뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정

본 실험의 전반적인 목적은 외상성 뇌 손상 환자의 뇌 CT 영상에서 정중선 이동을 감지하여 뇌 내부의 두개강 내압을 추정하는 것입니다. 본 프로젝트에서 우리는 CT 영상을 분석하고 두개강 내압(ICP)을 예측하기 위한 계산 방법을 개발하였습니다. 이 프로젝트의 동기는 머리 부상을 입은 많은 사례에서 ICP 또는 두개강 내압이 상승했을 가능성이 항상 의심된다는 점에 있습니다. CT를 통해 뇌 부종, 혈종, 정중선 이동 또는 뇌의 부분적 이동을 평가할 수 있지만, 이러한 현상이 두개강 내압에 어떤 영향을 미치는지 일반적으로 압력을 어느 정도 높인다는 것 외에 신뢰성 있게 예측하는 것은 불가능합니다. 바로 이 지점에서 우리가 연구해 온 계산 방법들이 도움이 됩니다.

해부학적 변화가 두개내압에 정확히 어떤 영향을 미치는지 상당히 정확한 수준으로 예측할 수 있습니다. 이 도식도는 본 연구에 적용된 방법론의 개요를 보여줍니다. 컴퓨터 단층 촬영은 약어로 CT 스캔 또는 CAT 스캔으로 더 흔히 알려져 있습니다.

CT 스캔은 단일 회전축을 중심으로 촬영한 일련의 대량의 2차원 X선 영상을 통해 생성됩니다. 본 연구 방법의 첫 번째 단계에서는 외상성 뇌 손상(TBI) 환자의 CT 스캔 영상을 획득하고 분석하여 정중선 변위(midline shift)를 검출합니다. 다음 단계에서는 CT 영상의 다양한 질감 정보 및 혈액량 추정과 같은 다른 특징들의 추출 및 분석이 수행됩니다.

본 연구의 접근 방식에서는 추출된 특징과 기타 인구통계학적 정보를 사용하여 ICP를 예측하며, ICP와 추출된 특징 사이의 관계를 모델링하기 위해 머신러닝 알고리즘이 사용됩니다. 대략적인 이상적인 정중선은 두개골의 대칭성을 이용하여 검출합니다. 먼저 그레이스케일 임계값 처리를 통해 이미지 슬라이스에서 두개골을 분할합니다.

그 후 알고리즘은 두개골의 질량 중심을 기준으로 모든 회전 각도를 철저히 탐색하여, 결과적으로 나뉜 두개골 양측의 대칭성을 최대화하는 선을 찾습니다. 근사적인 이상적 정중선은 해당 회전 각도를 가진 질량 중심점을 통과하는 선입니다. 대칭성을 최대화하는 것만으로 이상적인 정중선을 검출하는 방식은 항상 자동으로 의미 있는 결과를 제공하지는 않을 수 있습니다.

따라서 본 방법에서는 아민 라인의 위치를 정교화하기 위해 후방 박스 이론(posterior box theory) 및 전방 폭스 부착부(anterior fox attachment)와 같은 특정 전자적 특징을 찾는 단계를 추가로 수행합니다. 다음으로, 이러한 해부학적 특징을 빠르고 정확하게 검출하기 위해 후방 폭스 세레(posterior fox cere)와 시상구(sagittal sulcus) 가장자리에 있는 전방 폭스 부착부를 식별하여 대략적인 이상적 중앙선을 정교화합니다. 둘째로, 대략적인 이상적 중앙선과 두 개의 교차점을 기준으로 검색 사각형을 정의합니다.

두개관(calvarium)의 경우, 검출하고자 하는 해부학적 특징들이 포함되도록 사각형의 크기를 선택합니다. 전방의 여우 부착점은 두개관 능선의 정점으로 검출하며, 여우 납막(fox cere)은 후방 영역의 회색 선으로 검출합니다. 골 돌출부는 두개골의 전방 섹션에 위치합니다.

fox cery는 이 지점부터 연장됩니다. 이 해부학적 특징은 정중선을 위한 시작점으로 사용될 수 있습니다. 돌출부가 foxer의 앞쪽 가장자리에 있는 국소 최솟값 지점까지 아래로 굽어 있는 것을 확인할 수 있습니다.

두개골 뼈의 하단 가장자리를 이미지 평면상의 곡선으로 간주한다면, 이 곡선은 1차원 함수로 모델링할 수 있습니다. 돌출 지점을 검출하는 것은 샘플링된 1차원 함수의 최솟값을 찾는 문제와 같습니다. 분할된 상단 두개골 뼈를 입력값으로 하여, 첫 번째 단계로 뼈의 하단 가장자리를 추출합니다.

다음 단계에서는 로컬 미니(local mini)를 사용하여 돌출부를 검출합니다. 여기서 로컬 미니는 돌출부의 끝점을 나타내기도 합니다. 이 모식도는 뇌 하단부에 위치한 여우 모양의 돌출부가 어떻게 검출되는지를 보여줍니다.

첫 번째 단계의 목적은 어두운 선이 아니라 연한 회색 선을 검출하는 것이므로, 해당 영역의 중앙값(median value)을 임계값으로 사용합니다. 이 임계값을 사용하여 그보다 낮은 모든 그레이스케일 값은 중앙값으로 설정합니다. 그런 다음 제로 크로싱 엣지 검출기(zero crossing edge detector)를 사용하여 엣지 맵을 생성합니다.

이렇게 하면 Sobel 검출 중에 더 풍부한 엣지를 유지할 수 있으며, 다음 단계에서 원치 않는 엣지를 제거할 수 있습니다. 그 다음, 여우의 뇌(fox cere)가 가진 기지 특징을 이용하여 엣지 맵을 단계별로 정밀화합니다. 먼저 강도와 그래디언트를 사용하여 엣지 맵을 정밀화하고, 이어서 크기 임계값과 농도 임계값을 사용하여 이를 더욱 정밀하게 조정합니다.

나아가 여기서 농도 임계값은 엣지 포인트의 밀도와 같습니다. 마지막으로, 여우를 나타내는 직선을 검출하기 위해 허프 변환이 적용됩니다. 허프 변환의 결과는 보통 일련의 직선 형태로 나타납니다.

이 세트에서 원하는 라인을 추출하기 위해서는 제약 조건을 설정해야 합니다. 우선, 라인의 각도가 라인들이 집중되어 있는 범위 내에 있어야 합니다. 이 범위는 검출된 라인들의 각도에 대한 통계치를 계산하여 얻습니다.

둘째, 해당 선은 선들이 집중되어 있는 범위 내에 위치해야 합니다. 이 단계에서 최종적인 이상적 중심선은 위의 제약 조건을 충족하는 가장 긴 선으로 선택됩니다. 이 이미지는 두 개의 관심 영역과 내부 돌출부를 기반으로 정밀하게 조정된 이상적 중심선을 보여줍니다.

녹색 선은 정밀하게 조정된 이상적인 중심선이며, 빨간색 선은 조정 전 뇌의 이상적인 중심선 근사치입니다. 이 이미지는 뇌의 MRI 단면과 함께 뇌실계의 3D 모델을 보여줍니다. 이미지의 빨간색 부분은 3D로 표현된 뇌실계를 나타냅니다.

뇌실 시스템은 상단의 양측 뇌실 두 개, 중앙의 제3뇌실, 그리고 하단의 제4뇌실로 구성됩니다. 뇌실에 대한 정보를 추출하는 이유는 부상으로 인해 뇌 내부의 압력이 변화할 때 뇌실이 변형되므로, 뇌 조직의 변형 및 병리적 사례를 측정하기에 적합한 대상이기 때문입니다. 연속적인 MRI 또는 CT 영상 슬라이스에서 뇌실 시스템은 오른쪽에 표시된 것과 같이 다양한 형태로 나타나며, MRI에서 추출된 뇌실 시스템의 형태가 제시되어 있습니다.

CT 분할의 목적은 원본 CT 스캔에서 이러한 형태들을 식별하는 것입니다. 본 연구에서 제안하는 방법에서 분할 과정은 두 부분으로 나뉩니다. 우선, 픽셀들을 서로 다른 부분으로 그룹화하기 위해 초기 저수준 분할 방법이 적용됩니다.

그 다음, 세분화된 결과에서 뇌실을 식별하기 위해 고수준 템플릿 매칭 방법이 사용됩니다. 이 이미지는 가우시안 혼합 방법을 기반으로 한 저수준 세분화를 보여줍니다. 먼저, 원본 CT 영상에 중간값 필터링을 적용하여 필터링합니다.

결과는 왼쪽 이미지에 나타나 있습니다. 이후, K-means 알고리즘을 적용하여 핵심 분할(core segmentation)을 얻습니다. 이 결과는 중앙에 나타나 있습니다.

K-means 알고리즘을 적용한 후, goss 및 혼합 방법(mixture method)을 적용합니다. 오른쪽 이미지는 초기화된 2D 이미지상의 서로 다른 goss 및 분포를 보여줍니다. 해당 세분화를 사용하여 파라미터를 발전시키기 위해 기대 최대화(expectation maximization)를 사용하며, 최종적으로 조정된 세분화 결과가 얻어집니다.

Z 방향의 뇌실 시스템은 훈련 세트 전반에 걸쳐 유의미한 변화를 보이지 않습니다. 따라서 매핑은 선형 형태로 근사화할 수 있습니다. 여기에 설명된 방법에서는 이러한 매핑을 먼저 수동으로 초기화한 다음, 일련의 훈련 이미지를 사용하여 최적화합니다.

초기 뇌실 분할을 수용하기 위한 세 가지 제약 조건이 있습니다. 첫째, 분할 영역이 상대적으로 커야 합니다. 둘째, 분할 영역이 뇌의 가장자리에 인접하지 않아야 합니다.

셋째, 세그먼트가 뇌실 템플릿과 교차합니다. 하단의 그림들은 결과물에서 뇌실 인식 단계의 예시를 보여줍니다. 크기, 바운딩 박스 및 템플릿 제약 조건을 사용하여 뇌실 부분이 성공적으로 인식되었음을 확인할 수 있습니다.

실제 정중선을 추정하기 위해, 먼저 분할된 뇌실을 형상 매칭을 통해 템플릿과 대조합니다. 이 그림은 매칭 과정을 보여줍니다. 우선, 가장자리 지점들을 샘플링합니다.

그런 다음 두 형상의 매칭 비용을 최적화함으로써 두 형상 간의 점 대응 관계를 생성합니다. 예를 들어, 두 번째 행의 마지막 이미지는 한 형상의 빨간색 점과 다른 형상의 초록색 점을 연결하여 대응 관계를 보여줍니다.

뇌실계는 3D 구조이며 CT 단면마다 모양이 다르기 때문에, 모든 CT 단면에 걸쳐 모양 매칭을 수행합니다. 각 단면에서 정중선을 추정하는 데 사용할 수 있는 특징점을 정의합니다. 예를 들어, 측뇌실 모양의 특징점은 양측 측뇌실의 내측 가장자리 지점들입니다.

이러한 특징점들은 매칭 프로세스 전에 수동으로 레이블링된 템플릿 상의 특징점과의 대응 관계를 통해 식별됩니다. 여기에서는 서로 다른 템플릿을 선택하여 얻은 다양한 매칭 결과들을 보여줍니다. 각 형상 매칭에는 매칭 비용이 발생합니다.

최소 매치 비용(match cost)을 선택함으로써, 형상 매칭에 사용할 최적의 템플릿을 찾고 특징점을 식별합니다. 이 예시에서 세그멘테이션 결과의 포인트는 녹색으로, 템플릿의 포인트는 빨간색으로 표시됩니다. 매치 비용을 비교하면 첫 번째 템플릿을 사용하는 것이 가장 적합함을 알 수 있습니다.

특징점이 식별되면, 이 특징점들의 X 좌표를 계산합니다. 일반적으로 왼쪽과 오른쪽에 각각 특징점이 존재합니다. 실제 중심선의 X 좌표는 왼쪽과 오른쪽 특징점 X 좌표의 평균값으로 추정합니다.

여기 네 가지 추정 결과가 제시되어 있습니다. 녹색 수직선은 실제 중심선의 추정된 X 좌표를 나타냅니다. 매칭 템플릿은 파란색 점으로 표시되어 있습니다.

식별된 특징점들이 파란색으로 표시되어 있습니다. 결과로부터 실제 중심선을 추정한 후, 실제 중심선의 추정이 매우 정확하게 이루어짐을 확인할 수 있습니다. 수평 중심선 이동 S의 계산은 간단합니다.

X ideal는 이상적인 정중선의 X 좌표이며, X actual은 추정된 실제 정중선의 X 좌표입니다. 여기에 제시된 이미지들은 추정된 이상적인 정중선과 실제 정중선을 모두 보여줍니다. 정중선 이동을 사용하는 것 외에도, 우리가 추출하는 이러한 특징들은 ICP 수치를 예측하는 데 추가적인 정보를 제공할 수 있습니다.

이 방법의 핵심 아이디어는 가능한 한 많은 특성을 추출한 다음, 특성 선택 방법을 사용하여 ICB 정보 제공에 관련성이 있는 특성만 유지하는 것입니다. CT 스캔에서 추출된 특성에는 정중선 이동, 혈액량 및 텍스처 패턴이 포함됩니다. 다른 소스에서 얻은 특성에는 환자 연령, 외상 점수 및 손상 심각도 점수와 같은 인구통계학적 정보가 포함됩니다.

가우시안 혼합 모델 기반 분할 알고리즘을 사용하여 픽셀을 라벨링합니다. 픽셀은 혈액, 뇌척수액, 회백질, 백질 질감의 네 가지 범주로 그룹화됩니다. CT 영상의 패턴에는 뇌 상태에 대한 징후가 포함될 수 있습니다.

두개내압이 높으면 텍스처 패턴이 변할 수 있습니다. 본 연구에서는 주로 뇌척수액이 없는 영역의 텍스처 패턴에 집중하며, CT 영상의 작은 하위 이미지 또는 윈도우에 대해 혈액 텍스처 분석을 적용합니다. 각 CT 영상에서 6개의 윈도우를 선택합니다.

이산 푸리에 변환과 이산 웨이브릿 변환을 사용하여 텍스트처 특징을 추출합니다. 요점은 가용한 정보가 매우 방대하다는 것입니다. 이로 인해 의사가 아무리 경험이 많더라도 이 모든 신호를 동시에 처리하는 것은 매우 어려운 문제가 됩니다.

따라서 CT 스캔을 분석하고 자동 영상화를 구현하는 것을 목표로 하는 이번 프로젝트는, 저와 같은 응급의학과 의사 및 외상 전문의들이 이러한 데이터를 훨씬 더 빠르게 처리하는 데 큰 도움이 될 것입니다. 해당 데이터셋에는 경증에서 중증의 외상성 뇌 손상을 입은 환자 17명이 포함되어 있습니다. 각 환자별로 여러 건의 CT 스캔이 촬영되었으며, 본 연구에는 총 57건의 스캔 영상이 사용되었습니다.

두개내압 수치를 매시간 기록합니다. ICP 수준의 상승은 두 가지 범주로 분류됩니다. ICP는 12 tor보다 높은 상태로 정의됩니다.

정상 ICP는 12 tor 이하로 정의됩니다. 본 데이터셋에는 정상 사례 33건과 ICP 상승 사례 24건이 포함되어 있습니다. 모델을 구축하기 위해 두 단계의 10겹 교차 검증을 사용합니다.

첫 번째는 특성 선택이 수행되는 중첩 단계입니다. 두 번째 단계에서는 유전적 탐색 방법이 사용되며, 이 탐색 방법과 결합하여 사용되는 분류기는 서포트 벡터 머신입니다. 이 이미지는 이상적인 중앙선 추정치를 보여줍니다.

빨간색 선은 두개골의 대칭성을 기반으로 한 대략적인 이상적 정중선입니다. 해부학적 특징을 사용하여 정밀하게 조정한 후, 더 정확하게 추정된 이상적 정중선인 녹색 선을 얻었습니다. 이 이미지들은 추정된 실제 정중선을 보여줍니다.

녹색 선은 추정된 실제 중심선이며, 파란색 점은 일치된 템플릿입니다. 오른쪽 이미지는 중심의 왼쪽에 위치한 추정된 이상적 중심선과 실제 중심선을 보여줍니다. 오른쪽에서는 추정으로 인한 결과적인 중심선 이동을 확인할 수 있습니다.

여기에서는 또한 저희 방법론의 평가에 대한 정량적 결과도 함께 제시합니다. 저희 데이터셋의 대부분의 CT 슬라이스에서, 본 방법론으로 추정된 이상적인 정중선과 의사가 표시한 정중선 사이의 오차는 약 2픽셀 또는 1mm입니다. 실제 정중선의 경우, 세그멘테이션 결과에 대한 특정 품질 관리를 거쳤을 때 80% 이상이 2.25mm 미만의 차이를 보였습니다.

두개내압 예측 평가는 10겹 교차 검증을 사용하여 약 70%의 정확도를 보였습니다. 우선, 저수준 분할 과정과 고수준 분할 과정을 분리합니다. 이러한 설계는 서로 다른 알고리즘을 통합함으로써 이점을 얻을 수 있지만, 저수준 분할의 모든 정보를 활용하지 못할 수도 있습니다.

저수준 세분화와 고수준 세분화를 결합함으로써 더 나은 세분화 결과를 얻을 수 있습니다. 이러한 아이디어를 바탕으로 모델 기반 세분화 또는 등록 기반 세분화와 같은 방법을 사용하여 예측 능력을 향상시키는 동시에 제안된 방법에 대한 더 많은 평가를 제공할 수 있습니다. 더 많은 데이터 세트를 수집하여 표본 크기를 확대하는 것은 본 연구에 도움이 될 것입니다.