Geautomatiseerde Midline Shift en intracraniale druk Schatting op basis van Brain CT afbeeldingen

Het algemene doel van dit experiment is het detecteren van middellijnverschuivingen op CT-beelden van de hersenen bij patiënten met traumatisch hersenletsel om zo de intracraniële druk in de hersenen te schatten. In dit project hebben we een computationele methode ontwikkeld om de CT-beelden te analyseren en de intracraniële druk of ICP te voorspellen. De aanleiding voor dit project is het feit dat er in veel gevallen bij mensen met hoofdletsel altijd het vermoeden bestaat dat de ICP of intracraniële druk verhoogd kan zijn. Met een CT kunnen we hersenzwelling, hematomen en middellijnverschuivingen of laterale verschuivingen van de hersenen evalueren, maar wat we niet betrouwbaar kunnen voorspellen, is welk effect dit heeft op de intracraniële druk, afgezien van het feit dat het deze in algemene zin tot op zekere hoogte verhoogt; dit is waar de computationele methoden waaraan we hebben gewerkt nuttig zijn.

Het kan met een redelijke mate van nauwkeurigheid precies voorspellen welke effecten de anatomische veranderingen hebben op de intracraniële druk. Dit schema geeft een overzicht van de methodologie die in dit onderzoek is toegepast. Computertomografie staat vaker bekend onder de afkortingen CT-scan of CAT-scan.

CT-scans worden ontwikkeld uit een grote reeks tweedimensionale röntgenbeelden die rond één enkele rotatieas zijn genomen. In de eerste stap van onze aanpak worden de CT-scans van de patiënten met traumatisch hersenletsel (TBI) verkregen en geanalyseerd om de midline-shift te detecteren. De volgende stap omvat de extractie en analyse van andere kenmerken, zoals diverse textuurinformatie van de CT-beelden en de schatting van de bloedhoeveelheid.

Onze aanpak maakt gebruik van de geëxtraheerde kenmerken en andere demografische informatie om de ICP te voorspellen; machine learning-algoritmen worden gebruikt om de relatie tussen de ICP en de geëxtraheerde kenmerken te modelleren. De benadering van de ideale middellijn wordt gedetecteerd aan de hand van de symmetrie van de schedel. Eerst wordt de schedel met behulp van grijswaardedrempeling uit de beelddoorsnede gesegmenteerd.

Vervolgens doorzoekt het algoritme uitputtend elke rotatiehoek rond het massamiddelpunt van de schedel om de lijn te vinden die de symmetrie van de resulterende schedelhelften maximaliseert. De benaderde ideale middellijn is de lijn die door het massamiddelpunt loopt met de betreffende rotatiehoek. Bij het maximaliseren van de symmetrie kan het detecteren van de ideale middellijn op basis van symmetrie alleen niet altijd automatisch zinvolle resultaten opleveren.

Daarom gaan we in onze methode een stap verder om specifieke elektronische kenmerken te vinden, zoals de posterior box theory en de anterior fox attachment, om de locaties van de amine-lijn te verfijnen. Vervolgens worden de posterior fox cere en de anterior fox attachment aan de randen van de sulcus sagittalis geïdentificeerd om de benaderde ideale middellijn te verfijnen, zodat deze anatomische kenmerken snel en nauwkeurig kunnen worden gedetecteerd. Ten tweede worden twee zoekrechthoeken gedefinieerd op basis van de benaderde ideale middellijn en de twee snijpunten daarvan.

Bij het schedeldak wordt de grootte van het rechthoek gekozen om de anatomische kenmerken die gedetecteerd moeten worden te omvatten. De anterieure aanhechting van de vos wordt gedetecteerd als het hoogste punt van de kam op het schedeldak, terwijl de cere van de vos wordt gedetecteerd als de grijze lijn in het posterieure gebied. Een botuitsteeksel bevindt zich in het anterieure gedeelte van de schedel.

De fox cery strekt zich uit vanaf dit punt. Deze anatomische kenmerk kan worden gebruikt als startpunt voor de middellijn. Er is te zien dat de uitstulping naar beneden buigt naar een lokaal minimumpunt aan de anterieure rand van de foxer.

Wanneer de onderrand van de schedelbotten wordt beschouwd als een kromme op het beeldvlak, kan deze kromme worden gemodelleerd als een eendimensionale functie. De detectie van het uitsteekpunt wordt dan een kwestie van het vinden van het minimum van een gesamplede eendimensionale functie. Met de gesegmenteerde bovenkant van het schedelbot als input, is de eerste stap het extraheren van de onderrand van het bot.

De volgende stap omvat de detectie van de uitstulping met behulp van het lokale minimum. Hier vertegenwoordigt het lokale minimum tevens het eindpunt van de uitstulping. Dit schema laat zien hoe de fox aan het onderste deel van de hersenen wordt gedetecteerd.

Aangezien het doel in de eerste stap is om lichtgrijze lijnen en niet de donkerdere lijnen te detecteren, wordt de mediaanwaarde van het gebied als drempelwaarde gebruikt. Met gebruik van deze drempelwaarde worden alle grijswaarden die hieronder liggen ingesteld op de mediaanwaarde. Vervolgens wordt een zero-crossing edge detector gebruikt om de edge map te genereren.

Dit behoudt rijkere randen tijdens de Sobel-detectie en maakt het mogelijk om ongewenste randen in de volgende stap te verwijderen. De randenkaart wordt vervolgens stapsgewijs verfijnd op basis van bekende kenmerken van de fox cere. Dit gebeurt eerst door de randenkaart te verfijnen aan de hand van intensiteit en gradiënt, waarna de drempelwaarde voor grootte en de drempelwaarde voor concentratie worden gebruikt om deze verder te verfijnen.

Verder is de concentratiedrempel niets anders dan de dichtheid van de randpunten. Ten slotte wordt de Hough-transformatie toegepast om lijnen te detecteren die de vos representeren. De resultaten van de Hough-transformatie zijn gewoonlijk een reeks lijnen.

Er moeten beperkingen worden vastgesteld om de gewenste lijnen uit deze set te extraheren. Ten eerste moet de hoek van de lijn binnen het bereik vallen waarin de lijnen geconcentreerd zijn. Dit bereik wordt verkregen door de statistiek van de hoeken van de gedetecteerde lijn te berekenen.

Ten tweede moet de lijn binnen het bereik liggen waar de cluster van lijnen is geconcentreerd. De uiteindelijke ideale middellijn in deze fase wordt gekozen als de langste lijn die aan de bovenstaande beperkingen voldoet. Deze afbeelding toont de twee regio's van belang en de verfijnde ideale middellijn op basis van de binnenste uitstulpingen.

De groene lijn is de verfijnde ideale middellijn en de rode lijn is de benaderde positie van de ideale middellijn van de hersenen vóór verfijning. Deze afbeelding toont het 3D-model van het ventriculaire systeem samen met een MRI-doorsnede van de hersenen. Het rode gedeelte van de afbeelding representeert het ventriculaire systeem in 3D.

Het ventriculaire systeem bestaat uit twee bilaterale ventrikels aan de bovenzijde, het derde ventrikel in het midden en het vierde ventrikel aan de onderzijde. De reden dat we informatie over een ventrikel extraheren, is dat dit bij een verandering van de druk in de hersenen als gevolg van een letsel vervormt, waardoor het een geschikt object is om de vervorming van hersenweefsel en pathologische gevallen te meten. In opeenvolgende MRI- of CT-beeldcoupes verschijnt het ventriculaire systeem in diverse vormen aan de rechterzijde; de geëxtraheerde vormen van het ventriculaire systeem uit een MRI worden getoond.

Het doel van de CT-segmentatie is om deze vormen te identificeren op basis van de oorspronkelijke CT-scans. In onze voorgestelde methode is het segmentatieproces onderverdeeld in twee delen. Ten eerste wordt een initiële segmentatiemethode op laag niveau toegepast om pixels in verschillende delen te groeperen.

Vervolgens wordt een template-matchingmethode op hoog niveau gebruikt om de ventrikels uit de gesegmenteerde resultaten te identificeren. Deze afbeelding illustreert de segmentatie op laag niveau op basis van een Gaussian mixture-methode. Eerst worden de oorspronkelijke CT-beelden gefilterd met behulp van mediaanfiltering.

Het resultaat wordt getoond in de linker afbeelding. Vervolgens wordt het K-means-algoritme toegepast om een kernsegmentatie te verkrijgen. Dit resultaat wordt in het midden getoond.

Nadat het K-means-algoritme is toegepast, wordt vervolgens de goss- en mengmethode gehanteerd. De afbeelding rechts toont verschillende geïnitialiseerde goss en distributies op de 2D-afbeelding. Met gebruik van dezelfde segmentatie wordt expectation-maximization toegepast om de parameters te laten evolueren, waardoor uiteindelijk een afgestemd segmentatieresultaat wordt verkregen.

Het ventriculaire systeem in de Z-richting vertoont geen significante variatie over de trainingsset. Daarom kunnen de mappings worden benaderd met een lineaire vorm. In de hier beschreven methode worden deze mappings eerst handmatig geïnitialiseerd en vervolgens geoptimaliseerd met behulp van een set trainingsbeelden.

Er zijn drie voorwaarden om de initiële ventricelsegmentatie te accepteren. Ten eerste moet het segment relatief groot zijn. Ten tweede mag het segment zich niet dicht bij de rand van de hersenen bevinden.

Ten derde snijdt het segment met het ventrikelmodel. De figuren onderaan tonen een voorbeeld van de ventrikelherkenningsstap uit de resultaten. Er is te zien dat de ventrikelonderdelen succesvol zijn herkend met behulp van beperkingen voor grootte, bounding box en model.

Om de werkelijke middellijn te schatten, matchen we eerst de gesegmenteerde ventrikels met de templates via vormmatching. Deze figuur toont het proces van de matching. Eerst worden de randpunten gesampled.

Vervolgens worden de correspondenties van de punten tussen de twee vormen vastgesteld door de matchingskosten van de twee vormen te optimaliseren. In de tweede rij laat de laatste afbeelding bijvoorbeeld de correspondentie zien door de rode punten van de ene vorm te verbinden met de groene punten in de andere vorm.

Omdat het ventriculaire systeem een 3D-structuur is en verschillende vormen heeft op verschillende CT-coupes, voeren we de vormmatching uit over alle CT-coupes. Voor elke coupe definiëren we de kenmerkpunten die gebruikt kunnen worden om de middellijn te schatten. Bijvoorbeeld, de kenmerkpunten in de vormen van de zijventrikels zijn de binnenste randpunten van de twee zijventrikels.

Deze kenmerkpunten worden geïdentificeerd op basis van hun correspondentie met de kenmerkpunten op het sjabloon, die handmatig worden gelabeld vóór het matchingsproces. Hier tonen we verschillende matchingresultaten door diverse sjablonen te kiezen. Voor elke vormmatching is er een matchingkost.

Door de minimale matchkosten te selecteren, vinden we het beste sjabloon voor gebruik bij de vormmatching en identificeren we de kenmerkpunten. In dit voorbeeld worden de punten uit de segmentatieresultaten in het groen weergegeven en de punten uit de sjablonen in het rood. Door de matchkosten te vergelijken, kunnen we zien dat het eerste sjabloon het meest geschikt is voor gebruik.

Zodra de kenmerkpunten zijn geïdentificeerd, berekenen we de X-coördinaten van deze kenmerkpunten. Gewoonlijk bevinden zich kenmerkpunten aan de linkerkant en kenmerkpunten aan de rechterkant. De X-coördinaat van de werkelijke middellijn wordt geschat als het gemiddelde van de X-coördinaat van de linker- en de rechterkenmerkpunten.

Hier tonen we vier schattingsresultaten. De groene verticale lijn representeert de geschatte X-coördinaat van de werkelijke middellijn. Het match-sjabloon wordt weergegeven door de blauwe punten.

De geïdentificeerde kenmerkpunten worden in het blauw weergegeven. Uit de resultaten kunnen we opmaken dat de schatting van de werkelijke middellijn zeer goed werkt nadat de werkelijke middellijn is geschat. De berekening van de horizontale verschuiving van de middellijn S is eenvoudig.

X ideaal is de X-coördinaat van de ideale middellijn, en X actueel is de X-coördinaat van de geschatte actuele middellijn. De hier getoonde afbeeldingen illustreren zowel de geschatte ideale middellijn als de actuele middellijn. Naast het gebruik van de verschuiving van de middellijn kunnen deze geëxtraheerde kenmerken ons aanvullende informatie verschaffen bij het voorspellen van ICP-niveaus.

Het hoofddoel hiervan is om zoveel mogelijk kenmerken te extraheren, om vervolgens via feature-selectiemethoden alleen die kenmerken te behouden die relevant zijn voor het verstrekken van ICB-informatie. De uit CT-scans geëxtraheerde kenmerken omvatten midline shift, bloedhoeveelheid en textuurpatronen. Kenmerken uit andere bronnen omvatten demografische gegevens zoals de leeftijd van de patiënt, de trauma score en de injury severity score.

Een segmentatie-algoritme gebaseerd op een Gaussian mixture model wordt gebruikt om de pixels te labelen. Pixels worden gegroepeerd in vier categorieën: bloed, hersenvocht, grijze stof en witte stof textuur. Patronen in de CT-beelden kunnen aanwijzingen bevatten over de toestand van de hersenen.

Hoge waarden van de intracraniële druk kunnen het textuurpatroon veranderen. Wij richten ons voornamelijk op de textuurpatronen in het gebied zonder cerebrospinale vloeistof, of de textuuranalyse van bloed wordt toegepast op kleine subbeelden of vensters van het CT-beeld. In elk CT-beeld worden zes vensters geselecteerd.

Textuurkenmerken worden geëxtraheerd met behulp van de discrete Fourier-transformatie en de discrete wavelet-transformatie. Kort gezegd is er zoveel informatie beschikbaar dat het voor artsen, ongeacht hun ervaring, zeer problematisch wordt om al deze signalen gelijktijdig te verwerken.

Het huidige project, dat tot doel heeft om naar CT-scans te kijken en automatische beeldverwerking toe te passen, zou zeer waardevol zijn voor spoedartsen en traumatologen zoals ik, om ons te helpen deze gegevens veel sneller te verwerken. De dataset bevat 17 patiënten met licht tot ernstig traumatisch hersenletsel. Elke patiënt heeft meerdere CT-scans, en er zijn in totaal 57 scans gebruikt in de studie.

Een waarde die de intracraniële druk vertegenwoordigt, wordt elk uur geregistreerd. Er zijn twee categorieën voor een verhoogd ICP-niveau. ICP is gedefinieerd als een ICP groter dan 12 tor.

Voor een normale ICP wordt een waarde van minder dan of gelijk aan 12 tor gehanteerd. In deze dataset zijn er 33 normale gevallen en 24 gevallen van verhoogde ICP. Om het model te creëren, maken we gebruik van twee fasen van tienvoudige kruisvalidatie.

De eerste is een geneste fase waarin kenmerkselectie wordt uitgevoerd. In de tweede fase wordt een genetische zoekmethode gebruikt, waarbij de classifier die in combinatie met de zoekmethode wordt ingezet, een support vector machine is. Deze afbeelding toont de ideale schatting van de middellijn.

De rode lijn is de benaderde ideale middellijn op basis van de symmetrie van de schedel. Na verfijning aan de hand van anatomische kenmerken hebben we een nauwkeuriger geschatte ideale middellijn, wat de groene lijn is. In de afbeelding tonen deze beelden de geschatte werkelijke middellijn.

De groene lijnen zijn de geschatte werkelijke middellijn en de blauwe punten zijn de overeenkomstige templates. De afbeelding rechts toont de geschatte ideale middellijn links van het centrum en de werkelijke middellijn. Rechts kunnen we de resulterende verschuiving van de middellijn zien die voortvloeit uit de schatting.

Hier presenteren we tevens de kwantitatieve resultaten van de evaluatie van onze methoden. In de meeste CT-doorsneden van onze dataset bedraagt de fout tussen de ideale middellijn geschat met onze methodologie en de door de arts gelabelde middellijnen ongeveer twee pixels of één millimeter. Voor de werkelijke middellijn vertoont meer dan 80% een verschil van minder dan 2,25 millimeter onder bepaalde kwaliteitscontrole van de segmentatieresultaten.

De evaluatie van de voorspelling van de intracraniële druk vertoont een nauwkeurigheid van ongeveer 70% bij gebruik van tienvoudige kruisvalidering. Allereerst scheiden we de segmentatieprocessen op laag niveau en hoog niveau. Hoewel dit ontwerp kan profiteren van de integratie van verschillende algoritmen, benutten we mogelijk niet alle informatie in de segmentatie op laag niveau.

Door segmentatie op laag niveau en segmentatie op hoog niveau te combineren, kunnen we betere segmentatieresultaten verkrijgen. In lijn met dit idee kunnen we methoden gebruiken zoals modelgebaseerde segmentatie of registratiegebaseerde segmentatie om een betere voorspelling te krijgen, en om een uitgebreidere evaluatie van de voorgestelde methode mogelijk te maken. Het verzamelen van meer datasets om een grotere steekproefomvang te verkrijgen, zal de studie ten goede komen.