根据脑CT图像的自动中线移位和颅内压的估计
Summary
一个自动化的中线移位估计和颅内压（ICP）计算机断层扫描（CT）图像与创伤性脑损伤（TBI）患者的预先筛分系统的基础上，提出一种利用图像处理和机器学习技术。
Abstract
在本文中，我们提出了一个自动化系统主要基于计算机断层扫描（CT）图像由两个主要部分组成：中线移位估计和颅内压（ICP）的预先筛分系统。估计中线移位，首先的理想中线的对称性颅骨和脑CT扫描的解剖特征的基础上进行估计。然后，分割进行从CT扫描的心室和用作识别的实际中线通过形状匹配的导向。这些过程模仿由医师的测量过程，并已显示出了有前途的结果在评价。在第二部分中，提取相关的ICP更多的功能，如纹理信息，从CT扫描和其他记录的功能，如年龄，损伤严重度评分估计ICP血液量也成立。机器学习技术，包括特征选择和分类，如支持向量机（SVM），使用RapidMiner，建立预测模型。的预测评价显示了潜在的有用的模型。估计理想的中线结构移位及预测ICP水平，可作为一个快速预筛选步骤的医生作出决定，因此，建议或反对侵入颅内压监测。
Introduction
每年有大约140万相关的创伤性脑损伤（TBI）急诊情况下，在美国，其中，超过50,000名死亡1。通常伴随着严重的脑外伤血肿和脑组织肿胀的症状，如颅内压（ICP）的增加。这些结果在脑灌注压降低，脑血流，脑损伤将额外的风险。严重ICP增长的可能是致命的，所以，监测ICP TBI患者是至关重要的。通常，这要求直接进入大脑的压力进行监测，有风险的程序只能在专门的医疗中心进行的患者的留置导管的位置。该过程还涉及风险，如感染。然而，一些迹象显示，可能是显着升高的ICP医疗成像。特别是，中线移位往往是与增加在ICP和可以捕获从脑吨omography（CT）图像。因此，这些图像提供了一个机会，ICP升高的非侵入性的检测，它可以用来作为一个预检颅环钻步骤之前。 CT成像仍然是TBI评估在所有其他的成像方式， 如 MRI初步的金标准，由于其较高的速度和相对低廉的成本2。此外，CT检查并不需要严格的病人不动，有利于揭示严重的异常如骨骨折和血肿。中线移位而CT通常用于检测的伤害在大脑中，根据目前的技术，还没有自动测量，因此医师必须评估这一重要因素，通过视觉检查。不准确或不一致CT解释往往是与人类视觉系统的性质和结构复杂的大脑。虽然小中线的变化是难以捉摸的，他们往往是非常宝贵的脑损伤评估，在P关节损伤之前，患者的病情在早期阶段会变得更加严重。在光谱的另一端，大中线移位建议高度ICP升高，更严重的TBI。然而，这是一个非常具有挑战性的任务，为人类目视检查CT图像和定量预测水平的ICP。由于在自动计算技术的进步，从CT图像，如中线结构移位，血肿量，脑CT图像和纹理特征提取，可以精确地测量并自动采用先进的图像处理方法。然而，ICP，中线移位以及其他功能，如出血程度之间的关系，从CT图像的质感没有被探索。本文的计算框架被提出来测量中线移位，测量以及其他生理/解剖特征的脑CT图像，然后预测的程度，ICP，非侵入性的使用机器学习技术。
Protocol
Representative Results
Discussion
在这项研究中，直观和灵活的框架建议，以解决具有挑战性的问题：在CT图像的中线移位和ICP预测的基础上提取的特征的估计。评价结果表明，所提出的方法的有效性。据我们所知，这是第一次有系统的研究，解决了这两个问题。我们注意到，总体框架的基础上，有许多潜在的改进，可以实现。例如，在建议的分割，低层次分割和高层次的认知是分开的，目前还没有反馈，从高层次到低层次分割?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
该材料是根据工作部分由美国国家科学基金会的支持下批准号：IIS0758410。卡罗来纳医疗保健系统提供的数据。
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).
