Automatiserad Midline Shift och intrakraniellt tryck Skattning baserad på Brain CT-bilder
Summary
En automatiserad mittlinjen skift uppskattning och intrakraniellt tryck (ICP) pre-screening system baserat på datortomografi (CT) bilder för patienter med traumatisk hjärnskada (TBI) föreslås med bildbehandling och maskininlärning tekniker.
Abstract
I detta papper presenterar vi ett automatiserat system baserat huvudsakligen på datortomografi (CT) bilder som består av två huvudkomponenter: mittlinjen skift uppskattning och intrakraniellt tryck (ICP) pre-screening system. För att uppskatta mittlinjen skift, först en uppskattning av den ideala mittlinjen utförs baserat på symmetri skallen och anatomiska funktioner i hjärnan datortomografi. Sedan segmentering av ventriklarna från datortomografi utförs och används som en guide för identifiering av den faktiska mittlinjen genom formen matchning. Dessa processer härmar mätprocessen av läkare och har visat lovande resultat i utvärderingen. I den andra delen, fler funktioner extraherade relaterade till ICP, såsom konsistens information blod belopp från datortomografi och andra inspelade funktioner, såsom ålder, skada svårighetsgrad att uppskatta ICP har också förts. Maskininlärning tekniker, inklusive funktionen urval och klassificering, såsom stödVector Machines (SVMs), används för att bygga prognosmodell med RapidMiner. Utvärderingen av förutsägelsen visar potentiella användbarheten av modellen. Den beräknade idealiska mittlinjen skift och förutspådde ICP nivåerna kan användas som en snabb pre-screening steg för läkare att fatta beslut, så att rekommendera för eller emot invasiv ICP övervakning.
Introduction
Varje år finns det cirka 1,4 miljoner traumatiska hjärnskador (TBI) relaterade akutmottagning fall i USA, varav över 50.000 resultera i dödsfall 1. Svår TBI brukar åtföljas av en ökning i intrakraniellt tryck (ICP) med symtom som hematom och svullnad hjärnvävnad. Dessa resulterar i minskad cerebral perfusion tryck och cerebralt blodflöde, placera den skadade hjärnan i ytterligare risk. Svår ICP ökning kan vara dödlig, så kontrollera ICP för patienter med TBI är avgörande. Detta kräver typiskt placering av kvarliggande katetrar direkt in i hjärnan för övervakning av tryck, en riskabel procedur för patienter som endast kan utföras vid specialiserade medicinska centra. Förfarandet innebär också risker såsom infektion. Dock kan vissa tecken på förhöjt ICP märkas inom medicinsk bildbehandling. I synnerhet, är mittlinjen förskjutning ofta förknippas med en ökning av ICP och kan fångas från hjärnan beräknade tomography (CT) bilder. Som sådana dessa bilder ger en möjlighet för icke-invasiv detektion av förhöjt ICP som kan användas som en pre-screening steg före kranial trepanation. CT är fortfarande den gyllene standarden för första TBI bedömning bland alla andra avbildningsmetoder, t.ex. MRI, på grund av dess höga hastighet och relativ låg kostnad 2. Dessutom kräver en CT-undersökning inte strikt patienter orörlighet och har fördelen att avslöja allvarliga störningar såsom benfrakturer och hematom. Medan CT används ofta för detektering av skador i hjärnan, baserat på den nuvarande tekniken är mittlinjen skift inte automatiskt mäts och därmed läkare måste bedöma denna viktiga faktor genom visuell inspektion. Felaktig eller oförenlig CT tolkning är ofta förknippad med den typ av mänskliga visuella systemet och den komplexa strukturen av hjärnan. Medan små mittlinjen skift är svårfångade, de är ofta ovärderlig för bedömning av hjärnskada, i partikulära i tidiga skeden av skador innan patientens tillstånd blir allvarligare. På den andra sidan av spektrumet, tyder stor mittlinjen skift kraftigt förhöjd ICP och mer svår TBI. Det är dock en mycket utmanande uppgift för människor att visuellt inspektera CT-bilder och förutsäga nivån på ICP kvantitativt. På grund av framsteg inom automatiserade beräkningstekniker kan funktioner som extraherats från CT-bilder, till exempel mittlinjen skift, hematom volym och textur av hjärnans CT-bilder, mätas exakt och automatiskt med hjälp av avancerade metoder bildbehandling. Men, förhållandet mellan ICP och mittlinjen skift samt andra funktioner som graden av blödning har texturen från CT bilder inte undersökts. I detta dokument har en computational ram föreslagits för att mäta mittlinjen skift mätning samt andra fysiologiska / anatomiska funktioner på hjärnans CT-bilder och sedan förutsäga graden av ICP icke-närgånget med maskininlärning tekniker.
Protocol
Representative Results
Discussion
I denna studie har en intuitiv och flexibel ram som föreslås för att ta itu två utmanande problem: en uppskattning av mittlinjen skiftet i CT bilder och ICP nivå förutsägelse baserad på extraherade funktioner. Utvärderingsresultaten visar effektiviteten hos den föreslagna metoden. Såvitt vi vet är detta första gången en systematisk studie itu med dessa två problem. Vi märker att utifrån den allmänna ramen, det finns många potentiella förbättringar som kan uppnås. Till exempel i den föreslagna segm…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Materialet bygger på arbete delvis stöds av National Science Foundation i Grant No IIS0758410. De data som tillhandahålls av Carolinas 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).
