脳のCT画像に基づく自動ミッドラインシフト、頭蓋内圧の推定

この実験の目的は、外傷性脳損傷患者の脳CT画像から正中線偏移（ミッドラインシフト）を検出し、それによって脳内の頭蓋内圧を推定することです。本プロジェクトでは、CT画像を解析して頭蓋内圧（ICP）を予測する計算手法を開発しました。このプロジェクトの背景には、頭部外傷を負った多くの症例において、常にICPまたは頭蓋内圧の上昇が疑われるという事実があります。CT検査によって、脳の腫脹、血腫、あるいは正中線偏移や脳の側方偏移を評価することは可能ですが、それが頭蓋内圧にどのような影響を与えるかを、一般的に「ある程度上昇させる」ということ以外に、確実に予測することは困難です。ここに、我々が取り組んできた計算手法が有用であるという点があります。

解剖学的変化が頭蓋内圧にどのような影響を及ぼすかを、かなりの精度で予測することが可能です。この概略図は、本研究で採用された手法の概要を示しています。コンピュータ断層撮影は、一般にCTスキャンまたはCATスキャンという略称で知られています。

CTスキャンは、単一の回転軸を中心に撮影された一連の大量の2次元X線画像から構成されます。本アプローチの最初のステップでは、外傷性脳損傷（TBI）患者のCTスキャンを取得し、正中線偏移（midline shift）を検出するために解析を行います。次のステップでは、CT画像のさまざまなテクスチャ情報や出血量の推定など、その他の特徴量の抽出および解析を行います。

本アプローチでは、抽出された特徴量およびその他の人口統計学的情報を利用してICPを予測し、ICPと抽出特徴量との関係をモデル化するために機械学習アルゴリズムを使用します。頭蓋骨の対称性を利用して、近似的な理想的正中線が検出されます。まず、グレースケールしきい値処理を用いて、画像スライスから頭蓋骨をセグメンテーションします。

次に、アルゴリズムが頭蓋骨の重心周囲のあらゆる回転角を網羅的に探索し、分割後の頭蓋骨の両半分の対称性を最大化する直線を特定します。近似的な理想的正中線は、その回転角で重心点を通る直線となります。対称性を最大化させ、対称性のみに基づいて理想的な正中線を検出しても、常に自動的に有意義な結果が得られるとは限りません。

したがって、本手法では、アミンラインの位置を精査するために、後方ボックス理論や前方フォックス付着部などの特定の電子的特徴を特定するというさらなるステップを導入しています。次に、これらの解剖学的特徴を迅速かつ正確に検出するため、後方フォックス cere および正中溝の縁への前方フォックス付着部を特定し、近似的な理想的正中線を精査します。2つ目に、この近似的な理想的正中線とその2つの交点に基づいて、探索矩形を定義します。

頭蓋冠において、検出したい解剖学的特徴が含まれるように矩形のサイズを選択します。前方のキツネの付着部は頭蓋冠上の隆起の頂点として検出され、後方領域のキツネの蝋膜は灰色の線として検出されます。頭蓋骨の前方部分には骨突出が存在します。

fox ceryはこの点から延びています。この解剖学的特徴は、正中線の起点として利用できます。この突出部は、foxerの前縁にある局所的な最小点に向かって下方へ湾曲していることがわかります。

頭蓋骨の下縁を画像平面上の曲線として捉えれば、その曲線は1次元関数としてモデル化できます。突出点の検出は、サンプリングされた1次元関数の最小値を見つける問題となります。セグメンテーションされた上部の頭蓋骨を入力として、まず最初に行うステップは骨の下縁を抽出することです。

次のステップでは、ローカルミニマ（局所最小値）を用いて突起を検出します。ここでは、このローカルミニマが突起の終点にもなります。この概略図は、脳の下部にあるfoxがどのように検出されるかを示しています。

最初のステップでは、濃い色の線ではなく薄い灰色の線を検出することが目的であるため、領域の中央値をしきい値として使用します。このしきい値を用いて、それより低いすべてのグレースケール値を中央値に設定します。その後、ゼロクロスエッジ検出器を用いてエッジマップを生成します。

これにより、Sobel検出時にエッジの情報がより豊富に保持され、次のステップで不要なエッジを除去することが可能になります。その後、キツネの脳（fox cere）の既知の特徴を用いて、エッジマップを段階的に精緻化します。まず、輝度と勾配を用いてエッジマップを精緻化した後、サイズしきい値と濃度しきい値を用いてさらに精緻化を行います。

さらに、ここでの濃度しきい値は、エッジ点の密度に他なりません。最後に、フォックスを表す直線を検出するためにハフ変換を適用します。ハフ変換の結果は、通常、一連の直線となります。

このセットから望ましい直線を抽出するために、制約を設定する必要があります。まず、直線の角度が直線が集中している範囲内にある必要があります。この範囲は、検出された直線の角度の統計量を算出することで得られます。

次に、その線は直線のクラスターが集中している範囲内に位置していなければなりません。この段階における最終的な理想的な中心線は、上記の制約を満たす最も長い線として選択されます。この画像は、2つの関心領域と、内側の突出部に基づいて精査された理想的な中心線を示しています。

緑色の線は精緻化された理想的な正中線であり、赤色の線は精緻化前の脳の理想的な正中線の近似位置です。この画像は、脳のMRIスライスを伴う脳室系の3Dモデルを示しています。画像の赤い部分は、3Dで表現された脳室系を表しています。

脳室系は、上部の左右一対の側脳室、中央の第三脳室、および下部の第四脳室で構成されています。脳室に関する情報を抽出する理由は、損傷によって脳内の圧力が変化した際に脳室が変形するため、脳組織の変形や病理学的症例を測定するための適切な指標となるからです。連続するMRIまたはCT画像のスライスにおいて、脳室系は右図のようなさまざまな形状で現れます。ここでは、MRIから抽出された脳室系の形状を示しています。

CTセグメンテーションの目的は、元のCTスキャンからこれらの形状を特定することです。提案手法では、セグメンテーションプロセスを2つのパートに分けて行います。まず、初期段階の低レベルセグメンテーション手法を適用し、画素を異なる領域にグループ化します。

次に、セグメンテーション結果から脳室を特定するために、ハイレベルなテンプレートマッチング法を用います。この画像は、ガウス混合法に基づくローレベルのセグメンテーションを示しています。まず、元のCT画像をメディアンフィルタリングを用いてフィルタリングします。

結果を左の画像に示します。その後、K-meansアルゴリズムを適用してコアセグメンテーションを行います。この結果を中央に示します。

K-meansアルゴリズムを適用した後、gossおよび混合法を適用します。右側の画像は、初期化された2D画像上の異なるgossおよび分布を示しています。このセグメンテーションを用いて期待値最大化法（EMアルゴリズム）を適用し、パラメータを進化させることで、最終的に調整されたセグメンテーション結果が得られます。

Z方向における心室系は、トレーニングセット全体で顕著な変動を示しません。したがって、マッピングは線形形式で近似することが可能です。ここで述べる手法では、これらのマッピングをまず手動で初期化し、その後、一連のトレーニング画像を用いて最適化します。

初期の心室セグメンテーションを受け入れるには3つの制約があります。1つ目は、セグメントが比較的大きい必要があることです。2つ目は、セグメントが脳の端に近くないことです。

3番目に、セグメントが心室テンプレートと交差します。下部の図は、結果から得られた心室認識ステップの例を示しています。サイズ、バウンディングボックス、およびテンプレートの制約を用いることで、心室部位が正常に認識されていることがわかります。

実際の正中線を推定するために、まずセグメンテーションされた脳室を形状マッチングによってテンプレートと照合します。この図は、そのマッチングのプロセスを示しています。まず、エッジポイントをサンプリングします。

次に、2つの形状の整合コストを最適化することにより、2つの形状間の点同士の対応付けを行います。例えば、2行目の最後の画像では、一方の形状の赤点からもう一方の形状の緑点へ線を結ぶことで、その対応関係が示されています。

脳室系は3次元構造であり、CTスライスごとに形状が異なるため、すべてのCTスライスにわたって形状マッチングを行います。各スライスにおいて、正中線を推定するために使用できる特徴点を定義します。例えば、側脳室の形状における特徴点は、左右の両側脳室の内縁点となります。

これらの特徴点は、マッチングプロセスの前に手動でラベル付けされたテンプレート上の特徴点との対応によって特定されます。ここでは、異なるテンプレートを選択した際の多くのマッチング結果を示します。各形状マッチングには、マッチングコストが存在します。

最小のマッチングコストを選択することで、形状マッチングに使用する最適なテンプレートを決定し、特徴点を特定します。この例では、セグメンテーション結果からの点は緑色で、テンプレートからの点は赤色で示されています。マッチングコストを比較することで、最初のテンプレートが最適であることがわかります。

特徴点を特定した後、これらの特徴点のX座標を算出します。通常、左側に特徴点があり、右側にも特徴点があります。実際の中心線のX座標は、左側と右側の特徴点のX座標の平均として推定します。

ここでは4つの推定結果を示します。緑色の垂直線は、実際の正中線の推定X座標を表しています。マッチテンプレートは青色の点で示されています。

特定された特徴点は青色で示されています。結果から、実際の正中線が推定された後、その推定が非常にうまく機能していることがわかります。水平方向の正中線シフト S の算出は簡単です。

X idealは理想的な正中線のX座標であり、X actualは推定された実際の正中線のX座標です。ここに示されている画像は、推定された理想的な正中線と実際の正中線の両方を例示しています。正中線シフトを用いる以外に、抽出したこれらの特徴がICPレベルの予測において追加の情報をもたらす可能性があります。

このアプローチの主な概念は、可能な限り多くの特徴量を抽出し、その後、特徴量選択法を用いることで、ICB情報の提供に関連する特徴量のみを保持することにあります。CTスキャンから抽出される特徴量には、正中線偏移、血腫量、およびテクスチャパターンが含まれます。その他のソースからの特徴量には、患者の年齢、トラウマスコア、および傷害重症度スコアなどの人口統計学的情報が含まれます。

ガウス混合モデルに基づくセグメンテーションアルゴリズムを使用して、ピクセルをラベル付けします。ピクセルは、血液、脳脊髄液、灰白質、および白質テクスチャの4つのカテゴリーに分類されます。CT画像におけるパターンには、脳の状態を示す指標が含まれる場合があります。

頭蓋内圧が高くなると、テクスチャパターンが変化する可能性があります。本研究では主に、脳脊髄液が存在しない領域のテクスチャパターンに注目し、CT画像の小さなサブイメージまたはウィンドウに対してテクスチャ解析を適用します。各CT画像から6つのウィンドウを選択します。

テクスチャ特徴量は、離散フーリエ変換および離散ウェーブレット変換を用いて抽出されます。要するに、利用可能な情報があまりに膨大であるということです。そのため、医師がいかに経験豊富であっても、これらすべての信号を同時に処理することは非常に困難になります。

したがって、CTスキャンを解析し、自動画像診断を行うことを目的とした現在のプロジェクトは、私のような救急医や外傷外科医にとって、データの処理時間を大幅に短縮できる非常に有用なツールとなるでしょう。データセットには、軽度から重度の外傷性脳損傷を持つ17名の患者が含まれています。各患者について複数のCTスキャンが撮影されており、本研究では合計57件のスキャンが使用されています。

頭蓋内圧を表す値が1時間ごとに記録されます。ICPレベルの上昇には2つのカテゴリーがあります。ICPは、12 torを超えるICPと定義されます。

正常なICPは、12 tor以下と定義されます。このデータセットには、正常例が33例、ICP上昇例が24例含まれています。モデルを作成するために、2段階の10分割交差検証を用います。

第一の段階は、特徴選択が行われるネストされたステージです。第二の段階では、遺伝的探索法が用いられ、その探索法と併せてサポートベクターマシンによる分類器が使用されます。この画像は、理想的な正中線推定を示しています。

赤線は、頭蓋骨の対称性に基づいた概算の理想的な正中線です。解剖学的特徴を用いて調整した後、より精度の高い理想的な正中線の推定値が得られ、それが緑線となります。これらの画像では、推定された実際の正中線が示されています。

緑色の線は推定された実際の中央線であり、青色の点はマッチングされたテンプレートです。右側の画像は、中心の左側にある推定された理想的な中央線と、実際の中央線を示しています。右側では、推定による結果的な中央線のずれを確認できます。

ここでは、我々の手法の評価における定量的な結果についても提示します。データセット内のほとんどのCTスライスにおいて、我々の手法で推定した理想的な正中線と、医師がラベル付けした正中線との誤差は約2ピクセルまたは1mmでした。実際の正中線については、セグメンテーション結果に一定の品質管理を適用した条件下で、80%以上が2.25mm未満の差となっていました。

頭蓋内圧予測の評価では、10分割交差検証を用いて約70%の正解率（Accuracy）が得られました。まず、低レベルのセグメンテーションプロセスと高レベルのセグメンテーションプロセスを分離します。この設計は異なるアルゴリズムを組み込めるという利点がある一方で、低レベルセグメンテーションにおけるすべての情報を活用できていない可能性があります。

低レベルセグメンテーションと高レベルセグメンテーションを組み合わせることで、より優れたセグメンテーション結果が得られる可能性があります。この考えに基づき、モデルベースのセグメンテーションやレジストレーションベースのセグメンテーションなどの手法を用いることで、予測精度の向上を図るとともに、提案手法のさらなる評価を行うことができます。また、より多くのデータセットを収集してサンプルサイズを拡大させることは、本研究にとって有益であると考えられます。