Desvio da linha média automatizada e Estimativa Pressão Intracraniana com base em imagens do cérebro CT

O objetivo geral deste experimento é detectar desvios da linha média em imagens de tomografia computadorizada cerebral de pacientes com lesão cerebral traumática e, assim, estimar a pressão intracraniana dentro do cérebro. Neste projeto, desenvolvemos um método computacional para analisar as imagens de TC e prever a pressão intracraniana ou PIC. O estímulo para este projeto é o fato de que, em muitos casos em que as pessoas sofrem lesões na cabeça, sempre existe a suspeita de que a PIC ou pressão intracraniana possa estar elevada. Com uma tomografia, podemos avaliar o inchaço cerebral, podemos avaliar hematomas, podemos avaliar desvios da linha média ou deslocamentos parciais do cérebro, mas o que não conseguimos prever de forma confiável é qual o efeito disso sobre a pressão intracraniana, além de que, em geral, ela aumenta até certo grau. É nesse ponto que os métodos computacionais nos quais temos trabalhado se mostram úteis.

É capaz de prever com um nível razoável de precisão os efeitos exatos que as alterações anatômicas têm sobre a pressão intracraniana. Este diagrama esquemático apresenta uma visão geral da metodologia empregada nesta pesquisa. A tomografia axial computadorizada é mais comumente conhecida por seus nomes abreviados, tomografia computadorizada ou TAC.

As tomografias computadorizadas são desenvolvidas a partir de uma grande série de imagens de raios X bidimensionais obtidas ao redor de um único eixo de rotação. Na primeira etapa da nossa abordagem, as tomografias computadorizadas dos pacientes com lesões cerebrais traumáticas ou TBI são adquiridas e analisadas para detectar o desvio da linha média. O próximo passo inclui a extração e análise de outras características, como diversas informações de textura das imagens de TC e a estimativa da quantidade de sangue.

Nossa abordagem também utiliza as características extraídas, bem como outras informações demográficas, para prever a PIC; algoritmos de aprendizado de máquina são usados para modelar a relação entre a PIC e as características extraídas. A linha média aproximadamente ideal é detectada usando a simetria do crânio. Primeiramente, por meio de limiarização em escala de cinza, o crânio é segmentado do corte da imagem.

Em seguida, o algoritmo pesquisa exaustivamente todos os ângulos de rotação ao redor do centro de massa do crânio para encontrar a linha que maximize a simetria das metades resultantes do crânio. A linha média aproximada ideal é a linha que passa pelo ponto central de massa com o ângulo de rotação. Ao maximizar a simetria, detectar a linha média ideal com base apenas na simetria pode nem sempre fornecer automaticamente resultados significativos.

Portanto, em nosso método, damos um passo adiante para identificar características eletrônicas específicas, como a teoria da caixa posterior e a fixação anterior da raposa, a fim de refinar as localizações da linha da amina. Em seguida, identificam-se a crista da raposa posterior e a fixação anterior da raposa nas margens do sulco sagital para refinar a linha média ideal aproximada, com o objetivo de detectar essas características anatômicas de forma rápida e precisa. Em segundo lugar, retângulos de busca são definidos com base na linha média ideal aproximada e em seus dois pontos de interseção.

Com o crânio, o tamanho do retângulo é escolhido para incluir as características anatômicas a serem detectadas. A fixação anterior do crânio é detectada como o ponto de pico da crista no crânio, enquanto o crânio da raposa é detectado como a linha cinza na região posterior. Uma saliência óssea está localizada na seção anterior do crânio.

O cery da raposa se estende a partir deste ponto. Esta característica anatômica pode ser usada como ponto de partida para a linha média. Pode-se observar que a projeção curva-se para baixo até um ponto de mínimo local na borda anterior do foxer.

Se considerarmos a borda inferior dos ossos do crânio como uma curva no plano da imagem, então essa curva pode ser modelada como uma função unidimensional. A detecção do ponto de projeção passa a ser uma questão de encontrar o mínimo de uma função unidimensional amostrada. Com a entrada do osso do crânio segmentado superiormente, o primeiro passo é extrair a borda inferior do osso.

O próximo passo envolve a detecção da protrusão utilizando o mínimo local. Aqui, o mínimo local também representa o ponto final da protrusão. Este diagrama esquemático mostra como a raposa na parte inferior do cérebro é detectada.

Como o objetivo é detectar linhas cinza-claras e não as linhas mais escuras na primeira etapa, o valor mediano da área é utilizado como limiar. Utilizando este limiar, todos os valores de escala de cinza abaixo dele são definidos como o valor mediano. Em seguida, um detector de bordas por cruzamento zero é usado para gerar o mapa de bordas.

Isso mantém bordas mais definidas durante a detecção sobell e permite a remoção de bordas indesejadas na próxima etapa. O mapa de bordas é então refinado passo a passo usando características conhecidas do cérebro da raposa. Isso é feito inicialmente refinando o mapa de bordas com base na intensidade e no gradiente, seguido pelo uso do limite de tamanho e do limite de concentração para aprimorá-lo.

Além disso, aqui, o limite de concentração nada mais é do que a densidade dos pontos de borda. Finalmente, a transformada de Hof é aplicada para detectar linhas que representam a fox.Sarah. Os resultados da transformada HOF são geralmente um conjunto de linhas.Dois.

Devem ser estabelecidas restrições para extrair as linhas desejadas desse conjunto. Primeiro, o ângulo da linha deve estar na faixa em que as linhas estão concentradas. Essa faixa é obtida calculando-se as estatísticas dos ângulos das linhas detectadas.

Em segundo lugar, a linha deve estar dentro da faixa onde está concentrado o agrupamento de linhas. A linha média ideal final nesta etapa é escolhida como as linhas mais longas que satisfazem as restrições acima. Esta imagem mostra as duas regiões de interesse e a linha média ideal refinada com base nos protruções internas.

A linha verde é a linha média ideal refinada, e a linha vermelha é a posição aproximada da linha média ideal do cérebro antes do refinamento. Esta imagem mostra o modelo 3D do sistema ventricular com a presença de um corte de ressonância magnética do cérebro. A porção vermelha da imagem representa o sistema ventricular em 3D.

O sistema ventricular consiste em dois ventrículos bilaterais na parte superior, o terceiro ventrículo no meio e o quarto ventrículo na parte inferior. A razão pela qual extraímos informações sobre um ventrículo é porque, quando a pressão no interior do cérebro muda devido a uma lesão, ele se deforma e, portanto, é um candidato adequado para medir a deformação do tecido cerebral e casos patológicos. Em cortes sucessivos de imagens de ressonância magnética ou tomografia computadorizada, o sistema ventricular aparece em várias formas à direita, sendo mostradas as formas extraídas do sistema ventricular a partir de uma ressonância magnética.

O objetivo da segmentação de TC é identificar essas formas a partir das varreduras originais de TC. No nosso método proposto, o processo de segmentação é dividido em duas partes. Primeiro, aplica-se um método de segmentação inicial de baixo nível para agrupar os pixels em diferentes partes.

Em seguida, utiliza-se um método de correspondência de modelos de alto nível para identificar os ventrículos a partir dos resultados segmentados. Esta imagem ilustra a segmentação de baixo nível com base em um método de mistura gaussiana. Primeiro, as imagens originais de TC são filtradas utilizando filtragem mediana.

O resultado é mostrado na imagem à esquerda. Em seguida, o algoritmo K-means é aplicado para obter uma segmentação do núcleo. Esse resultado é mostrado no centro.

Após a aplicação do algoritmo K-means, o método goss e mistura é então aplicado. A imagem à direita mostra um goss diferente e as distribuições na imagem 2D, que são inicializadas. Utilizando a mesma segmentação, a maximização da expectativa é usada para evoluir os parâmetros e, finalmente, obtém-se o resultado de segmentação ajustado.

O sistema ventricular na direção Z não apresenta variação significativa ao longo do conjunto de treinamento. Portanto, os mapeamentos podem ser aproximados por uma forma linear. No método descrito aqui, esses mapeamentos são inicialmente definidos manualmente e depois otimizados usando um conjunto de imagens de treinamento.

Existem três restrições para aceitar a segmentação inicial do ventrículo. Primeiro, o segmento precisa ser relativamente grande. Segundo, o segmento não está próximo à borda do cérebro.

Número três, o segmento intersecta com o modelo do ventrículo. As figuras na parte inferior mostram um exemplo da etapa de reconhecimento do ventrículo a partir dos resultados. Pode-se observar que as partes do ventrículo são reconhecidas com sucesso utilizando restrições de tamanho, caixa delimitadora e modelo.

Para estimar a linha média real, primeiro alinhamos os ventrículos segmentados com os modelos por meio de correspondência de forma. Esta figura mostra o processo de alinhamento. Primeiro, os pontos de borda são amostrados.

Em seguida, ao otimizar um custo de correspondência entre as duas formas. Estabelecem-se as correspondências entre os pontos das duas formas. Por exemplo, na segunda linha, a última imagem mostra a correspondência conectando os pontos vermelhos de uma forma aos pontos verdes da outra forma.

Como o sistema ventricular é uma estrutura tridimensional e apresenta diferentes formas em diferentes cortes de TC, realizamos a correspondência de formas em todos os cortes de TC. Para cada corte, definimos os pontos de característica que podem ser usados para estimar a linha média. Por exemplo, os pontos de característica nas formas dos ventrículos laterais são os pontos da borda interna dos dois ventrículos laterais.

Esses pontos de característica são identificados por sua correspondência com os pontos de característica no modelo, que são rotulados manualmente antes do processo de correspondência. Aqui mostramos diversos resultados de correspondência ao escolher diferentes modelos. Para cada correspondência de forma, há um custo de correspondência.

Ao selecionar o custo mínimo de correspondência, identificamos o melhor modelo a ser utilizado na correspondência de formas e na identificação de pontos de característica. Neste exemplo, os pontos provenientes dos resultados da segmentação são mostrados em verde, e os pontos provenientes dos modelos são mostrados em vermelho. Ao comparar o custo de correspondência, podemos observar que o primeiro modelo é o mais adequado para uso.

Uma vez identificados os pontos de característica, calculamos as coordenadas X desses pontos. Normalmente, existem pontos de característica no lado esquerdo e pontos de característica no lado direito. A coordenada X da linha média real é estimada como a média da coordenada X dos pontos de característica esquerdo e direito.

Aqui apresentamos quatro resultados de estimativa. A linha vertical verde representa a coordenada X estimada da linha média real. O modelo de correspondência é mostrado nos pontos azuis.

Os pontos de características identificados são mostrados em azul. A partir dos resultados, podemos observar que a estimativa da linha média real funciona muito bem após a estimativa da linha média real. O cálculo do deslocamento horizontal da linha média S é direto.

X ideal é a coordenada X da linha média ideal, e X actual é a coordenada X da linha média real estimada. As imagens mostradas aqui ilustram tanto a linha média ideal estimada quanto a linha média real. Além do desvio da linha média, essas características que extraímos podem nos fornecer informações adicionais na previsão dos níveis de PIC.

A ideia principal por trás disso é extrair o maior número possível de características e, em seguida, utilizando métodos de seleção de características, reter apenas aquelas que são relevantes para fornecer informações sobre ICB. As características extraídas dos exames de TC incluem desvio da linha média, quantidade de sangue e padrões de textura. As características provenientes de outras fontes incluem informações demográficas, como idade do paciente, escore de trauma e escore de gravidade do trauma.

Um algoritmo de segmentação baseado em modelo de mistura gaussiana é usado para rotular os pixels. Os pixels são agrupados em quatro categorias: fluido cerebral sanguíneo, matéria cinzenta e textura da matéria branca. Padrões nas imagens de TC podem incluir indicações do estado do cérebro.

Níveis elevados de pressão intracraniana podem alterar o padrão de textura. Concentramo-nos principalmente nos padrões de textura na área sem líquido cefalorraquidiano ou sangue; a análise de textura é aplicada em pequenas subimagens ou janelas da imagem de TC. Seis janelas são selecionadas em cada imagem de TC.

As características de textura são extraídas utilizando a transformada discreta de Fourier e a transformada discreta de wavelet. O fato é que há tanta informação disponível. Torna-se muito problemático para os médicos, independentemente de sua experiência, processar todos esses sinais ao mesmo tempo.

Assim, o projeto atual, que tem como objetivo analisar a tomografia computadorizada e realizar imagens automatizadas, seria de grande utilidade para médicos de emergência e traumatologistas como eu, ajudando-nos a processar esses dados muito mais rapidamente. O conjunto de dados inclui 17 pacientes com lesões cerebrais traumáticas leves a graves. Cada paciente possui várias tomografias computadorizadas, e foram utilizadas 57 tomografias no total no estudo.

Um valor representando a pressão intracraniana é registrado a cada hora. Existem duas categorias de níveis elevados de PIC. A PIC é definida como pressão intracraniana maior que 12 tor.

Para a PIC normal, define-se como PIC menor ou igual a 12 tor. Neste conjunto de dados, há 33 casos normais e 24 casos de PIC elevada. Para criar o modelo, utilizamos duas etapas de validação cruzada com dez dobras.

A primeira é uma etapa aninhada na qual é realizada a seleção de características. Na segunda etapa, é utilizado um método de busca genética e o classificador usado em conjunto com o método de busca é a máquina de vetores de suporte. Esta imagem mostra a estimativa ideal da linha média.

A linha vermelha é a linha média ideal aproximada com base na simetria do crânio. Após o refinamento utilizando características anatômicas, temos uma estimativa melhorada da linha média ideal, que é a linha verde. Na imagem, essas imagens mostram a linha média real estimada.

As linhas verdes são a linha média real estimada, e os pontos azuis são os modelos correspondentes. A imagem à direita mostra a linha média ideal estimada à esquerda do centro e a linha média real. À direita, podemos observar o deslocamento resultante da linha média a partir da estimativa.

Aqui também apresentamos os resultados quantitativos na avaliação dos nossos métodos. Na maioria das fatias de TC do nosso conjunto de dados, o erro entre a linha média ideal estimada pela nossa metodologia e as linhas médias rotuladas pelo médico é de cerca de dois pixels ou um milímetro. Para a linha média real, mais de 80% apresentam uma diferença inferior a 2,25 milímetros, mediante um controle de qualidade específico dos resultados de segmentação.

A avaliação da predição da pressão intracraniana apresenta cerca de 70% de exatidão utilizando validação cruzada de dez vezes. Primeiramente, separamos os processos de segmentação de baixo e alto níveis. Embora este design possa se beneficiar da incorporação de diferentes algoritmos, podemos não explorar todas as informações presentes na segmentação de baixo nível.

Ao combinar a segmentação de baixo nível e a segmentação de alto nível, podemos obter resultados de segmentação melhores. Seguindo essa ideia, podemos utilizar métodos como segmentação baseada em modelo ou segmentação baseada em registro para obter uma predição mais precisa, além de fornecer uma avaliação mais completa do método proposto. Coletar mais conjuntos de dados para ter um tamanho de amostra maior beneficiará o estudo.