לאחר מכן, על ידי אופטימיזציה של עלות ההתאמה בין שתי הצורות, נקבעות ההתאמות בין הנקודות של שתי הצורות. לדוגמה, בשורה השנייה, התמונה האחרונה מציגה את ההתאמה על ידי חיבור הנקודות האדומות מצורה אחת לנקודות הירוקות בצורה השנייה.

מכיוון שמערכת הפרוקיולי הוא מבנה תלת-ממדי ובעל צורות שונות בחתכים שונים של CT, אנו מבצעים התאמת צורות בכל חתכי ה-CT. עבור כל חתך, אנו מגדירים את נקודות המאפיין שניתן להשתמש בהן להערכת קו האמצע. לדוגמה, נקודות המאפיין בצורות של החדרים הצדיים הן נקודות השוליים הפנימיים של שני החדרים הצדיים.

נקודות מאפיין אלו מזוהות על ידי התאמתן לנקודות המאפיין בתבנית, המסומנות ידנית לפני תהליך ההתאמה. כאן אנו מציגים תוצאות התאמה רבות על ידי בחירת תבניות שונות. עבור כל התאמת צורה, קיים עלות התאמה.

על ידי בחירה בעלות ההתאמה המינימלית, אנו מוצאים את התבנית הטובה ביותר לשימוש בהתאמת הצורה ומזהים נקודות מאפיין. בדוגמה זו, הנקודות מתוצאות הסגמנטציה מוצגות בירוק, והנקודות מהתבניות מוצגות באדום. על ידי השוואת עלות ההתאמה, ניתן לראות שהתבנית הראשונה היא הטובה ביותר לשימוש.

לאחר זיהוי נקודות המאפיין, אנו מחשבים את ערכי ה-X של נקודות אלו. בדרך כלל, קיימות נקודות מאפיין בצד שמאל ונקודות מאפיין בצד ימין. ערך ה-X של קו האמצע הממשי מוערך כממוצע של ערכי ה-X של נקודות המאפיין השמאליות והימניות.

כאן אנו מציגים ארבע תוצאות הערכה. הקו האנכי הירוק מייצג את קואורדינטת ה-X המוערכת של קו האמצע בפועל. תבנית ההתאמה מוצגת בנקודות הכחולות.

נקודות המאפיין שזוהו מוצגות בכחול. מהתוצאות ניתן לראות כי הערכת קו האמצע הממשי עובדת היטב לאחר שקו האמצע הממשי מוערך. חישוב הסטייה האופקית של קו האמצע S הוא פשוט.

X ideal הוא ערך ציר ה-X של קו האמצע האידיאלי, ו-X actual הוא ערך ציר ה-X של קו האמצע הממשי המוערך. התמונות המוצגות כאן ממחישות הן את קו האמצע האידיאלי המוערך והן את קו האמצע הממשי. מעבר לשימוש בהסטת קו האמצע, מאפיינים אלו שאנו מחלצים עשויים לספק לנו מידע נוסף לחיזוי רמות של ICP.

הרעיון המרכזי מאחורי גישה זו הוא לחלץ מספר רב ככל האפשר של מאפיינים, ולאחר מכן, באמצעות שיטות לבחירת מאפיינים, להישאר רק עם אותם מאפיינים הרלוונטיים לאספקת מידע על ICB. המאפיינים המופקים מסריקות CT כוללים סטייה של קו האמצע, כמות דם ותבניות מרקם. מאפיינים ממקורות אחרים כוללים מידע דמוגרפי כגון גיל המטופל, מדד טראומה ומדד חומרת פגיעה.

אלגוריתם סגמנטציה המבוסס על מודל תערובת גאוסיאנית משמש לסיווג הפיקסלים. הפיקסלים מקובצים לארבע קטגוריות: דם, נוזל מוחי, חומר אפור ומרקם של חומר לבן. תבניות בדימויי ה-CT עשויות לכלול אינדיקציות למצב המוח.

רמות גבוהות של לחץ תו-גולגולתי עשויות לשנות את תבנית המרקם. אנו מתמקדים בעיקר בתבניות המרקם באזור ללא נוזל צרבי-שדרתי, או שניתוח מרקם של דם מיושם על תתי-תמונות קטנות או חלונות של תמונת ה-CT. שישה חלונות נבחרים בכל תמונת CT.

מאפייני מרקם מופקים באמצעות התמרת פורייה בדידה והתמרת וייבלט בדידה. השורה התחתונה היא שקיים מידע רב כל כך, עד שעיבוד כל האותות הללו בו-זמנית הופך לבעייתי מאוד עבור רופאים, ללא קשר לרמת ניסיונם.

לפיכך, הפרויקט הנוכחי, שמטרתו לבחון סריקות CAT ולבצע דימות אוטומטי, יהיה לשימושם של רופאי מיון וטראומטולוגים כמותי, ויסייע לנו לעבד נתונים אלו במהירות רבה יותר. מערך הנתונים כולל 17 מטופלים עם פגיעות ראש טראומטיות קלות עד חמורות. לכל מטופל יש מספר סריקות CT, ובסה"כ נעשה שימוש ב-57 סריקות במחקר.

ערך המייצג את הלחץ התוך-גולגולתי נרשם מדי שעה. קיימות שתי קטגוריות של רמות ICP מוגברות. ICP מוגדר כערך הגבוה מ-12 tor.

עבור ICP תקין, ההגדרה היא ICP השווה או נמוך מ-12 tor. במערך נתונים זה, ישנם 33 מקרים תקינים ו-24 מקרים של ICP מוגבר. כדי ליצור את המודל, השתמשנו בשני שלבים של תיקוף צולב עשיר (tenfold cross validation).

השלב הראשון הוא שלב מקונן שבו מתבצע בחירת מאפיינים. בשלב השני, נעשה שימוש בשיטת חיפוש גנטית, והמסווג שנעשה בו שימוש בשילוב עם שיטת החיפוש הוא מכונת וקטורים תומכים (support vector machine). תמונה זו מציגה את האומדן האידיאלי של קו האמצע.

הקו האדום הוא קו האמצע האידיאלי המשוער המבוסס על הסימטריה של הגולגולת. לאחר זירוף באמצעות מאפיינים אנטומיים, התקבלנו להערכה מדויקת יותר של קו האמצע האידיאלי, המיוצג על ידי הקו הירוק. בתמונה זו מוצג קו האמצע המשוער בפועל.

הקוים הירוקים הם קו האמצע הממשי המוערך, והנקודות הכחולות הן תבניות תואמות. התמונה מימין מראה את קו האמצע האידיאלי המוערך משמאל למרכז ואת קו האמצע הממשי. מימין, ניתן לראות את סטיית קו האמצע שנוצרה כתוצאה מההערכה.

כאן אנו מציגים גם את התוצאות הכמותיות בהערכת השיטות שלנו. ברוב פרוסות ה-CT במערך הנתונים שלנו, השגיאה בין קו האמצע האידיאלי המוערך על ידי המתודולוגיה שלנו לבין קווי האמצע שסומנו על ידי הרופא היא כ-שני פיקסלים או מילימטר אחד. עבור קו האמצע בפועל, ליותר מ-80% יש הבדל של פחות מ-2.25 מילימטר תחת בקרת איכות מסוימת של תוצאות הסגמנטציה.

הערכת חיזוי הלחץ הבין-גולגולתי הגיעה לדיוק של כ-70% באמצעות אימות צולב עשיר-פעמים (tenfold cross validation). ראשית, הפרדנו בין תהליכי הסגמנטציה ברמה הנמוכה לרמה הגבוהה. למרות שעיצוב זה יכול להפיק תועלת משילוב של אלגוריתמים שונים, ייתכן שאיננו מנצלים את כל המידע בסגמנטציה ברמה הנמוכה.

על ידי שילוב של סגמנטציה ברמה נמוכה וסגמנטציה ברמה גבוהה, ניתן להגיע לתוצאות סגמנטציה טובות יותר. בהתבסס על רעיון זה, ניתן להשתמש בשיטות כגון סגמנטציה מבוססת מודל או סגמנטציה מבוססת רישום (registration) כדי להשיג תחזית מדויקת יותר, וכן כדי לספק הערכה רחבה יותר של השיטה המוצעת. איסוף של מערכי נתונים נוספים להגדלת גודל המדגם יתרום למחקר.