Автоматизированная Средняя линия сдвига и внутричерепных оценки давления на основе КТ головного мозга изображений

Общая цель данного эксперимента заключается в обнаружении смещения срединных структур по КТ-изображениям головного мозга пациентов с черепно-мозговой травмой и последующей оценке внутричерепного давления. В рамках этого проекта мы разработали вычислительный метод для анализа КТ-изображений и прогнозирования внутричерепного давления (ВЧД). Актуальность этого проекта обусловлена тем, что при многих травмах головы всегда существует подозрение на повышение ВЧД. С помощью КТ мы можем оценить отек мозга, гематомы, смещение срединных структур или латеральные смещения мозга, однако мы не можем надежно предсказать, какое именно влияние эти факторы оказывают на внутричерепное давление, помимо общего понимания того, что они в определенной степени его повышают. Именно здесь оказываются полезными разработанные нами вычислительные методы.

С помощью этого метода можно с приемлемой точностью предсказать, какое именно влияние оказывают анатомические изменения на внутричерепное давление. На данной схеме представлен обзор методологии, использованной в данном исследовании. Компьютерная аксиальная томография более известна под сокращенными названиями: КТ или КАТ.

КТ-снимки создаются на основе большой серии двухмерных рентгеновских изображений, полученных при вращении вокруг одной оси. На первом этапе нашего подхода выполняют получение и анализ КТ-снимков пациентов с черепно-мозговыми травмами (ЧМТ) для выявления смещения срединных структур. Следующий этап включает извлечение и анализ других признаков, таких как различные текстурные характеристики КТ-изображений и оценка объема крови.

В нашем подходе извлеченные признаки, а также иная демографическая информация используются для прогнозирования ICP; для моделирования взаимосвязи между ICP и извлеченными признаками применяются алгоритмы машинного обучения. Приблизительная идеальная срединная линия определяется с помощью анализа симметрии черепа. Сначала, используя пороговую обработку по уровню серого, череп сегментируется из среза изображения.

Затем алгоритм последовательно перебирает все углы поворота вокруг центра масс черепа, чтобы найти линию, максимизирующую симметрию полученных половин черепа. Приблизительной идеальной срединной линией является линия, проходящая через точку центра масс с определенным углом поворота. При максимизации симметрии определение идеальной срединной линии исключительно на основе симметрии не всегда позволяет автоматически получить значимые результаты.

Поэтому в нашем методе мы делаем дополнительный шаг для поиска специфических электронных признаков, таких как задний край коробки (posterior box theory) и переднее прикрепление лисьего глаза (anterior fox attachment), чтобы уточнить положение аминной линии. Затем идентифицируются задний край лисьего глаза (posterior fox cere) и переднее прикрепление лисьего глаза к краям сагиттальной борозды для уточнения примерной идеальной средней линии, что позволяет быстро и точно обнаружить эти анатомические особенности. Во-вторых, определяются два прямоугольника поиска на основе примерной идеальной средней линии и двух точек её пересечения.

При работе с сводом черепа размер прямоугольника выбирается таким образом, чтобы он охватывал анатомические особенности, подлежащие обнаружению. Переднее прикрепление лисьего носа определяется как пиковая точка гребня на своде черепа, в то время как восковидная перегородка лисьего носа определяется как серая линия в задней области. Костный выступ расположен в передней части черепа.

Лисья цери extends от этой точки. Эта анатомическая особенность может быть использована в качестве отправной точки для средней линии. Видно, что выступ изгибается вниз до локальной минимальной точки на переднем крае foxer.

Если рассматривать нижний край костей черепа как кривую на плоскости изображения, то эту кривую можно моделировать как одномерную функцию. Обнаружение точки выступа в таком случае сводится к поиску минимума дискретизированной одномерной функции. После получения сегментированного изображения верхней части костей черепа первым шагом является выделение нижнего края кости.

Следующий этап включает обнаружение выступа с помощью локального минимума. В данном случае локальный минимум также представляет собой конечную точку выступа. На этой схеме показано, как обнаруживается выступ в нижней части мозга.

Поскольку целью первого этапа является обнаружение светло-серых линий, а не более темных, в качестве порога используется медианное значение области. С помощью этого порога все значения градаций серого ниже него приводятся к медианному значению. Затем для создания карты границ используется детектор границ по нулевому пересечению.

Это позволяет сохранить более насыщенные края при детектировании оператором Собеля и дает возможность удалить нежелательные края на следующем этапе. Затем карта краев последовательно уточняется с использованием известных особенностей коры головного мозга лисицы. Сначала карта краев уточняется по интенсивности и градиенту, после чего для ее дальнейшего уточнения применяются пороги размера и концентрации.

Далее, порог концентрации представляет собой плотность граничных точек. Наконец, применяется преобразование Хафа для обнаружения линий, представляющих лису. Результатом преобразования Хафа обычно является набор линий.

Для извлечения подходящих линий из этого набора необходимо установить определенные критерии. Во-первых, угол наклона линии должен находиться в диапазоне, в котором сосредоточено большинство линий. Этот диапазон определяется путем расчета статистических данных об углах обнаруженных линий.

Во-вторых, линия должна находиться в пределах диапазона, в котором сосредоточено скопление линий. В качестве окончательной идеальной средней линии на данном этапе выбирается самая длинная линия, удовлетворяющая вышеуказанным ограничениям. На этом изображении показаны две области интереса и уточненная идеальная средняя линия, определенная на основе внутренних выступов.

Зеленая линия представляет собой уточненную идеальную срединную линию, а красная линия — приблизительное положение идеальной срединной линии мозга до уточнения. На данном изображении представлена 3D-модель желудочковой системы вместе со срезом МРТ головного мозга. Красная область на изображении соответствует желудочковой системе в 3D.

Желудочковая система состоит из двух парных боковых желудочков сверху, третьего желудочка посередине и четвертого желудочка снизу. Информация о желудочке извлекается потому, что при изменении давления внутри мозга вследствие травмы он деформируется, что делает его подходящим объектом для измерения деформации мозговой ткани и анализа патологических случаев. На последовательных срезах МРТ или КТ желудочковая система принимает различные формы; справа показаны формы желудочковой системы, извлеченные из МРТ.

Целью сегментации КТ является идентификация этих структур на исходных КТ-снимках. В предлагаемом нами методе процесс сегментации разделен на две части. Сначала применяется метод первичной низкоуровневой сегментации для группировки пикселей в различные области.

Затем для идентификации желудочков на основе результатов сегментации используется метод сопоставления с шаблоном высокого уровня. На данном изображении представлена низкоуровневая сегментация, основанная на методе смеси Гауссиан. Сначала исходные КТ-изображения обрабатываются с помощью медианной фильтрации.

Результат показан на левом изображении. Затем применяется алгоритм K-средних для получения основной сегментации. Этот результат показан в центре.

После применения алгоритма K-средних используется метод GOSS и метод смесей. На изображении справа показаны различные области GOSS и их распределения на 2D-изображении после инициализации. С использованием полученной сегментации применяется алгоритм максимизации ожидания для уточнения параметров, в результате чего получается окончательный результат сегментации.

Желудочковая система в направлении Z не демонстрирует значительных вариаций во всем обучающем наборе. Следовательно, отображения могут быть аппроксимированы линейной формой. В описываемом здесь методе эти отображения сначала инициализируются вручную, а затем оптимизируются с использованием набора обучающих изображений.

Существует три ограничения для принятия начальной сегментации желудочков. Первое: сегмент должен быть относительно большим. Второе: сегмент не должен находиться близко к краю головного мозга.

В-третьих, сегмент пересекается с шаблоном желудочка. На рисунках внизу представлен пример этапа распознавания желудочков из полученных результатов. Видно, что части желудочков успешно распознаны с использованием ограничений по размеру, ограничивающему прямоугольнику и шаблону.

Для оценки фактической средней линии мы сначала сопоставляем сегментированные желудочки с шаблонами путем сопоставления по форме. На данном рисунке показан процесс сопоставления. Сначала выполняется выборка граничных точек.

Затем, путем оптимизации стоимости сопоставления двух фигур, устанавливаются соответствия между точками этих фигур. Например, во втором ряду на последнем изображении показано соответствие путем соединения красных точек одной фигуры с зелеными точками другой фигуры.

Поскольку желудочковая система представляет собой трехмерную структуру и имеет различную форму на разных срезах КТ, мы выполняем сопоставление форм на всех срезах КТ. Для каждого среза мы определяем характерные точки, которые могут быть использованы для оценки срединной линии. Например, характерными точками в форме боковых желудочков являются точки внутреннего края двух боковых желудочков.

Эти характерные точки определяются по их соответствию характерным точкам на шаблоне, которые размечаются вручную перед процессом сопоставления. Здесь представлены результаты сопоставления с использованием различных шаблонов. Для каждого сопоставления формы рассчитывается стоимость сопоставления.

Выбрав минимальную стоимость сопоставления, мы определяем наиболее подходящий шаблон для сопоставления форм и идентифицируем характерные точки. В данном примере точки, полученные в результате сегментации, показаны зеленым цветом, а точки из шаблонов — красным. Сравнивая стоимость сопоставления, можно увидеть, что первый шаблон является наиболее подходящим для использования.

После определения характерных точек мы вычисляем их координаты X. Как правило, характерные точки располагаются с левой и с правой стороны. Координата X фактической средней линии рассчитывается как среднее значение координат X левых и правых характерных точек.

Здесь представлены четыре результата оценки. Зеленая вертикальная линия обозначает расчетную координату X фактической средней линии. Шаблон сопоставления показан синими точками.

Определенные характерные точки показаны синим цветом. Из результатов видно, что после определения фактической срединной линии оценка её положения работает очень эффективно. Расчет горизонтального смещения срединной линии S выполняется простым способом.

X ideal — это координата X идеальной срединной линии, а X actual — координата X расчетной фактической срединной линии. На представленных здесь изображениях показаны как расчетная идеальная, так и фактическая срединные линии. Помимо смещения срединной линии, эти извлекаемые признаки могут предоставить нам дополнительную информацию для прогнозирования уровней ВЧД.

Основная идея данного подхода заключается в извлечении максимально возможного количества признаков, после чего с помощью методов отбора признаков мы оставляем только те из них, которые имеют значение для получения информации об ICB. Признаки, извлеченные из результатов КТ-сканирования, включают смещение срединных структур, объем крови и текстурные паттерны. Признаки из других источников включают демографические данные, такие как возраст пациента, индекс травмы и шкала тяжести повреждений.

Для разметки пикселей используется алгоритм сегментации на основе модели гауссовых смесей. Пиксели группируются в четыре категории: кровь, спинномозговая жидкость, серое вещество и белое вещество. Паттерны на КТ-изображениях могут содержать сведения о состоянии головного мозга.

Высокий уровень внутричерепного давления может изменить структуру текстурного паттерна. Мы сосредоточимся главным образом на текстурных паттернах в областях без спинномозговой жидкости; анализ текстуры крови проводится на небольших субизображениях или окнах КТ-снимка. В каждом КТ-изображении выбирается шесть окон.

Признаки текстуры извлекаются с использованием дискретного преобразования Фурье и дискретного вейвлет-преобразования. Суть заключается в том, что доступен огромный объем информации. Для врачей, независимо от их опыта, обработка всех этих сигналов одновременно становится крайне затруднительной задачей.

Таким образом, текущий проект, целью которого является анализ результатов КТ-сканирования и автоматизация обработки изображений, будет крайне полезен врачам скорой помощи и травматологам, в том числе и мне, поскольку он поможет гораздо быстрее обрабатывать эти данные. Набор данных включает 17 пациентов с черепно-мозговыми травмами от легкой до тяжелой степени. Для каждого пациента выполнено несколько КТ-сканирований; всего в исследовании использовано 57 сканов.

Значение, представляющее внутричерепное давление, регистрируется каждый час. Существуют две категории повышенного уровня ВЧД. ВЧД определяется как ВЧД более 12 тор.

Нормальным считается внутричерепное давление (ВЧД), если оно составляет 12 тор или меньше. В данном наборе данных представлено 33 случая с нормальным ВЧД и 24 случая с повышенным ВЧД. Для создания модели мы использовали двухэтапную десятикратную перекрестную проверку.

Первый этап представляет собой вложенную стадию, на которой выполняется отбор признаков. На втором этапе используется метод генетического поиска, а в качестве классификатора, применяемого совместно с методом поиска, используется метод опорных векторов. На данном изображении показана идеальная оценка срединной линии.

Красная линия представляет собой приблизительную идеальную срединную линию, определенную на основе симметрии черепа. После уточнения с помощью анатомических особенностей мы получили более точную оценку идеальной срединной линии, которая обозначена зеленой линией. На данных изображениях показана расчетная фактическая срединная линия.

Зеленые линии представляют собой расчетную фактическую срединную линию, а синие точки — сопоставленные шаблоны. На изображении справа показаны расчетная идеальная срединная линия слева от центра и фактическая срединная линия. Справа мы видим результирующее смещение срединной линии в результате оценки.

Здесь мы также представляем количественные результаты оценки наших методов. В большинстве КТ-срезов нашего набора данных погрешность между идеальной срединной линией, определенной с помощью нашей методики, и срединными линиями, отмеченными врачом, составляет около двух пикселей или одного миллиметра. Для фактической срединной линии более 80% имеют различие менее 2.25 миллиметра при определенном контроле качества результатов сегментации.

Оценка прогнозирования внутричерепного давления показала точность около 70% при десятикратной перекрестной проверке. Прежде всего, мы разделили процессы сегментации на низкий и высокий уровни. Хотя такой подход позволяет использовать различные алгоритмы, это может привести к потере части информации при сегментации на низком уровне.

Объединение сегментации низкого и высокого уровней может позволить достичь более качественных результатов. Исходя из этой идеи, для повышения точности прогнозирования, а также для более детальной оценки предлагаемого метода, можно использовать такие подходы, как сегментация на основе моделей или сегментация на основе регистрации. Сбор дополнительных наборов данных для увеличения объема выборки также будет полезен для данного исследования.