Zautomatyzowana ocena przesunięcia linii środkowej i szacowanie ciśnienia wewnątrzczaszkowego na podstawie obrazów tomografii komputerowej mózgu

Ogólnym celem tego eksperymentu jest wykrywanie przesunięć linii środkowej na obrazach tomografii komputerowej (CT) mózgu pacjentów z urazowym uszkodzeniem mózgu, a tym samym szacowanie ciśnienia wewnątrzczaszkowego w obrębie mózgu. W ramach tego projektu opracowaliśmy metodę obliczeniową do analizy obrazów CT i przewidywania ciśnienia wewnątrzczaszkowego, czyli ICP. Impulsem do realizacji tego projektu jest fakt, że w wielu przypadkach urazów głowy zawsze istnieje podejrzenie, że ICP lub ciśnienie wewnątrzczaszkowe może być podwyższone. Za pomocą CT możemy ocenić obrzęk mózgu, krwiaki oraz przesunięcia linii środkowej lub przesunięcia tkanki mózgowej, jednak nie jesteśmy w stanie wiarygodnie przewidzieć, jaki wpływ ma to na ciśnienie wewnątrzczaszkowe, poza ogólną wiedzą, że podnosi je do pewnego stopnia; i właśnie tutaj pomocne są opracowane przez nas metody obliczeniowe.

Może ono z rozsądnym poziomem dokładności przewidzieć, jaki dokładnie wpływ mają zmiany anatomiczne na ciśnienie wewnątrzczaszkowe. Ten schemat przedstawia ogólny opis metodologii zastosowanej w niniejszym badaniu. Tomografia komputerowa jest częściej znana pod swoimi skróconymi nazwami: CT lub CAT.

Skanowanie CT jest opracowywane na podstawie dużej serii dwuwymiarowych obrazów rentgenowskich wykonanych wokół jednej osi obrotu. W pierwszym kroku naszej metody pozyskiwane i analizowane są skany CT pacjentów z urazowymi obrażeniami mózgu (TBI), aby wykryć przesunięcie linii środkowej. Kolejny krok obejmuje ekstrakcję i analizę innych cech, takich jak różne informacje o teksturze obrazów CT oraz szacowanie ilości krwi.

Nasze podejście wykorzystuje również wyekstrahowane cechy oraz inne informacje demograficzne do przewidywania ICP; do modelowania zależności między ICP a wyekstrahowanymi cechami zastosowano algorytmy uczenia maszynowego. Przybliżona idealna linia pośrodkowa jest wykrywana z wykorzystaniem symetrii czaszki. W pierwszej kolejności, za pomocą progowania skali szarości, czaszka zostaje wysegmentowana z przekroju obrazu.

Następnie algorytm w sposób wyczerpujący przeszukuje każdy kąt obrotu wokół środka masy czaszki, aby znaleźć linię, która maksymalizuje symetrię wynikających z tego połówek czaszki. Przybliżona idealna linia środkowa to linia przechodząca przez punkt środka masy z zastosowaniem danego kąta obrotu. Przy maksymalizacji symetrii wykrywanie idealnej linii środkowej w oparciu wyłącznie o symetrię może nie zawsze dostarczać automatycznie znaczących wyników.

Dlatego w naszej metodzie wykonujemy dodatkowy krok, aby zidentyfikować specyficzne cechy elektroniczne, takie jak posterior box theory oraz anterior fox attachment, w celu doprecyzowania lokalizacji linii aminowej. Następnie identyfikuje się posterior fox cere oraz anterior fox attachment względem krawędzi bruzdy pośrodkowej, aby doprecyzować przybliżoną idealną linię środkową, co pozwala na szybkie i dokładne wykrycie tych cech anatomicznych. Po drugie, na podstawie przybliżonej idealnej linii środkowej oraz dwóch jej punktów przecięcia definiuje się dwa prostokąty wyszukiwania.

W przypadku sklepienia czaszki rozmiar prostokąta dobiera się tak, aby objął cechy anatomiczne przeznaczone do wykrycia. Przednie przyczepy lisa są wykrywane jako najwyższy punkt grzbietu na sklepieniu czaszki, natomiast wosk lisa jest wykrywany jako szara linia w obszarze tylnym. W przedniej części czaszki znajduje się wypukłość kostna.

Fox cery rozciąga się od tego punktu. Ta cecha anatomiczna może służyć jako punkt wyjścia dla linii środkowej. Widać, że wypukłość zakrzywia się w dół do punktu lokalnego minimum na przedniej krawędzi foxera.

Jeśli dolną krawędź kości czaszki potraktujemy jako krzywą na płaszczyźnie obrazu, to krzywą tę można zamodelować jako funkcję jednowymiarową. Wykrycie punktu wystającego sprowadza się wówczas do znalezienia minimum próbkowanej funkcji jednowymiarowej. Mając do dyspozycji górną segmentowaną kość czaszki, pierwszym krokiem jest wyodrębnienie dolnej krawędzi kości.

Kolejny krok obejmuje detekcję wypukłości z wykorzystaniem lokalnego minimum. W tym przypadku lokalne minimum reprezentuje również punkt końcowy wypukłości. Ten schemat pokazuje, w jaki sposób wykrywana jest wypukłość w dolnej części mózgu.

Ponieważ celem pierwszego etapu jest wykrycie jasnoszarych linii, a nie linii ciemniejszych, jako próg wykorzystuje się wartość mediany obszaru. Przy zastosowaniu tego progu wszystkie wartości skali szarości znajdujące się poniżej tej wartości zostają ustawione na wartość mediany. Następnie wykorzystuje się detektor krawędzi przejścia przez zero w celu wygenerowania mapy krawędzi.

Pozwala to na zachowanie wyraźniejszych krawędzi podczas detekcji Sobela i umożliwia usunięcie niepożądanych krawędzi w następnym kroku. Następnie mapa krawędzi jest sukcesywnie dopracowywana z wykorzystaniem znanych cech móżdżku lisa. W pierwszej kolejności odbywa się to poprzez udoskonalenie mapy krawędzi z użyciem intensywności i gradientu, po czym do jej doprecyzowania stosuje się próg wielkości oraz próg koncentracji.

W tym przypadku próg koncentracji jest niczym innym jak gęstością punktów krawędzi. Na koniec zastosowano transformatę Hougha w celu wykrycia linii reprezentujących lis.Sarah. Wynikiem transformaty HOF jest zazwyczaj zestaw linii.Two.

Należy określić ograniczenia, aby wyodrębnić pożądane linie z tego zbioru. Po pierwsze, kąt nachylenia linii musi mieścić się w zakresie, w którym linie są skoncentrowane. Zakres ten uzyskuje się poprzez obliczenie statystyk kątów wykrytych linii.

Po drugie, linia musi znajdować się w zakresie, w którym skoncentrowane są skupiska linii. Ostateczna idealna linia środkowa na tym etapie jest wybierana jako najdłuższa z linii spełniających powyższe ograniczenia. Ten obraz przedstawia dwa obszary zainteresowania oraz doprecyzowaną idealną linię środkową opartą na wewnętrznych wypustkach.

Zielona linia to doprecyzowana idealna linia środkowa, a czerwona linia to przybliżone położenie idealnej linii środkowej mózgu przed doprecyzowaniem. Obraz ten przedstawia model 3D układu komorowego wraz z przekrojem mózgu z rezonansu magnetycznego (MRI). Czerwona część obrazu reprezentuje układ komorowy w 3D.

Układ komorowy składa się z dwóch bocznych komór u góry, trzeciej komory w części środkowej oraz czwartej komory u dołu. Informacje na temat komory są pozyskiwane, ponieważ w przypadku zmiany ciśnienia wewnątrz mózgu spowodowanej urazem, ulega ona odkształceniu, co czyni ją odpowiednim obiektem do pomiaru deformacji tkanki mózgowej oraz analizy przypadków patologicznych. Na kolejnych przekrojach obrazów MRI lub CT układ komorowy przyjmuje różne kształty; po prawej stronie przedstawiono wyekstrahowane kształty układu komorowego z obrazu MRI.

Celem segmentacji CT jest zidentyfikowanie tych kształtów na oryginalnych skanach CT. W proponowanej przez nas metodzie proces segmentacji jest podzielony na dwie części. Najpierw stosowana jest wstępna metoda segmentacji niskopoziomowej w celu pogrupowania pikseli w różne części.

Następnie zastosowano metodę dopasowania wzorca wysokiego poziomu w celu identyfikacji komór mózgu na podstawie wyników segmentacji. Przedstawiony obraz ilustruje niskopoziomową segmentację opartą na metodzie mieszanek Gaussa. W pierwszej kolejności oryginalne obrazy CT poddano filtrowaniu za pomocą filtra medianowego.

Wynik przedstawiono na lewym obrazie. Następnie zastosowano algorytm K-średnich w celu uzyskania segmentacji rdzenia. Wynik ten pokazano na środku.

Po zastosowaniu algorytmu K-średnich wykorzystywana jest metoda goss i mieszanin. Obraz po prawej stronie przedstawia zainicjowane, odmienne rozkłady i wartości goss na obrazie 2D. Z wykorzystaniem tej samej segmentacji stosuje się metodę maksymalnej wiarygodności (expectation maximization) w celu ewolucji parametrów, co pozwala na uzyskanie ostatecznego, dostrojonego wyniku segmentacji.

Układ komorowy w kierunku Z nie wykazuje znaczących różnic w całym zbiorze treningowym. W związku z tym odwzorowania można przybliżyć za pomocą formy liniowej. W opisanej tutaj metodzie odwzorowania te są najpierw inicjowane ręcznie, a następnie optymalizowane przy użyciu zestawu obrazów treningowych.

Istnieją trzy warunki akceptacji wstępnej segmentacji komór. Po pierwsze, segment musi być stosunkowo duży. Po drugie, segment nie może znajdować się blisko krawędzi mózgu.

Po trzecie, segment przecina szablon komory. Rysunki na dole przedstawiają przykład etapu rozpoznawania komory z uzyskanych wyników. Można zauważyć, że części komory zostały pomyślnie rozpoznane przy użyciu ograniczeń dotyczących rozmiaru, ramki ograniczającej oraz szablonu.

Aby oszacować rzeczywistą linię środkową, w pierwszej kolejności dopasowujemy segmentowane komory do szablonów za pomocą dopasowania kształtów. Rysunek ten przedstawia proces dopasowywania. Najpierw próbkowane są punkty krawędzi.

Następnie, poprzez optymalizację kosztu dopasowania dwóch kształtów, wyznaczane są odpowiedniości punktów pomiędzy nimi. Na przykład w drugim rzędzie ostatni obraz przedstawia odpowiedniość poprzez połączenie czerwonych punktów jednego kształtu z zielonymi punktami drugiego kształtu.

Ponieważ układ komorowy jest strukturą 3D i przyjmuje różne kształty na poszczególnych przekrojach TK, przeprowadzamy dopasowanie kształtu na wszystkich przekrojach TK. Dla każdego przekroju definiujemy punkty charakterystyczne, które mogą posłużyć do oszacowania linii środkowej. Na przykład punktami charakterystycznymi w kształtach komór bocznych są punkty krawędzi wewnętrznej obu komór bocznych.

Punkty charakterystyczne te są identyfikowane na podstawie ich zgodności z punktami charakterystycznymi na szablonie, które są etykietowane ręcznie przed procesem dopasowania. Poniżej przedstawiamy wiele wyników dopasowania uzyskanych przy wyborze różnych szablonów. Dla każdego dopasowania kształtu przypisany jest koszt dopasowania.

Wybierając minimalny koszt dopasowania, znajdujemy najlepszy szablon do wykorzystania w dopasowaniu kształtów i identyfikacji punktów charakterystycznych. W tym przykładzie punkty z wyników segmentacji są przedstawione kolorem zielonym, a punkty z szablonów kolorem czerwonym. Porównując koszt dopasowania, możemy zauważyć, że pierwszy szablon jest najlepszym wyborem.

Po zidentyfikowaniu punktów charakterystycznych obliczamy ich współrzędne X. Zazwyczaj punkty charakterystyczne znajdują się po stronie lewej i prawej. Współrzędna X rzeczywistej linii środkowej jest szacowana jako średnia współrzędnych X lewych i prawych punktów charakterystycznych.

Przedstawiamy tutaj cztery wyniki szacowania. Zielona pionowa linia reprezentuje oszacowaną współrzędną X rzeczywistej linii środkowej. Szablon dopasowania został pokazany za pomocą niebieskich punktów.

Zidentyfikowane punkty charakterystyczne są zaznaczone na niebiesko. Z wyników wynika, że szacowanie rzeczywistej linii środkowej przebiega bardzo pomyślnie po jej wstępnym wyznaczeniu. Obliczenie poziomego przesunięcia linii środkowej S jest proste.

X ideal to współrzędna X idealnej linii środkowej, a X actual to współrzędna X oszacowanej rzeczywistej linii środkowej. Przedstawione tutaj obrazy ilustrują zarówno oszacowaną idealną linię środkową, jak i linię rzeczywistą. Poza wykorzystaniem przesunięcia linii środkowej, cechy te, które wyodrębniamy, mogą dostarczyć nam dodatkowych informacji w przewidywaniu poziomów ICP.

Głównym założeniem tej metody jest wyodrębnienie jak największej liczby cech, a następnie, przy użyciu metod selekcji cech, zachowanie tylko tych, które są istotne dla dostarczenia informacji o ICB. Cechy wyodrębnione z tomografii komputerowej obejmują przesunięcie linii środkowej, ilość krwi oraz wzorce tekstury. Cechy z innych źródeł obejmują dane demograficzne, takie jak wiek pacjenta, punktacja urazowa (trauma score) oraz wskaźnik ciężkości obrażeń (injury severity score).

Do etykietowania pikseli wykorzystano algorytm segmentacji oparty na modelu mieszanin gaussowskich. Piksele pogrupowano w cztery kategorie: krew, płyn mózgowo-rdzeniowy, istotę szarą oraz teksturę istoty białej. Wzorce w obrazach CT mogą zawierać informacje o stanie mózgu.

Wysoki poziom ciśnienia wewnątrzczaszkowego może zmienić wzorzec tekstury. Skupiamy się głównie na wzorcach tekstury w obszarze pozbawionym płynu mózgowo-rdzeniowego lub analiza tekstury krwi jest stosowana do małych podobrazów bądź okien obrazu CT. W każdym obrazie CT wybieranych jest sześć okien.

Cechy teksturalne są ekstrahowane przy użyciu dyskretnej transformaty Fouriera oraz dyskretnej transformaty falkowej. W skrócie oznacza to, że dostępna jest ogromna ilość informacji. Przetworzenie wszystkich tych sygnałów jednocześnie staje się bardzo problematyczne dla lekarzy, niezależnie od ich doświadczenia.

Obecny projekt, którego celem jest analiza tomografii komputerowej oraz wprowadzenie zautomatyzowanego obrazowania, byłby niezwykle przydatny dla lekarzy medycyny ratunkowej i traumatologów, takich jak ja, pomagając nam znacznie szybciej przetwarzać te dane. Zbiór danych obejmuje 17 pacjentów z urazami czaszkowo-mózgowymi o stopniu od lekkiego do ciężkiego. W przypadku każdego pacjenta wykonano kilka badań CT, co łącznie daje 57 skanów wykorzystanych w badaniu.

Wartość reprezentująca ciśnienie wewnątrzczaszkowe jest rejestrowana co godzinę. Wyróżnia się dwie kategorie podwyższonego poziomu ICP. ICP definiuje się jako ciśnienie wewnątrzczaszkowe przekraczające 12 tor.

W przypadku prawidłowego ICP, definiuje się je jako ICP mniejsze lub równe 12 tor. W tym zbiorze danych znajduje się 33 przypadki prawidłowe oraz 24 przypadki podwyższonego ICP. W celu stworzenia modelu zastosowano dwustopniową dziesięciokrotną walidację krzyżową.

Pierwszy etap jest etapem zagnieżdżonym, w którym przeprowadza się selekcję cech. W drugim etapie stosowana jest genetyczna metoda przeszukiwania, a klasyfikatorem wykorzystywanym w połączeniu z tą metodą jest maszyna wektorów nośnych. Ten obraz przedstawia idealną estymację linii środkowej.

Czerwona linia przedstawia przybliżoną idealną linię środkową wyznaczoną na podstawie symetrii czaszki. Po doprecyzowaniu z wykorzystaniem cech anatomicznych otrzymaliśmy dokładniejszą szacunkową idealną linię środkową, oznaczoną kolorem zielonym. Na obrazach przedstawiono szacowaną rzeczywistą linię środkową.

Zielone linie reprezentują szacowaną rzeczywistą linię środkową, a niebieskie punkty są dopasowanymi szablonami. Obraz po prawej stronie przedstawia szacowaną idealną linię środkową po lewej stronie środka oraz rzeczywistą linię środkową. Po prawej stronie widoczne jest wynikowe przesunięcie linii środkowej wynikające z szacowania.

Przedstawiamy tutaj również wyniki ilościowe z oceny naszych metod. W większości przekrojów CT w naszym zbiorze danych błąd między idealną linią środkową oszacowaną za pomocą naszej metodologii a liniami środkowymi oznaczonymi przez lekarza wynosi około dwóch pikseli lub jednego milimetra. W przypadku rzeczywistej linii środkowej, przy zachowaniu określonej kontroli jakości wyników segmentacji, ponad 80% wykazuje różnicę mniejszą niż 2,25 milimetra.

Ocena przewidywania ciśnienia wewnątrzczaszkowego charakteryzuje się dokładnością na poziomie około 70% przy zastosowaniu dziesięciokrotnej walidacji krzyżowej. Przede wszystkim rozdzieliliśmy procesy segmentacji niskiego i wysokiego poziomu. Chociaż taka konstrukcja może przynieść korzyści dzięki włączeniu różnych algorytmów, możemy nie wykorzystać w pełni wszystkich informacji zawartych w segmentacji niskiego poziomu.

Poprzez połączenie segmentacji niskiego poziomu z segmentacją wysokiego poziomu możemy uzyskać lepsze wyniki segmentacji. Kierując się tą ideą, możemy zastosować metody takie jak segmentacja oparta na modelu lub segmentacja oparta na rejestracji w celu poprawy predykcji, a także w celu przeprowadzenia szerszej ewaluacji proponowanej metody. Zebranie większej liczby zbiorów danych w celu zwiększenia wielkości próby przyniesie korzyści dla badania.