Geautomatiseerde Midline Shift en intracraniale druk Schatting op basis van Brain CT afbeeldingen
Summary
Een geautomatiseerde middellijn shift schatting en intracraniële druk (ICP) pre-screening op basis van computertomografie (CT) beelden voor patiënten met traumatisch hersenletsel (TBI) wordt voorgesteld met behulp van beeldverwerking en machine learning technieken.
Abstract
In dit artikel presenteren we een geautomatiseerd systeem vooral gebaseerd op de computertomografie (CT) beelden, bestaande uit twee hoofdonderdelen: de middellijn shift schatting en intracraniële druk (ICP) pre-screening systeem. De middellijn shift eerste raming een schatting van het ideale middellijn uitgevoerd op basis van de symmetrie van de schedel en anatomische kenmerken in de hersenen CT scan. Vervolgens wordt segmentatie van de ventrikels van de CT-scan en gebruikt als richtlijn voor de identificatie van de werkelijke middellijn door matching vorm. Deze processen bootsen de meting door artsen en hebben veelbelovende resultaten bij de evaluatie. In de tweede component, meer mogelijkheden geëxtraheerd verband met ICP, zoals de textuurinformatie, bloed hoeveelheid van CT scans en andere opgenomen kenmerken, zoals leeftijd, letselernst score van de ICP schatten zijn ook opgenomen. Machine learning technieken, waaronder feature selectie en classificatie, zoals ondersteuningVector Machines (SVMs), worden gebruikt om het voorspellingsmodel met RapidMiner te bouwen. De evaluatie van de voorspelling toont potentiële nut van het model. De geschatte ideale middellijn shift en voorspelde ICP niveaus kan worden gebruikt als een snelle pre-screening stap voor artsen om beslissingen te nemen, om zo aan te bevelen voor of tegen invasieve ICP monitoring.
Introduction
Elk jaar zijn er ongeveer 1,4 miljoen traumatisch hersenletsel (TBI) gerelateerde afdeling spoedeisende gevallen in de Verenigde Staten, waarvan meer dan 50.000 de dood tot gevolg 1. Ernstige TBI gaat meestal gepaard met een toename van de intracraniale druk (ICP) met symptomen zoals hematomen en zwelling hersenweefsel. Deze resulteren in een verminderde cerebrale perfusie druk en cerebrale doorbloeding, het plaatsen van de gewonde hersenen in extra risico. Ernstige ICP stijging fataal kan zijn, zodat de controle ICP voor patiënten met TBI is cruciaal. Dit vereist typisch plaatsing van katheters direct in de hersenen voor de monitoring van druk, een riskante procedure voor patiënten die alleen kan worden uitgevoerd in gespecialiseerde medische centra. Deze procedure houdt ook risico zoals een infectie. Echter, sommige tekenen van verhoogde ICP merkbaar zijn in de medische beeldvorming. In het bijzonder wordt middellijn shift vaak geassocieerd met een verhoging van de ICP en kunnen worden overgebracht naar de hersenen berekende tomography (CT) beelden. Als zodanig zijn deze beelden een gelegenheid voor niet-invasieve detectie van verhoogde ICP die kunnen worden gebruikt als pre-screening stap voor craniale trepanatie. CT is nog steeds de gouden standaard voor TBI eerste beoordeling van alle andere beeldvormingsmodaliteiten zoals MRI, vanwege de hoge snelheid en relatief lage kosten 2. Bovendien is een CT-onderzoek niet strikte patiënt immobiliteit, en heeft voordeel bij het onthullen van ernstige afwijkingen, zoals botbreuken en hematomen. Terwijl CT wordt gebruikt voor detectie van letsels in de hersenen, op basis van de huidige technologie is middellijn verschuiving niet automatisch gemeten en derhalve artsen moeten deze belangrijke factor bepalen door visuele inspectie. Onnauwkeurig of niet CT interpretatie wordt vaak geassocieerd met de aard van het menselijke visuele systeem en de complexe structuur van de hersenen. Terwijl kleine middellijn verschuivingen zijn ongrijpbaar, ze zijn vaak van onschatbare waarde voor de beoordeling van hersenletsel, in particulaire vroeg stadium van schade voordat toestand van de patiënt ernstiger. Aan de andere kant van het spectrum, grote middellijn shift suggereert sterk verhoogde ICP en ernstige TBI. Het is echter een zeer uitdagende taak voor mensen visueel inspecteren CT beelden en kwantitatief te voorspellen het niveau van ICP. Door de vooruitgang in geautomatiseerde computationele technieken kunnen features uit CT beelden, zoals middellijn verschuiving hematoom volume en textuur van hersenen CT beelden, nauwkeurig worden gemeten en automatisch met behulp van geavanceerde beeldverwerkingsmethoden. De relatie tussen ICP en middellijn shift en andere functies zoals de mate van bloeding, is de structuur van CT beelden niet onderzocht. In dit artikel is een computationeel raamwerk voorgesteld aan de middellijn shift meting en andere fysiologische / anatomische kenmerken op de hersenen CT-beelden vervolgens te meten en de mate van ICP niet-opdringerig met behulp van machine learning technieken voorspellen.
Protocol
Representative Results
Discussion
In deze studie wordt een intuïtieve en flexibel framework voorgesteld om twee uitdagende problemen aan te pakken: de schatting van de middellijn verschuiving in CT-beelden en ICP-niveau voorspelling op basis van geëxtraheerde kenmerken. De evaluatie resultaten tonen de effectiviteit van de voorgestelde werkwijze. Voor zover wij weten is dit de eerste keer dat van een systematische studie in de aanpak van deze twee problemen. We merken dat op basis van het algemene kader, zijn er vele mogelijke verbeteringen die kunnen…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Het materiaal is gebaseerd op het werk gedeeltelijk ondersteund door de National Science Foundation onder Grant No IIS0758410. De gegevens werden geleverd door Carolina Healthcare System.
References
- Langlois, J. A., Rutland-Brown, W., Thomas, K. E. . Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , (2006).
- Moore, E. E., Feliciano, D. V., Mattox, K. L. . Trauma. , (2003).
- Chen, W., Smith, R., Ji, S. Y., Ward, K. R., Najarian, K. Automated Ventricular Systems Segmentation in Brain CT Images by Combining Low-level Segmentation and High-level Template Matching. BMC Medical Informatics and Decision Making. 9, (2009).
- Chen, W., Najarian, K. Segmentation of Ventricles in Brain CT Images Using Gaussian Mixture Model Method. , 15-20 (2009).
- Chen, W., Ward, K. R., Najarian, K. Actual Midline Estimation from Brain CT Scan Using Multiple Regions Shape Matching. , 2552-2555 (2010).
- Chen, W., Cockrell, C., Ward, K. R., Najarian, K. Intracranial Pressure Level Prediction in Traumatic Brain Injury by Extracting Features from Multiple Sources and Using Machine Learning Methods. , 510-515 (2010).
- Greenspan, H., Ruf, A., Goldberger, J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images. IEEE Trans. Med. Imaging. 25 (9), 1233-1245 (2006).
- Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
- Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
- Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
- Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T. Yale: Rapid prototyping for complex data mining tasks. , 935-940 (2006).
