Automatiseret Midline Shift og Intrakraniel Pressure Skøn baseret på Brain CT-billeder
Summary
En automatiseret midterlinje shift estimation og intrakranielle tryk (ICP) pre-screening baseret på computertomografi (CT) billeder til patienter med traumatisk hjerneskade (TBI) er foreslået at bruge billedbehandling og machine learning teknikker.
Abstract
I denne afhandling præsenterer vi et automatiseret system, der bygger hovedsageligt på computertomografi (CT)-billeder, der består af to hovedkomponenter: midterlinjen skift estimering og intrakranielle tryk (ICP) pre-screening system. For at estimere midterlinjen skift, først et skøn over den ideelle midterlinjen udføres på grundlag af symmetri af kraniet og anatomiske træk i hjernen CT-scanning. Derpå segmentering af hjertekamrene fra CT-scanning udføres og anvendes som en guide til identifikation af den faktiske midterlinien gennem formen matching. Disse fremgangsmåder efterligner måleprocessen af læger og har vist lovende resultater i evalueringen. I den anden komponent, er flere funktioner ekstraheres forbindelse med ICP, såsom tekstur information, blod mængde fra CT-scanninger og andre registrerede funktioner, såsom alder, skade sværhedsscore at estimere ICP er også indbygget. Machine learning teknikker, herunder træk udvælgelse og klassificering, såsom støtteVector Machines (SVMs), er ansat til at opbygge forudsigelse model ved hjælp RapidMiner. Evalueringen af forudsigelsen viser potentielle nytte af modellen. Den estimerede ideal midtlinie shift og forudsagt ICP-niveauer kan anvendes som en hurtig pre-screening trin for læger at træffe beslutninger, således at anbefale for eller imod invasiv ICP overvågning.
Introduction
Hvert år er der omkring 1,4 mio traumatiske hjerneskader (TBI) relaterede skadestuebesøg sager i USA, hvoraf. Over 50.000 dødsulykker 1 Svær TBI er som regel ledsaget af en stigning i det intrakranielle tryk (ICP) med symptomer som hæmatomer og hævelse hjernevæv. Disse medfører reduceret cerebral perfusion tryk og cerebral blodstrøm, hvilket placerer den skadede hjerne i yderligere risiko. Svær ICP stigning kan være dødelig, så overvågningen ICP for patienter med TBI er afgørende. Dette kræver typisk placering af indlagte katetre direkte ind i hjernen til overvågning af tryk, en risikabel fremgangsmåde for patienter, der kun kan udføres ved specialiserede medicinske centre. Proceduren indebærer også risiko såsom infektion. Dog kan visse tegn på forhøjet ICP være mærkbar i medicinsk billedbehandling. Især er midterlinjen forskydning ofte forbundet med en stigning i ICP og kan opfanges fra hjernen beregnede tomography (CT) billeder. Således giver disse billeder mulighed for ikke-invasiv detektion af forhøjet ICP, som kan anvendes som en forudgående screening trin før kranial trepanation. CT scanning er stadig den gyldne standard for indledende TBI vurdering blandt alle andre afbildningsmodaliteter, fx MRI på grund af dens høje hastighed og relativt lave omkostninger 2. Hertil kommer, at en CT-undersøgelse ikke kræve en stram patient immobilitet, og har fordel i at afsløre alvorlige abnormiteter såsom knoglebrud og hæmatomer. Mens CT er almindeligt anvendt til påvisning af skader i hjernen, der er baseret på den nuværende teknologi, er midterlinjen skift ikke automatisk målt og derfor læger skal vurdere denne vigtige faktor ved visuel inspektion. Unøjagtig eller i uoverensstemmelse CT fortolkning er ofte forbundet med arten af det menneskelige iagttagelsessystem, og den komplekse struktur af hjernen. Mens små midterlinjen skift er undvigende, er de ofte uvurderlige for vurdering af hjerneskade, i partikulær i de tidlige stadier af skader før en patients tilstand bliver mere alvorlig. På den anden side af spektret, tyder store midterlinjen skift stærkt forhøjet ICP og mere alvorlig TBI. Men det er en meget udfordrende opgave for mennesket til visuelt at undersøge CT-billeder og forudse omfanget af ICP kvantitativt. På grund af fremskridt inden for automatiserede beregningsmæssige teknikker, kan funktioner udvundet af CT-billeder, såsom midterlinjen skift, hæmatom volumen og tekstur af hjernen CT-billeder, måles præcist og automatisk ved hjælp af avancerede billedbehandling metoder. Men forholdet mellem ICP og midterlinjen skift samt andre funktioner såsom graden af blødning, er teksturen fra CT billeder ikke blevet undersøgt. I dette papir, har en beregningsmæssige rammer blevet foreslået at måle midterlinjen skift måling samt andre fysiologiske / anatomiske træk på hjernen CT-billeder og derefter forudsige graden af ICP non-forstyrrende med machine learning teknikker.
Protocol
Representative Results
Discussion
I denne undersøgelse er en intuitiv og fleksibel ramme foreslog at løse to udfordrende problemer: den anslåede midterlinjen skift i CT billeder og ICP-niveau forudsigelse baseret på udtrukne funktioner. Evalueringsresultaterne viser effektiviteten af den foreslåede metode. Så vidt vi ved, er det første gang en systematisk undersøgelse til at løse disse to problemer. Vi bemærker, at baseret på den generelle ramme, der er mange potentielle forbedringer, der kan opnås. For eksempel, i den foreslåede opde…
Declarações
The authors have nothing to disclose.
Acknowledgements
Materialet er baseret på arbejdet delvist støttet af National Science Foundation under Grant No IIS0758410. Dataene blev leveret af Carolinas Healthcare System.
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).
