Автоматизированная Средняя линия сдвига и внутричерепных оценки давления на основе КТ головного мозга изображений
Summary
Автоматизированной оценки сдвига срединной линии и внутричерепного давления (ВЧД) предварительной проверки системы, основанной на компьютерной томографии (КТ) изображения для пациентов с черепно-мозговой травмой (ЧМТ) предлагается использование обработки изображений и машинного обучения.
Abstract
В этой статье мы представляем автоматизированная система основана главным образом на компьютерной томографии (КТ) изображения, состоящего из двух основных компонентов: оценка средней линии сдвига и внутричерепного давления (ВЧД) предварительная проверка системы. Для оценки средней линии сдвига, в первую оценки идеальной средней линии осуществляется на основе симметрию черепа и анатомических особенностей в мозгу КТ. Тогда, сегментация желудочков с КТ выполняется, и использованы в качестве руководства для определения фактической средней линии через форму соответствия. Эти процессы имитировать процесс измерения врачей и показали многообещающие результаты в оценке. Во втором компоненте, больше возможностей извлекаются, связанные с ПМС, такими как текстуры информации, крови размере от КТ и другие записанные функций, таких как возраст, степень тяжести ранения оценка для оценки ПМС также включены. Машинное обучение методы, включая функцию выбора и классификации, такие, как поддержкаВекторные машины (SVMs), которые используются для создания модели прогнозирования использования RapidMiner. Оценка прогноза показывает потенциальную полезность модели. Предполагаемый идеальный сдвиг средней линии и прогнозируемые уровни МСП могут использоваться в качестве быстрого предварительного отбора шаг для врачей принимать решения, с тем чтобы рекомендовать за или против инвазивного мониторинга ВЧД.
Introduction
Каждый год Есть около 1,4 млн. черепно-мозговые травмы (ЧМТ) по делам, связанным отделение неотложной помощи в США, из которых более 50.000 приводят к смерти 1. Тяжелая ЧМТ, как правило, сопровождается повышением внутричерепного давления (ВЧД) с такими симптомами, как гематомы и отека мозговой ткани. Это приводит к снижению церебрального перфузионного давления и мозгового кровотока, размещение потерпевшего мозг дополнительный риск. Тяжелые увеличение ICP может быть фатальным, так что мониторинг ПМС для пациентов с ЧМТ имеет решающее значение. Обычно для этого требуется размещение катетеров непосредственно в мозг для контроля давления, рискованная процедура для пациентов, которые могут быть выполнены только в специализированных медицинских центрах. Эта процедура также предполагает риска, таких как инфекции. Тем не менее, некоторые признаки повышенного ICP может быть заметным в области медицинской визуализации. В частности, средняя линия сдвига часто связано с увеличением ПМС и может быть захвачен от мозга компьютерная тomography (КТ) изображения. Как таковые, эти образы дают возможность для неинвазивного обнаружения повышенного ICP, которые могут быть использованы в качестве предварительного отбора шаг перед трепанацию черепа. КТ-прежнему является золотым стандартом для начальной TBI оценку среди всех других методов визуализации, например, МРТ, из-за его высокой скорости и относительно низкая стоимость 2. Кроме того, КТ не требует строгой неподвижностью пациента, и имеет преимущество в выявлении тяжелых патологий, таких как переломы костей и гематомы. Хотя КТ широко используется для обнаружения повреждений в мозге, основанная на современной технологии, средней линии сдвига не будет автоматически измерять и поэтому врачи должны оценить этот важный фактор при визуальном осмотре. Неточное или не CT интерпретации часто связано с природой зрительной системы человека и сложная структура мозга. В то время как небольшие сдвиги средней линии неуловимым, они часто являются бесценными для оценки травмы головного мозга, в рсуставного на ранних стадиях повреждения, прежде чем состояние пациента становится более серьезным. На другой стороне спектра, большой сдвиг средней линии предложения резко повышенные МСП и более тяжелой ЧМТ. Тем не менее, это очень сложная задача для человека, чтобы визуально осмотреть КТ и прогнозирования уровня ICP количественно. Благодаря достижениям в области автоматизированных вычислительных методов, особенностей, извлеченные из КТ-изображений, такие как сдвиг средней линии, объем гематомы и текстуры головного мозга КТ-изображений, могут быть измерены точно и автоматически с использованием передовых методов обработки изображений. Тем не менее, связь между ПМС и средней линии сдвига, а также другие функции, такие как степень кровотечения, текстуры из КТ не были изучены. В данной работе вычислительных рамках была предложена для измерения средней линии измерения сдвига, а также других физиологических / анатомических особенностей головного мозга КТ-изображений, а затем предсказать степень ПМС ненавязчиво использованием машинного обучения.
Protocol
Representative Results
Discussion
В этом исследовании, интуитивно понятной и гибкой структуры, предлагается решить две сложные задачи: оценка средней линии сдвига в КТ и МСП по уровню прогноз, основанный на извлеченные признаки. Результаты оценки показывают эффективность предлагаемого метода. Насколько нам известно, ?…
Declarações
The authors have nothing to disclose.
Acknowledgements
Этот материал основан на работе, частично поддержана Национальным научным фондом под Грантом Номер IIS0758410. Данные, предоставляемые системой Каролины Healthcare.
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).
