Beyin BT Görüntüleri dayalı otomatik Midline Shift ve İntrakraniyal Basınç Tahmini
Summary
Otomatik bir orta hat kayması tahmini ve intrakraniyal basınç (ICP) travmatik beyin hasarı (TBI) olan hastalarda bilgisayarlı tomografi (BT) görüntüleri dayalı ön eleme sisteminin görüntü işleme ve makine öğrenme teknikleri kullanılarak önerilmiştir.
Abstract
Orta hat kayması tahmini ve intrakraniyal basınç (ICP) ön eleme sistemi: Bu yazıda esas olarak iki ana bileşenden oluşan bilgisayarlı tomografi (BT) görüntüleri dayalı otomatik bir sistem sunuyoruz. İdeal midline bir tahmin kafatası ve beyin BT anatomik özellikleri simetri esasına dayanılarak yapılır, önce orta hat kayması tahmin etmek. Daha sonra, CT taraması ventriküllerin bölümleme gerçekleştirilir ve şekil eşleme yoluyla gerçek orta hat belirlenmesi için bir kılavuz olarak kullanılır. Bu süreçler hekimler tarafından ölçüm süreci taklit ve değerlendirilmesinde umut verici sonuçlar göstermiştir. İkinci bileşen, daha fazla özellikleri de dahil edilmiştir gibi, yaş, ICP tahmin etmek yaralanma ciddiyet skoru olarak CT taramaları ve diğer kayıtlı özellikleri, gelen doku bilgi, kan miktarı, ICP ilgili ayıklanır. Böyle Desteği gibi özellik seçimi ve sınıflandırılması dahil Makine öğrenme teknikleri,Vektör Makineleri (DVM), RapidMiner kullanarak tahmini model oluşturmak için istihdam edilmektedir. Tahmini değerlendirme modelinin potansiyel yararı gösterir. Tahmini ideal bir orta hat kayması ve ICP seviyeleri tahmin veya invaziv ICP izlenmesi karşı tavsiye etmek, böylece kararlar hekimler için hızlı bir ön tarama adım olarak kullanılabilir.
Introduction
Her yıl Amerika Birleşik Devletleri yaklaşık 1,4 milyon travmatik beyin yaralanması (TBY) ilgili acil serviste durumlar vardır, hangi, ölüm 1 50.000 sonuç üzerinde. TBI Şiddetli genellikle hematom ve şişlik beyin dokusu gibi belirtilerle intrakraniyal basınç (ICP) bir artış eşlik eder. Azaltılmış serebral perfüzyon basıncı ve ek risk incinen beyin yerleştirerek serebral kan akımında bu sonucu. Şiddetli ICP artışı ölümcül olabilir, TBH olan hastalar için ICP izlenmesi çok önemlidir bu yüzden. Bu genellikle doğrudan basınç izleme, yalnızca uzman tıp merkezlerinde yapılabilir hastalar için riskli bir prosedür için beyin içine kateter kalıcı yerleştirme gerektirir. Bu prosedür, aynı zamanda enfeksiyon gibi risk içerir. Ancak, yüksek ICP bazı belirtileri tıbbi görüntüleme alanında belirgin olabilir. Özellikle, orta hat kayması genellikle ICP bir artış ile ilişkilidir ve beyin bilgisayarlı t çekilebiliromography (BT) görüntüleri. Gibi, bu görüntüleri kranial trepanasyon önce bir ön eleme adım olarak kullanılabilir yükseltilmiş ICP non-invaziv tespiti için bir fırsat sağlamaktadır. CT görüntüleme nedeniyle yüksek hız ve nispeten düşük maliyeti 2, hala tüm diğer görüntüleme yöntemleri, örneğin MR arasındaki ilk TBI değerlendirmesi için altın standarttır. Ayrıca, BT incelemesi sıkı hasta hareketsizlik gerektiren ve bu kemik kırıkları ve hematom gibi ciddi anormallikler ortaya avantaj sahip değildir. BT yaygın güncel teknolojiye dayalı beyin yaralanmaları, tespiti için kullanılır iken, orta hat kayması otomatik olarak ölçülür değildir ve bu nedenle hekimler görsel muayene ile bu önemli faktörü değerlendirmek gerekir. Yanlış ya da tutarsız CT yorumlama sık sık insan görme sisteminin yapısı ve beyin karmaşık yapısı ile ilgilidir. Küçük orta hat kaymaları zor olsa da, onlar s, beyin hasarının değerlendirilmesi için genellikle paha biçilmezdirBir hastanın durumunun daha önce yaralanma erken aşamalarında artiküler daha şiddetli olur. Yelpazenin diğer tarafında, büyük orta hat kayması oldukça yüksek ICP ve TBI daha şiddetli göstermektedir. Ancak, görsel BT görüntüleri incelemek ve nicelik ICP düzeyini tahmin etmek insanlar için çok zor bir iştir. Otomatik hesaplama tekniklerindeki gelişmeler nedeniyle, beyin BT görüntülerinin orta hat kayması, hematom hacmi ve doku gibi BT görüntüleri, çıkarılan özelliklerini ölçülebilir ve otomatik gelişmiş görüntü işleme yöntemleri kullanarak. Ancak, ICP ve orta hat kayması yanı sıra kanama derecesi gibi diğer özellikler arasındaki ilişkinin, BT görüntüleri doku araştırılmamıştır. Bu yazıda, bir bilişimsel çerçeve orta hat kayması ölçümü yanı sıra beyin BT görüntülerinde diğer fizyolojik / anatomik özelliklerini ölçmek ve ardından ICP olmayan intrusively tekniklerini öğrenme makinesi kullanmanın derecesi tahmin öne sürülmüştür.
Protocol
Representative Results
Discussion
BT görüntüleri ve çıkarılan özelliklere göre ICP düzeyinde tahmini olarak orta hat kayması tahmini: Bu çalışmada, sezgisel ve esnek bir çerçeve iki zorlu sorunları çözmek için önerilmiştir. Değerlendirme sonuçları önerilen yöntemin etkinliğini göstermektedir. Bildiğimiz gibi, bu iki bu sorunları ele sistematik bir çalışmanın ilk kez. Biz genel çerçeveye dayalı, elde edilebilir birçok potansiyel gelişmeler olduğunu fark. Örneğin, önerilen bölütleme içinde, düşük seviyede b…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Materyal kısmen Hibe No IIS0758410 kapsamında Ulusal Bilim Vakfı tarafından desteklenen çalışma dayanır. Veri Carolinas Sağlık Sistemi tarafından sağlandı.
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).
