Automatizzato Maiusc Midline e stima della pressione intracranica in base cerebrali Immagini CT

L'obiettivo generale di questo esperimento è rilevare spostamenti della linea mediana a partire da immagini TC cerebrali di pazienti con lesione cerebrale traumatica, stimando così la pressione intracranica all'interno del cervello. In questo progetto, abbiamo sviluppato un metodo computazionale per analizzare le immagini TC e prevedere la pressione intracranica, o ICP. La motivazione di questo progetto risiede nel fatto che in molti casi di trauma cranico sussiste sempre il sospetto che la ICP, ovvero la pressione intracranica, possa essere aumentata. Mediante una TC, possiamo valutare il gonfiore cerebrale, possiamo rilevare ematomi, possiamo osservare spostamenti della linea mediana o spostamenti parziali del cervello, ma ciò che non possiamo prevedere in modo affidabile è l'effetto che tali alterazioni hanno sulla pressione intracranica, se non in termini generali, ossia che la aumentano fino a un certo grado. È proprio in questo contesto che i metodi computazionali su cui abbiamo lavorato risultano utili.

È in grado di prevedere con un livello ragionevole di accuratezza gli effetti esatti che i cambiamenti anatomici hanno sulla pressione intracranica. Questo diagramma schematico presenta una panoramica della metodologia impiegata in questa ricerca. La tomografia assiale computerizzata è più comunemente nota con i suoi nomi abbreviati, TAC o scansione CAT.

Le scansioni TC vengono sviluppate a partire da una lunga serie di immagini a raggi X bidimensionali acquisite attorno a un singolo asse di rotazione. Nel primo passaggio del nostro approccio, vengono acquisite e analizzate le scansioni TC dei pazienti con lesioni cerebrali traumatiche, o TBI, al fine di rilevare lo spostamento della linea mediana. Il passaggio successivo comprende l'estrazione e l'analisi di altre caratteristiche, come diverse informazioni di texture delle immagini TC e la stima della quantità di sangue.

Il nostro approccio utilizza inoltre le caratteristiche estratte e altre informazioni demografiche per prevedere la PEC; algoritmi di apprendimento automatico vengono impiegati per modellare la relazione tra la PEC e le caratteristiche estratte. La linea mediana approssimativamente ideale viene rilevata sfruttando la simmetria del cranio. Inizialmente, mediante una soglia di intensità in scala di grigi, il cranio viene segmentato dalla sezione dell'immagine.

Successivamente, l'algoritmo esplora in modo esaustivo ogni angolo di rotazione attorno al centro di massa del cranio per individuare la linea che massimizza la simmetria delle due metà risultanti del cranio. La linea mediana approssimativa è quella che passa per il punto centrale di massa con l'angolo di rotazione. Massimizzando la simmetria, rilevare la linea mediana ideale sulla base della sola simmetria potrebbe non fornire sempre automaticamente risultati significativi.

Pertanto, nel nostro metodo, compiamo un ulteriore passo avanti per individuare caratteristiche elettroniche specifiche, come la teoria della scatola posteriore e l'attacco della volpe anteriore, al fine di affinare la posizione della linea amminica. Successivamente, vengono identificati il cere della volpe posteriore e l'attacco della volpe anteriore ai margini del solco sagittale per perfezionare l'individuazione della linea mediana ideale approssimativa, in modo da rilevare rapidamente e con precisione queste caratteristiche anatomiche. In secondo luogo, vengono definiti dei rettangoli di ricerca in base alla linea mediana ideale approssimativa e ai suoi due punti di intersezione.

Con il cranio, la dimensione del rettangolo viene scelta in modo da includere le caratteristiche anatomiche da rilevare. L'attaccatura anteriore della volpe viene rilevata come punto massimo della cresta sul cranio, mentre il cranio della volpe viene rilevato come linea grigia nella regione posteriore. Una sporgenza ossea si trova nella sezione anteriore del cranio.

La cresta della volpe si estende a partire da questo punto. Questa caratteristica anatomica può essere utilizzata come punto di partenza per la linea mediana. Si può osservare che la sporgenza curva verso il basso fino a un punto di minimo locale al margine anteriore della volpe.

Se si considera il margine inferiore delle ossa del cranio come una curva sul piano dell'immagine, allora tale curva può essere modellata come una funzione unidimensionale. La rilevazione del punto di sporgenza diventa una questione di individuare il minimo di una funzione unidimensionale campionata. A partire dall'osso cranico segmentato superiore, il primo passo consiste nell'estrarre il margine inferiore dell'osso.

Il passo successivo prevede il rilevamento della protrusione mediante il minimo locale. In questo caso, il minimo locale rappresenta anche il punto terminale della protrusione. Questo diagramma schematico mostra come viene rilevata la volpe nella parte inferiore del cervello.

Poiché l'obiettivo è rilevare le linee grigio chiaro e non quelle più scure nel primo passaggio, come soglia viene utilizzato il valore mediano dell'area. Utilizzando questa soglia, tutti i valori della scala di grigi inferiori ad essa vengono impostati al valore mediano. Successivamente, viene utilizzato un rilevatore di bordi a zero crossing per generare la mappa dei bordi.

Questo mantiene bordi più definiti durante il rilevamento sobell e consente la rimozione dei bordi indesiderati nel passaggio successivo. La mappa dei bordi viene quindi affinata passo dopo passo utilizzando caratteristiche note del cervello della volpe. Questo viene effettuato inizialmente affinando la mappa dei bordi mediante intensità e gradiente, per poi applicare una soglia di dimensione e una soglia di concentrazione per perfezionarla ulteriormente.

Inoltre, qui la soglia di concentrazione non è altro che la densità dei punti del contorno. Infine, si applica la trasformata di Hof per rilevare le linee rappresentanti la volpe.Sarah. I risultati della trasformata HOF sono solitamente un insieme di linee.Due.

Devono essere stabiliti dei vincoli per estrarre le linee desiderate da questo insieme. Innanzitutto, l'angolo della linea deve rientrare nel range in cui le linee sono concentrate. Questo intervallo si ottiene calcolando le statistiche degli angoli delle linee rilevate.

In secondo luogo, la linea deve trovarsi all'interno dell'intervallo in cui è concentrato il gruppo di linee. La linea mediana ideale finale in questa fase viene scelta come la linea più lunga che soddisfa i suddetti vincoli. Questa immagine mostra le due regioni di interesse e la linea mediana ideale perfezionata in base alle protrusioni interne.

La linea verde è la linea mediana ideale affinata, mentre la linea rossa indica la posizione approssimativa della linea mediana ideale del ventricolo prima dell'affinamento. Questa immagine mostra il modello tridimensionale del sistema ventricolare con la presenza di una sezione MRI del cervello. La parte rossa dell'immagine rappresenta il sistema ventricolare in 3D.

Il sistema ventricolare è costituito da due ventricoli laterali nella parte superiore, dal terzo ventricolo al centro e dal quarto ventricolo nella parte inferiore. La ragione per cui si estraggono informazioni relative a un ventricolo è che, quando la pressione all'interno del cervello cambia a seguito di un trauma, il ventricolo si deforma; pertanto rappresenta un parametro adatto per misurare la deformazione del tessuto cerebrale e per analizzare casi patologici. In successivi tagli di immagini MRI o TC, il sistema ventricolare appare con forme diverse a destra; a sinistra sono mostrate le forme estratte del sistema ventricolare ottenute da una risonanza magnetica.

Lo scopo della segmentazione TC è identificare queste forme dalle scansioni TC originali. Nel nostro metodo proposto, il processo di segmentazione è suddiviso in due parti. Innanzitutto, viene applicato un metodo di segmentazione iniziale a basso livello per raggruppare i pixel in diverse parti.

Successivamente, viene utilizzato un metodo di confronto basato su modelli di alto livello per identificare i ventricoli dai risultati della segmentazione. Questa immagine illustra la segmentazione di basso livello basata su un metodo di miscela gaussiana. Innanzitutto, le immagini TC originali vengono filtrate mediante un filtro mediano.

Il risultato è mostrato nell'immagine a sinistra. Successivamente, viene applicato l'algoritmo K-means per ottenere una segmentazione del nucleo. Questo risultato è mostrato nell'immagine centrale.

Dopo l'applicazione dell'algoritmo K-means, viene quindi applicato il metodo goss e mistura. L'immagine a destra mostra un diverso goss e le distribuzioni nell'immagine 2D, che vengono inizializzate. Utilizzando la stessa segmentazione, il massimo valore atteso viene impiegato per far evolvere i parametri e, infine, si ottiene un risultato di segmentazione ottimizzato.

Il sistema ventricolare nella direzione Z non mostra variazioni significative all'interno del set di addestramento. Pertanto, le corrispondenze possono essere approssimate con una forma lineare. Nel metodo descritto qui, queste corrispondenze vengono inizializzate manualmente e successivamente ottimizzate utilizzando un insieme di immagini di addestramento.

Vi sono tre vincoli per accettare la segmentazione iniziale del ventricolo. Primo, il segmento deve essere relativamente grande. Secondo, il segmento non è vicino al margine del cervello.

Punto tre, il segmento interseca il modello del ventricolo. Le figure in basso mostrano un esempio del passaggio di riconoscimento del ventricolo risultante. Si può osservare che le parti del ventricolo vengono correttamente riconosciute utilizzando vincoli di dimensione, di riquadro delimitatore e di modello.

Per stimare la linea mediana effettiva, innanzitutto si confrontano i ventricoli segmentati con i modelli mediante l'allineamento di forma. Questa figura mostra il processo di abbinamento. In primo luogo, vengono campionati i punti del bordo.

Quindi ottimizzando un costo di corrispondenza tra le due forme. Vengono stabilite le corrispondenze tra i punti delle due forme. Ad esempio, nella seconda riga, l'ultima immagine mostra la corrispondenza collegando i punti rossi di una forma ai punti verdi dell'altra forma.

Poiché il sistema ventricolare è una struttura tridimensionale e presenta forme diverse in diverse sezioni TC, eseguiamo il confronto di forma su tutte le sezioni TC. Per ogni sezione, definiamo i punti caratteristici che possono essere utilizzati per stimare la linea mediana. Ad esempio, i punti caratteristici nelle forme dei ventricoli laterali sono i punti del margine interno dei due ventricoli laterali.

Questi punti caratteristici vengono identificati in base alla loro corrispondenza con i punti caratteristici del modello, che sono etichettati manualmente prima del processo di abbinamento. Qui mostriamo numerosi risultati di abbinamento scegliendo modelli diversi. Per ogni abbinamento di forma, è presente un costo di corrispondenza.

Selezionando il costo minimo di corrispondenza, individuiamo il modello migliore da utilizzare nell'allineamento delle forme e nell'identificazione dei punti caratteristici. In questo esempio, i punti derivanti dai risultati della segmentazione sono mostrati in verde, mentre i punti provenienti dai modelli sono mostrati in rosso. Confrontando il costo di corrispondenza, possiamo osservare che il primo modello è quello più adatto da utilizzare.

Dopo aver identificato i punti caratteristici, calcoliamo le coordinate X di questi punti. Solitamente, sono presenti punti caratteristici sul lato sinistro e punti caratteristici sul lato destro. La coordinata X della linea mediana effettiva viene stimata come media della coordinata X dei punti caratteristici sinistro e destro.

Qui mostriamo quattro risultati di stima. La linea verticale verde rappresenta la coordinata X stimata della linea mediana reale. Il modello di corrispondenza è mostrato nei punti blu.

I punti caratteristici identificati sono mostrati in blu. Dai risultati, si può osservare che la stima della linea mediana reale funziona molto bene una volta che la linea mediana reale è stata stimata. Il calcolo dello spostamento orizzontale della linea mediana S è semplice.

X ideale è la coordinata X della linea mediana ideale, e X effettivo è la coordinata X della linea mediana effettiva stimata. Le immagini mostrate qui illustrano sia la linea mediana ideale stimata sia la linea mediana effettiva. Oltre allo spostamento della linea mediana, queste caratteristiche che estraiamo possono fornirci ulteriori informazioni nella previsione dei livelli di PIC.

L'idea principale alla base di questo approccio è estrarre il maggior numero possibile di caratteristiche e, successivamente, mediante metodi di selezione delle caratteristiche, mantenere solo quelle rilevanti per fornire informazioni sulla ICB. Le caratteristiche estratte dalle scansioni TC includono lo spostamento della linea mediana, la quantità di sangue e i modelli di tessitura. Le caratteristiche provenienti da altre fonti includono informazioni demografiche come l'età del paziente, il punteggio relativo al trauma e il punteggio di gravità della lesione.

Viene utilizzato un algoritmo di segmentazione basato su un modello di miscuglio gaussiano per etichettare i pixel. I pixel vengono raggruppati in quattro categorie: liquido cerebrospinale, materia grigia e tessuto della materia bianca. I pattern nelle immagini TC possono includere indicazioni sullo stato del cervello.

Livelli elevati di pressione intracranica possono modificare il modello di trama. Ci concentriamo principalmente sui modelli di trama nell'area priva di liquido cerebrospinale o sangue; l'analisi della trama viene applicata su piccole sottoimmagini o finestre dell'immagine TC. Vengono selezionate sei finestre in ciascuna immagine TC.

Le caratteristiche testurali vengono estratte utilizzando la trasformata di Fourier discreta e la trasformata wavelet discreta. Il punto è che esiste una quantità enorme di informazioni disponibili. Diventa molto difficile per i medici, indipendentemente dalla loro esperienza, elaborare tutti questi segnali contemporaneamente.

Pertanto, l'attuale progetto, che mira ad analizzare la TAC ed eseguire un'imaging automatizzata, sarebbe di grande utilità per i medici d'urgenza e i traumatologi come me, aiutandoci ad elaborare questi dati molto più rapidamente. Il dataset comprende 17 pazienti con lesioni cerebrali traumatiche da lievi a gravi. Ogni paziente ha sottoposto a diverse TAC, e nello studio sono state utilizzate complessivamente 57 scansioni.

Un valore rappresentante la pressione intracranica viene registrato ogni ora. Esistono due categorie di livelli di PIC elevati. La PIC è definita come pressione intracranica maggiore di 12 tor.

Per la PSC normale, si intende una PSC minore o uguale a 12 tor. In questo dataset, ci sono 33 casi normali e 24 casi di PSC elevata. Per creare il modello, utilizziamo due stadi di validazione incrociata dieci volte.

La prima è una fase annidata in cui viene effettuata la selezione delle caratteristiche. Nella seconda fase, viene utilizzato un metodo di ricerca genetica e il classificatore impiegato in combinazione con il metodo di ricerca è la macchina a vettori di supporto. Questa immagine mostra la stima ideale della linea mediana.

La linea rossa è la linea mediana ideale approssimativa basata sulla simmetria del cranio. Dopo il perfezionamento mediante le caratteristiche anatomiche, si ottiene una stima più accurata della linea mediana ideale, rappresentata dalla linea verde. Nell'immagine, queste immagini mostrano la linea mediana reale stimata.

Le linee verdi rappresentano la linea mediana effettiva stimata, mentre i punti blu sono i modelli corrispondenti. L'immagine a destra mostra la linea mediana ideale stimata a sinistra del centro e la linea mediana effettiva. A destra, è possibile osservare lo spostamento risultante della linea mediana rispetto alla stima.

Presentiamo qui anche i risultati quantitativi nella valutazione dei nostri metodi. Nella maggior parte delle sezioni TC del nostro dataset, l'errore tra la linea mediana ideale stimata dalla nostra metodologia e le linee mediane etichettate dal medico è di circa due pixel o un millimetro. Per la linea mediana effettiva, oltre l'80% presenta una differenza inferiore a 2,25 millimetri, a seguito di un determinato controllo di qualità dei risultati di segmentazione.

La valutazione della previsione della pressione intracranica raggiunge un'accuratezza di circa il 70% utilizzando la validazione incrociata dieci volte. Prima di tutto, separiamo i processi di segmentazione a livello basso e a livello alto. Sebbene questo approccio possa trarre vantaggio dall'integrazione di diversi algoritmi, potremmo non sfruttare appieno tutte le informazioni ottenute dalla segmentazione a livello basso.

Combinando la segmentazione a basso livello e quella ad alto livello, potremmo ottenere risultati di segmentazione migliori. Seguendo questa idea, possiamo utilizzare metodi come la segmentazione basata su modelli o la segmentazione basata su registrazione, al fine di ottenere una previsione più accurata e fornire ulteriori valutazioni del metodo proposto. Raccogliere più set di dati per ottenere una dimensione campionaria più ampia sarà vantaggioso per lo studio.