Automatisert Midline Shift og intrakranielt trykk Estimering basert på Brain CT-bilder
Summary
En automatisert midtlinjen skift estimering og intrakranielt trykk (ICP) pre-screening system basert på computertomografi (CT) bilder for pasienter med traumatisk hjerneskade (TBI) er foreslått med bildebehandling og maskin lære teknikker.
Abstract
I denne artikkelen presenterer vi et automatisert system basert hovedsakelig på computertomografi (CT) bilder som består av to hovedkomponenter: midtlinjen skift estimering og intrakranielt trykk (ICP) pre-screening system. Å anslå midtlinjen skift, først en estimert den ideelle midtlinjen utføres basert på symmetri av skallen og anatomiske trekk i hjernen CT scan. Deretter er segmentering av ventriklene fra CT scan utføres og brukes som en veiledning for å identifisere selve midtlinjen gjennom formen matching. Disse prosessene etterligne måleprosessen av leger og har vist lovende resultater i evalueringen. I den andre komponenten, er flere funksjoner relatert til ekstrahert ICP, eksempel tekstur informasjon, blod beløp fra CT skanner og andre registrerte funksjoner, så som alder, skadegradstetthet vurdering å estimere ICP er også innarbeidet. Maskinlæring teknikker inkludert funksjonen utvalg og klassifisering, for eksempel støtte(SVMer), er ansatt for å bygge prediksjon modellen med RapidMiner. Evalueringen av prediksjon viser potensielle nytten av modellen. Den estimerte ideelle midtlinjen skift og spådde ICP nivåer kan brukes som en rask pre-screening steg for leger å ta avgjørelser, slik som å anbefale for eller mot invasiv ICP overvåking.
Introduction
Hvert år er det om lag 1,4 millioner traumatiske hjerneskader (TBI) relaterte akuttmottak tilfeller i USA, hvorav over 50.000 føre til dødsfall en. Alvorlig TBI er vanligvis ledsaget av en økning i intrakranielt trykk (ICP) med symptomer som hematomer og hevelse hjernevev. Disse resulterer i redusert cerebral perfusjon trykk og cerebral blodstrøm, plassere den skadde hjernen i ekstra risiko. Alvorlig ICP økningen kan være dødelig, så overvåking ICP for pasienter med hodeskader er avgjørende. Dette krever vanligvis plassering av inneliggende kateter direkte inn i hjernen for overvåking av trykk, en risikabel prosedyre for pasienter som bare kan utføres på spesialiserte medisinske sentre. Prosedyren innebærer også risiko som infeksjon. Imidlertid kan noen tegn til forhøyet ICP bli merkbar i medisinsk avbildning. I særdeleshet er midtlinjen skift ofte forbundet med en økning i ICP og kan fanges fra hjernen beregnede tomography (CT) bilder. Som sådan, disse bilder gir en mulighet for ikke-invasiv påvisning av forhøyede ICP som kan brukes som en pre-screening trinn før kranial trepanation. CT bildebehandling er fortsatt gullstandarden for første TBI vurderingen blant alle andre bildediagnostikk, f.eks MR, på grunn av sin høye hastighet og relative lave kostnader 2. Videre har et CT undersøkelse ikke krever strenge pasient immobilitet, og har fordelen i å avsløre alvorlige misdannelser som benbrudd og hematomer. Mens CT er ofte brukt for påvisning av skader i hjernen, basert på dagens teknologi, er midtlinjen skift ikke automatisk målt og derfor leger må vurdere dette viktig faktor ved visuell inspeksjon. Unøyaktig eller inkonsistent CT tolkning er ofte forbundet med arten av den menneskelige visuelle system og den komplekse strukturen av hjernen. Mens små midtlinjen skift er unnvikende, er de ofte uvurderlig for vurdering av hjerneskade, i partikulære på tidlige stadier av skade før en pasients tilstand blir mer alvorlig. På den andre siden av spekteret, antyder stort midtlinjen skift svært forhøyede ICP og mer alvorlig TBI. Men det er en svært utfordrende oppgave for mennesker å visuelt inspisere CT-bilder og forutsi nivået på ICP kvantitativt. På grunn av fremskritt i automatiserte beregningsorientert teknikker, kan funksjoner hentet fra CT-bilder, for eksempel midtlinjen skift, hematom volum og tekstur av hjernen CT-bilder, måles nøyaktig og automatisk ved hjelp av avanserte bildebehandlingsprogrammer metoder. Imidlertid, forholdet mellom ICP og midtlinjen skift samt andre funksjoner som grad av blødning, har tekstur fra CT bilder ikke er utforsket. I denne artikkelen har en beregningsorientert rammeverk vært foreslått å måle midtlinjen skift måling samt andre fysiologiske / anatomiske funksjoner på hjernen CT-bilder, og deretter forutsi graden av ICP non-intrusively bruker maskinen læring teknikker.
Protocol
Representative Results
Discussion
I denne studien, er et intuitivt og fleksibelt rammeverk foreslått å ta to utfordrende problemer: estimering av midtlinjen skift i CT bilder og ICP nivå prediksjon basert på utvunnet funksjoner. Evalueringsresultatene viser effektiviteten av den foreslåtte metode. Så vidt vi vet, er dette første gang en systematisk studie for å møte disse to problemene. Vi legger merke til at basert på det generelle rammeverket, er det mange potensielle forbedringer som kan oppnås. For eksempel, i den foreslåtte segmentering…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Materialet er basert på arbeid støttes delvis av National Science Foundation i henhold Grant No IIS0758410. Dataene ble levert 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).
