뇌 중부 표준시 이미지를 기반으로 자동 정중선 변화와 Intracranial 압력 추정
Summary
자동화 된 중간 선 이동 추정 및 intracranial 압력 (ICP) 외상성 뇌 손상 (외상성 뇌 손상) 환자에 대한 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 사전 심사 시스템은 이미지 처리 및 머신 학습 기술을 사용하여 제안합니다.
Abstract
정중선 변화 추정 및 intracranial 압력 (ICP) 사전 심사 시스템 :이 논문에서 우리는 주로 두 가지 구성 요소로 구성된 계산 된 단층 촬영 (중부 표준시) 이미지를 기반으로 자동화 된 시스템을 제시한다. 이상적인 중간 선에의 추정은 두개골과 뇌 CT 촬영의 해부학 적 기능의 대칭에 따라 수행되는 첫 번째 정중선 변화를 측정합니다. 그런 다음, CT 촬영에서 심실의 세분화 수행과 모양 매칭을 통해 실제 중간 선의 식별을위한 가이드로 사용됩니다. 이 과정은 의사에 의해 측정 과정을 모방하고 평가 긍정적 인 결과를 보여 주었다. 두 번째 구성 요소에서 더 많은 기능도 포함됩니다 같은 연령, ICP를 추정하는 부상 심각도 점수와 같은 중부 표준시 스캔 및 기타 기록 기능의 텍스처 정보, 혈액 금액으로, ICP에 관한 압축이 풀립니다. 이러한 지원 등의 기능 선택과 분류 등의 기계 학습 기법,벡터 머신 (SVMs)는 RapidMiner를 사용하여 예측 모델을 구축하는 고용하고 있습니다. 예측의 평가 모델의 잠재적 인 유용성을 보여줍니다. 예상 이상적인 중간 선 이동 및 ICP 수준을 예측는 또는 침해 ICP 모니터링에 대한 권장 할 수 있도록, 의사 결정을 내릴 수있는 의사에 대한 빠른 사전 심사 단계로 사용할 수 있습니다.
Introduction
매년 미국에서 약 1,400,000 외상성 뇌 부상 (외상성 뇌 손상) 관련 긴급 부서 경우가 있으며, 그 중, 사망 1 50000 결과 이상. 외상성 뇌 손상 심한는 일반적으로 hematomas과 붓기 뇌 조직 등의 증상 intracranial 압력 (ICP)의 증가와 함께합니다. 감소 대뇌 관류 압력 및 추가 위험에 부상당한 뇌를 배치 뇌성 혈액의 흐름에 이러한 결과. 심한 ICP 증가는 치명적이 될 수 외상성 뇌 손상 환자에 대한 ICP를 모니터링하는 것은 매우 중요합니다 그래서. 이것은 일반적으로 직접 압력 모니터링, 만 전문 의료 센터에서 수행 할 수 있습니다 환자에 대한 위험 프로 시저에 대한 뇌에 카테터를 내재의 위치가 필요합니다. 절차는 또한 감염 등의 위험을 가지고 있습니다. 그러나, 고가 ICP의 일부 증상은 의료 영상에서 눈에 띄게 할 수 있습니다. 특히, 정중선 변화는 종종 ICP의 증가와 연결되어 있으며 뇌 계산 t에서 캡처 할 수omography (중부 표준시) 이미지. 따라서 이러한 이미지는 두개골 trepanation 전에 사전 심사 단계로 사용할 수있는 고가 ICP의 비 침습적 검출을위한 기회를 제공합니다. 중부 표준시 영상 때문에 높은 속도와 상대적으로 저렴한 비용 (2)의, 여전히 다른 모든 이미징 modalities, 예를 들어 MRI 간의 초기 외상성 뇌 손상 평가를위한 황금 표준입니다. 또한, 중부 표준시 시험은 엄격한 환자 부동가 필요합니다, 그리고 뼈 골절과 hematomas 등의 심각한 이상을 드러내 장점이 있습니다하지 않습니다. 중부 표준시는 일반적으로 현재의 기술을 바탕으로 뇌 부상의 검출에 사용되는 반면, 중간 선 이동이 자동으로 측정되지 않으며 따라서 의사는 육안 검사하여이 중요한 요소를 평가해야합니다. 부정확하거나 일관성 중부 표준시 해석은 종종 인간의 시각 시스템의 특성과 뇌의 복잡한 구조와 연결되어 있습니다. 작은 중간 선에 변화가 어려운 반면, 그들은 P에 뇌 손상의 평가에 대한 내용들을 귀중한 아르환자의 상태까지 부상 초기 단계의 관절은 더 심각됩니다. 스펙트럼의 다른 쪽, 큰 중간 선 이동은 높은 상승 ICP 및 외상성 뇌 손상 더 심각한을 제안합니다. 그러나, 시각적으로 중부 표준시 이미지를 검사하고 양적 ICP의 수준을 예측하는 인간에 대한 매우 어려운 작업입니다. 자동 계산 기술의 발전으로 인해, 이러한 뇌 중부 표준시 이미지의 정중선 변화, 혈종 량 및 질감 등의 중부 표준시 이미지,에서 추출 기능을 정확하게 측정 할 수 있으며, 자동으로 고급 이미지 처리 방법을 사용합니다. 그러나, ICP 및 중간 선 이동뿐만 아니라 출혈의 정도와 같은 다른 기능 사이의 관계는, CT 이미지에서 질감이 탐색되지 않았습니다. 본 논문에서는 계산 프레임 워크는 정중선 변화 측정뿐만 아니라 뇌 중부 표준시 이미지의 다른 생리학 / 해부학 기능을 측정 한 후 ICP 비 intrusively 기법을 학습 기계를 사용하는 정도를 예측하는 제안되었습니다.
Protocol
Representative Results
Discussion
중부 표준시 이미지와 추출 기능에 따라 ICP 수준의 예측에 정중선 변화의 추정 : 본 연구에서는 직관적이고 유연한 프레임 워크는 두 도전 문제를 해결하기 위해 제안합니다. 평가 결과는 제안 된 방법의 효과를 보여줍니다. 우리가 아는 한,이 두 문제를 해결에 체계적으로 연구의 첫 번째 시간입니다. 우리는 일반적으로 프레임 워크를 기반으로, 달성 될 수있는 잠재적 인 개선이 있다는 것?…
Declarações
The authors have nothing to disclose.
Acknowledgements
자료는 부분적으로 부여 번호 IIS0758410 아래에있는 국립 과학 재단 (National Science Foundation)의 지원 작업에 기반을두고 있습니다. 데이터는 Carolinas 의료 시스템에 의해 공급되었다.
Referências
- 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).
