Beyin BT Görüntüleri dayalı otomatik Midline Shift ve İntrakraniyal Basınç Tahmini

Bu deneyin genel amacı, travmatik beyin hasarı olan hastaların beyin BT görüntülerinden orta hat kaymalarını tespit etmek ve böylece beyin içindeki intrakraniyal basıncı tahmin etmektir. Bu projede, BT görüntülerini analiz etmek ve intrakraniyal basıncı veya ICP'yi öngörmek için hesaplamalı bir yöntem geliştirdik. Bu projenin çıkış noktası, kafa yaralanması olan kişilerin birçok vakasında ICP'nin veya intrakraniyal basıncın yükselmiş olabileceğine dair her zaman bir şüphenin olmasıdır. Bir BT ile beynin şişmesini, hematomları, orta hat kaymalarını veya beynin lateral kaymalarını değerlendirebiliriz; ancak genel olarak basıncı bir dereceye kadar artırdığı dışında, bunun intrakraniyal basınç üzerinde ne gibi bir etkisi olduğunu güvenilir bir şekilde öngöremeyiz ve işte burada üzerinde çalıştığımız hesaplamalı yöntemler faydalı olmaktadır.

Anatomik değişikliklerin intrakraniyal basınç üzerinde tam olarak ne gibi etkileri olduğunu makul bir doğruluk düzeyiyle öngörebilir. Bu şematik diyagram, bu araştırmada uygulanan metodolojinin genel görünümünü sunmaktadır. Bilgisayarlı aksiyel tomografi, daha yaygın olarak kısaltılmış isimleri olan BT taraması veya KAT taraması olarak bilinir.

BT taramaları, tek bir dönme ekseni etrafında alınan geniş bir iki boyutlu röntgen görüntüsü serisinden oluşturulur. Yaklaşımımızın ilk adımında, travmatik beyin hasarı (TBI) olan hastaların BT taramaları elde edilir ve orta hat kaymasını tespit etmek için analiz edilir. Bir sonraki adım, BT görüntülerinin çeşitli doku bilgileri ve kan miktarı tahmini gibi diğer özelliklerin çıkarılmasını ve analizini içerir.

Yaklaşımımız, ICP'yi tahmin etmek için çıkarılan özelliklerin yanı sıra diğer demografik bilgileri de kullanır; ICP ile çıkarılan özellikler arasındaki ilişkiyi modellemek için makine öğrenimi algoritmaları kullanılır. Yaklaşık ideal orta hat, kafatasının simetrisi kullanılarak tespit edilir. İlk olarak, gri tonlamalı eşikleme kullanılarak kafatası görüntü kesitinden segmente edilir.

Ardından algoritma, kafatasının ortaya çıkan iki yarısının simetrisini maksimize eden hattı bulmak için kafatasının kütle merkezi etrafındaki her rotasyon açısını kapsamlı bir şekilde tarar. Yaklaşık ideal orta hat, söz konusu rotasyon açısıyla kütle merkezi noktasından geçen hattır. Simetriyi maksimize etmek ve ideal orta hattı yalnızca simetriye dayanarak tespit etmek, her zaman otomatik olarak anlamlı sonuçlar sağlamayabilir.

Bu nedenle yöntemimizde, amin hattının konumlarını hassaslaştırmak için posterior box teorisi ve anterior fox tutunması gibi spesifik elektronik özellikleri bulmak amacıyla bir adım daha ileri gidiyoruz. Ardından, bu anatomik özellikleri hızlı ve doğru bir şekilde tespit edebilmek için yaklaşık ideal orta hattı hassaslaştırmak amacıyla, posterior fox cere ve anterior fox tutunmasının sagittal sulkus kenarlarıyla olan ilişkisi tanımlanır. İkinci olarak, yaklaşık ideal orta hatta ve onun iki kesişim noktasına dayalı iki arama dikdörtgeni tanımlanır.

Kalvaryum ile birlikte, dikdörtgenin boyutu tespit edilecek anatomik özellikleri kapsayacak şekilde seçilir. Anterior tilki eki, kalvaryum üzerindeki sırtın tepe noktası olarak tespit edilirken, fox cere posterior bölgedeki gri çizgi olarak tespit edilir. Kafatasının anterior bölümünde bir kemik çıkıntısı bulunur.

Fox cery bu noktadan itibaren uzanır. Bu anatomik özellik, orta hat için bir başlangıç noktası olarak kullanılabilir. Çıkıntının, foxer'ın ön kenarındaki yerel bir minimum noktasına doğru aşağıya doğru kıvrıldığı görülebilir.

Kafatası kemiklerinin alt kenarı görüntü düzleminde bir eğri olarak kabul edilirse, bu eğri tek boyutlu bir fonksiyon olarak modellenebilir. Çıkıntı noktasının tespiti, örneklenmiş tek boyutlu bir fonksiyonun minimumunu bulma işlemine dönüşür. Segmentasyonu tamamlanmış üst kafatası kemiği girdisiyle birlikte, ilk adım kemiğin alt kenarının çıkarılmasıdır.

Bir sonraki adım, lokal minimum kullanılarak çıkıntının tespit edilmesini içerir. Burada lokal minimum aynı zamanda çıkıntının bitiş noktasını temsil eder. Bu şematik diyagram, beynin alt kısmındaki tilkinin nasıl tespit edildiğini göstermektedir.

İlk adımda koyu renkli çizgiler değil, açık gri çizgilerin tespit edilmesi amaçlandığından, alanın medyan değeri eşik olarak kullanılır. Bu eşik kullanılarak, altındaki tüm gri tonlama değerleri medyan değerine ayarlanır. Ardından, kenar haritasını oluşturmak için sıfır geçişli bir kenar dedektörü kullanılır.

Bu işlem, Sobel deteksiyonu sırasında daha zengin kenarların korunmasını sağlar ve bir sonraki adımda istenmeyen kenarların kaldırılmasına olanak tanır. Kenar haritası daha sonra tilki beyin korpusu (cere)nun bilinen özellikleri kullanılarak adım adım iyileştirilir. Bu işlem ilk olarak yoğunluk ve gradyan kullanılarak kenar haritasının iyileştirilmesiyle yapılır; ardından haritayı daha da rafine etmek için boyut eşiği ve konsantrasyon eşiği kullanılır.

Burada ayrıca, konsantrasyon eşiği kenar noktalarının yoğunluğundan ibarettir. Son olarak, tilkiyi temsil eden çizgileri tespit etmek için Hough dönüşümü uygulanır. Hough dönüşümünün sonuçları genellikle bir dizi çizgiden oluşur.

Bu kümeden istenen doğruların ayıklanabilmesi için kısıtlamalar belirlenmelidir. İlk olarak, doğrunun açısı, doğruların yoğunlaştığı aralıkta olmalıdır. Bu aralık, tespit edilen doğrunun açılarının istatistikleri hesaplanarak elde edilir.

İkinci olarak, çizgi, çizgilerin yoğunlaştığı aralığın içinde yer almalıdır. Bu aşamadaki nihai ideal orta hat, yukarıdaki kısıtlamaları karşılayan en uzun çizgiler olarak seçilir. Bu görüntü, iki ilgi bölgesini ve iç çıkıntılara dayalı olarak rafine edilmiş ideal orta hattı göstermektedir.

Yeşil çizgi rafine edilmiş ideal orta hattı, kırmızı çizgi ise rafinasyon öncesindeki beynin ideal orta hattının yaklaşık konumunu göstermektedir. Bu görüntü, beynin bir MRI kesitinin varlığıyla birlikte ventriküler sistemin 3D modelini göstermektedir. Görüntünün kırmızı kısmı ventriküler sistemi 3D olarak temsil etmektedir.

Ventriküler sistem; üst kısımda iki bilateral ventrikülden, orta kısımda üçüncü ventrikülden ve alt kısımda dördüncü ventrikülden oluşur. Bir ventriküle ilişkin bilgi çıkarmanızın nedeni, bir yaralanma nedeniyle beyin içindeki basınç değiştiğinde ventrikülün deforme olması ve bu nedenle beyin dokusunun deformasyonunu ve patolojik durumları ölçmek için uygun bir aday olmasıdır. Ardışık MRI veya BT görüntü kesitlerinde ventriküler sistem sağ tarafta çeşitli şekillerde görünmektedir; bir MRI'dan elde edilen ventriküler sistem şekilleri gösterilmiştir.

BT segmentasyonunun amacı, bu şekilleri orijinal BT taramalarından tanımlamaktır. Önerdiğimiz yöntemde segmentasyon işlemi iki kısma ayrılmıştır. İlk olarak, pikselleri farklı bölümlere ayırmak için başlangıç düzeyinde düşük seviyeli bir segmentasyon yöntemi uygulanır.

Ardından, segmentasyon sonuçlarından ventrikülleri tanımlamak için üst düzey bir şablon eşleştirme yöntemi kullanılır. Bu görüntü, Gauss karışım yöntemine dayalı düşük düzey segmentasyonu göstermektedir. İlk olarak, orijinal BT görüntüleri medyan filtreleme kullanılarak filtrelenir.

Sonuç soldaki görüntüde gösterilmiştir. Ardından, temel bir segmentasyon elde etmek için K-ortalamalar algoritması uygulanır. Bu sonuç ortada gösterilmiştir.

K-ortalamalar (K-means) algoritması uygulandıktan sonra, goss ve karışım yöntemi uygulanır. Sağdaki görüntü, başlatılmış olan 2D görüntü üzerindeki farklı goss ve dağılımları göstermektedir. Aynı segmentasyon kullanılarak parametreleri geliştirmek için beklenti maksimizasyonu (expectation maximization) kullanılır ve sonuç olarak ayarlanmış segmentasyon sonucu elde edilir.

Ventriküler sistem Z yönünde, eğitim seti genelinde anlamlı bir varyasyon göstermemektedir. Bu nedenle, eşlemeler doğrusal form ile yaklaşık olarak ifade edilebilir. Burada açıklanan yöntemde, bu eşlemeler önce manuel olarak başlatılır ve ardından bir eğitim görüntü seti kullanılarak optimize edilir.

İlk ventrikül segmentasyonunu kabul etmek için üç kısıt bulunmaktadır. Birincisi, segmentin nispeten büyük olması gerekir. İkincisi, segmentin beynin kenarına yakın olmaması gerekir.

Üçüncü olarak, segment ventrikül şablonu ile kesişir. Alttaki şekiller, sonuçlardan ventrikül tanıma adımına dair bir örneği göstermektedir. Boyut, sınırlayıcı kutu ve şablon kısıtlamaları kullanılarak ventrikül bölümlerinin başarıyla tanındığı görülebilir.

Gerçek orta hattı tahmin etmek için, öncelikle segmentlere ayrılmış Ventrikülleri şekil eşleme yoluyla şablonlarla eşleştiririz. Bu şekil, eşleme işlemini göstermektedir. İlk olarak, kenar noktaları örneklenir.

Ardından iki şeklin eşleşme maliyeti optimize edilerek, bu iki şekil arasındaki noktaların karşılıkları belirlenir. Örneğin, ikinci satırdaki son görüntü, bir şekildeki kırmızı noktaların diğer şekildeki yeşil noktalara bağlanmasıyla bu karşılıkları göstermektedir.

Ventriküler sistem 3 boyutlu bir yapı olduğu ve farklı BT kesitlerinde farklı şekillere sahip olduğu için, şekil eşleştirmesini tüm BT kesitleri boyunca gerçekleştiriyoruz. Her kesit için, orta hattın tahmin edilmesinde kullanılabilecek özellik noktalarını tanımlıyoruz. Örneğin, lateral ventrikül şekillerindeki özellik noktaları, iki lateral ventrikülün iç kenar noktalarıdır.

Bu özellik noktaları, eşleştirme işleminden önce manuel olarak etiketlenen şablon üzerindeki özellik noktalarıyla olan uygunlukları aracılığıyla belirlenir. Burada, farklı şablonlar seçilerek elde edilen birçok eşleştirme sonucu gösterilmiştir. Her şekil eşleştirmesi için bir eşleştirme maliyeti vardır.

Minimum eşleşme maliyetini seçerek, şekil eşleştirmede kullanılacak en iyi şablonu buluruz ve özellik noktalarını tanımlarız. Bu örnekte, segmentasyon sonuçlarından gelen noktalar yeşil, şablonlardan gelen noktalar ise kırmızı ile gösterilmiştir. Eşleşme maliyetini karşılaştırarak, birinci şablonun kullanım için en uygun olanı olduğunu görebiliriz.

Özellik noktaları belirlendikten sonra, bu özellik noktalarının X koordinatlarını hesaplarız. Genellikle sol tarafta ve sağ tarafta özellik noktaları bulunur. Gerçek orta hattın X koordinatı, sol ve sağ özellik noktalarının X koordinatlarının ortalaması olarak tahmin edilir.

Burada dört kestirim sonucu gösterilmiştir. Yeşil dikey çizgi, gerçek orta hattın kestirilen X koordinatını temsil etmektedir. Eşleşen şablon, mavi noktalarla gösterilmiştir.

Belirlenen özellik noktaları mavi renkte gösterilmiştir. Sonuçlardan, gerçek orta hat tahmin edildikten sonra gerçek orta hattın kestiriminin çok iyi çalıştığı görülebilir. Yatay orta hat kayması S'nin hesaplanması oldukça kolaydır.

X ideal, ideal orta hattın X koordinatını; X actual ise tahmini gerçek orta hattın X koordinatını temsil eder. Burada gösterilen görüntüler hem tahmini ideal orta hattı hem de gerçek orta hattı örneklendirmektedir. Orta hat kaymasının kullanımının yanı sıra, çıkardığımız bu özellikler ICP seviyelerini öngörmede bize ek bilgiler sağlayabilir.

Bunun arkasındaki temel fikir, mümkün olduğunca fazla özellik çıkarmak ve ardından özellik seçme yöntemlerini kullanarak yalnızca ICB bilgisi sağlamada ilgili olan özellikleri tutabilmektir. BT taramalarından çıkarılan özellikler arasında orta hat kayması, kan miktarı ve doku paternleri yer almaktadır. Diğer kaynaklardan gelen özellikler ise hasta yaşı, travma skoru ve yaralanma şiddeti skoru gibi demografik bilgileri içerir.

Pikselleri etiketlemek için Gaussian karışım modeline dayalı bir segmentasyon algoritması kullanılır. Pikseller; kan, beyin omurilik sıvısı, gri madde ve beyaz madde dokusu olmak üzere dört kategoriye ayrılır. BT görüntülerindeki paternler, beynin durumuna dair belirtiler içerebilir.

Yüksek intrakraniyal basınç seviyeleri doku paternini değiştirebilir. Temel olarak, serebrospinal sıvı bulunmayan bölgedeki doku paternlerine odaklanılmakta veya BT görüntüsünün küçük alt görüntülerine veya pencerelerine doku analizi uygulanmaktadır. Her BT görüntüsünde altı pencere seçilir.

Doku özellikleri, ayrık Fourier dönüşümü ve ayrık dalgacık dönüşümü kullanılarak çıkarılmaktadır. Özetle, mevcut bilgi miktarı oldukça fazladır. Hekimlerin, deneyim seviyeleri ne olursa olsun, tüm bu sinyalleri aynı anda işlemesi oldukça sorunlu hale gelmektedir.

Bu nedenle, BT taramalarını incelemeyi ve otomatik görüntüleme yapmayı amaçlayan mevcut proje, bu verileri çok daha hızlı işlememize yardımcı olarak ben ve diğer acil servis hekimleri ile travmatologlar için oldukça yararlı olacaktır. Veri seti, hafiften ağıra kadar travmatik beyin hasarı olan 17 hastayı içermektedir. Her hastanın birkaç BT taraması bulunmaktadır ve çalışmada toplam 57 tarama kullanılmıştır.

Kafa içi basıncını temsil eden bir değer her saat başı kaydedilir. Yükselmiş ICP seviyesinin iki kategorisi vardır. ICP, 12 tor üzerindeki ICP olarak tanımlanır.

Normal İK için, İK'nin 12 tor veya daha az olması tanımlanmıştır. Bu veri setinde 33 normal vaka ve 24 yüksek İK vakası bulunmaktadır. Modeli oluşturmak için, on katlı çapraz doğrulamanın iki aşamasını kullanıyoruz.

Birincisi, özellik seçiminin gerçekleştirildiği iç içe geçmiş bir aşamadır. İkinci aşamada, genetik bir arama yöntemi kullanılır ve arama yöntemiyle birlikte kullanılan sınıflandırıcı destek vektör makinesidir. Bu görsel, ideal orta hat tahminini göstermektedir.

Kırmızı çizgi, kafatasının simetrisine dayalı yaklaşık ideal orta hattır. Anatomik özellikler kullanılarak yapılan iyileştirmeden sonra, yeşil çizgi ile temsil edilen daha iyi tahmin edilmiş bir ideal orta hatta sahibiz. Görüntüde, bu görseller tahmin edilen gerçek orta hattı göstermektedir.

Yeşil çizgiler tahmin edilen gerçek orta hattı, mavi noktalar ise eşleştirilmiş şablonları göstermektedir. Sağdaki görüntü, merkezin solundaki tahmin edilen ideal orta hattı ve gerçek orta hattı göstermektedir. Sağda, tahminden kaynaklanan sonuç orta hat kaymasını görebiliriz.

Burada ayrıca yöntemlerimizin değerlendirmesindeki nicel sonuçları da sunuyoruz. Veri setimizdeki BT kesitlerinin çoğunda, metodolojimiz tarafından tahmin edilen ideal orta hat ile hekim tarafından işaretlenen orta hatlar arasındaki hata yaklaşık iki piksel veya bir milimetredir. Gerçek orta hat için, segmentasyon sonuçlarının belirli bir kalite kontrolü altında, %80'inden fazlası 2,25 milimetreden daha az fark göstermektedir.

İntrakraniyal basınç tahmini değerlendirmesi, on katlı çapraz doğrulama kullanılarak yaklaşık %70 doğruluk oranına sahiptir. Öncelikle, düşük seviyeli ve yüksek seviyeli segmentasyon süreçlerini birbirinden ayırıyoruz. Bu tasarım farklı algoritmaların dahil edilmesinden fayda sağlayabilse de, düşük seviyeli segmentasyondaki tüm bilgilerden yararlanamayabiliriz.

Düşük seviyeli segmentasyon ile yüksek seviyeli segmentasyonu birleştirerek daha iyi segmentasyon sonuçları elde edebiliriz. Bu fikir doğrultusunda, hem daha iyi öngörüler elde etmek hem de önerilen yöntemin daha kapsamlı bir değerlendirmesini sunmak amacıyla, model tabanlı segmentasyon veya kayıt tabanlı segmentasyon gibi yöntemler kullanabiliriz. Daha fazla veri seti toplamak ve örneklem boyutunu büyütmek çalışmaya fayda sağlayacaktır.