Summary

Cambio automático línea media y la presión intracraneal Estimación basada en imágenes de TC del cerebro

Published: April 13, 2013
doi:

Summary

Para determinar con exactitud la línea media y cambio automático de la presión intracraneal (PIC) pre-screening sistema basado en la tomografía computarizada (TC) para los pacientes con lesión cerebral traumática (TBI) se propuso la utilización de procesamiento de imágenes y técnicas de aprendizaje automático.

Abstract

En este trabajo se presenta un sistema automatizado basado principalmente en los de tomografía computarizada (TC) que consta de dos componentes principales: el cambio de estimación línea media y la presión intracraneal (PIC) pre-selección del sistema. Para estimar el desplazamiento de la línea media, primero una estimación de la línea media ideal se realiza en base a la simetría del cráneo y las características anatómicas de la exploración CT del cerebro. Entonces, la segmentación de los ventrículos desde el TC se realiza y se utiliza como una guía para la identificación de la línea media real mediante el cotejo de forma. Estos procesos de imitar el proceso de medición de los médicos y han mostrado resultados prometedores en la evaluación. En el segundo componente, más se extraen las características relacionadas con ICP, tal como la información de textura, la cantidad de sangre de la TC y otras características registradas, tales como la edad, puntuación de la gravedad para estimar la ICP también se incorporan. Técnicas de aprendizaje automático, incluyendo la función de selección y clasificación, como el apoyoVector Machines (SVM), se emplean para construir el modelo de predicción utilizando RapidMiner. La evaluación de la predicción muestra utilidad potencial del modelo. El cambio estimado línea media ideal y predice los niveles de ICP puede ser utilizado como una forma rápida de preselección paso para los médicos para tomar decisiones, así como para recomendar a favor o en contra invasor monitorización de la PIC.

Introduction

Cada año se producen alrededor de 1,4 millones de lesiones cerebrales traumáticas (TBI) casos relacionados con las salas de emergencia en los Estados Unidos, de los cuales, más de 50.000 resultan en muerte 1. TCE grave suele ir acompañado de un aumento de la presión intracraneal (PIC) con síntomas como hematomas y la hinchazón del tejido cerebral. Éstos dan lugar a presión reducida perfusión cerebral y el flujo sanguíneo cerebral, colocando el cerebro lesionado en un riesgo adicional. Grave aumento de la PIC puede ser fatal, así monitorización de la PIC en pacientes con lesión cerebral traumática es crucial. Esto normalmente requiere la colocación de catéteres directamente en el cerebro para el control de la presión, un procedimiento de riesgo para los pacientes que sólo pueden ser realizados en centros médicos especializados. El procedimiento también implica riesgo como la infección. Sin embargo, algunos signos de elevación de la PIC puede ser apreciable en imágenes médicas. En particular, desplazamiento de la línea media se asocia a menudo con un aumento de la ICP y puede ser capturada de la t computada de cerebroomography (TC). Como tales, estas imágenes proporcionan una oportunidad para la detección no invasiva de la PIC elevada que se puede utilizar como una etapa de pre-selección antes de la trepanación craneal. TC sigue siendo el estándar de oro para la evaluación inicial TBI entre todas las modalidades de diagnóstico por imágenes de resonancia magnética, por ejemplo, debido a su alta velocidad y bajo costo relativo 2. Además, un examen de TC no requiere inmovilidad paciente estricto, y tiene la ventaja de revelar anomalías graves tales como fracturas óseas y hematomas. Mientras que CT se utiliza comúnmente para la detección de lesiones en el cerebro, basado en la tecnología actual, cambio de línea central no se mide automáticamente y por lo tanto, los médicos deben evaluar este factor importante por inspección visual. CT interpretación inexacta o incoherente se asocia a menudo con la naturaleza del sistema visual humano y la estructura compleja del cerebro. Mientras que pequeños cambios de la línea media son difíciles de alcanzar, a menudo son de gran valor para la evaluación de la lesión cerebral, en particular en las etapas tempranas de la lesión antes de la condición del paciente se vuelve más severa. En el otro lado del espectro, desplazamiento de la línea media grande sugiere altamente PIC elevada y más TCE grave. Sin embargo, es una tarea muy difícil para los seres humanos para inspeccionar visualmente imágenes de TC y predecir el nivel de ICP cuantitativamente. Debido a los avances en las técnicas computacionales automatizadas, las características extraídas de imágenes de TC, tales como cambio de la línea media, el volumen de hematoma, y ​​la textura de imágenes de CT del cerebro, se puede medir con precisión y de forma automática utilizando métodos avanzados de procesamiento de imágenes. Sin embargo, la relación entre el PCI y el cambio de la línea media, así como otras características tales como el grado de hemorragia, la textura de las imágenes de CT no se ha explorado. En este documento, un marco computacional se ha propuesto medir el cambio de la línea media de medición, así como otros rasgos fisiológicos / anatómicos en las imágenes de CT del cerebro y entonces predecir el grado de ICP de forma no intrusiva mediante técnicas de aprendizaje automático.

Protocol

1. Metodología general El marco propuesto cerebro procesa las imágenes de TC de la lesión cerebral traumática (TBI) de los pacientes para calcular automáticamente desplazamiento de la línea media en casos patológicos y usarlo, así como otra información extraída para predecir la presión intracraneal (ICP). Figura 1 muestra el diagrama esquemático de la totalidad marco. La medición de la línea media cambio automatizado se puede dividir en tres pasos. En primer luga…

Representative Results

Los conjuntos de datos de prueba de TC fueron proporcionados por el Sistema de Carolinas Healthcare (CHS) bajo la aprobación de la Junta de Revisión Institucional. Todos los sujetos fueron diagnosticados con insuficiencia renal leve a grave lesión cerebral traumática cuando ingresan por primera vez al hospital. Para cada paciente, el valor de ICP se registró cada hora usando sondas de ICP en el interior de la región ventrículo tanto antes como después de la TC se obtuvieron. Para asociar el valor del PCI con cad…

Discussion

En este estudio, un marco intuitivo y flexible se propone abordar dos problemas difíciles: la estimación del desplazamiento de la línea media en la TC imágenes y predicción ICP nivel basado en características extraídas. Los resultados de la evaluación muestran la eficacia del método propuesto. Por lo que sabemos, esta es la primera vez de un estudio sistemático para abordar estos dos problemas. Nos damos cuenta de que con base en el marco general, hay muchas posibles mejoras que se pueden lograr. Por ejemplo, …

Declarações

The authors have nothing to disclose.

Acknowledgements

El material está basado en trabajo apoyado en parte por la National Science Foundation con la subvención No. IIS0758410. La información fue suministrada por Carolinas Healthcare System.

Referências

  1. Langlois, J. A., Rutland-Brown, W., Thomas, K. E. . Traumatic brain injury in the united states: emergency department visits, hospitalizations, and deaths. , (2006).
  2. Moore, E. E., Feliciano, D. V., Mattox, K. L. . Trauma. , (2003).
  3. 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).
  4. Chen, W., Najarian, K. Segmentation of Ventricles in Brain CT Images Using Gaussian Mixture Model Method. , 15-20 (2009).
  5. Chen, W., Ward, K. R., Najarian, K. Actual Midline Estimation from Brain CT Scan Using Multiple Regions Shape Matching. , 2552-2555 (2010).
  6. 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).
  7. 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).
  8. Belongie, S., Malik, J., Puzicha, J. Shape matching and object recognition using shape contexts. IEEE Trans. Pattern Anal. Mach. Intell. 24, 509-522 (2002).
  9. Weszaka, J. S., Dyer, C. R., Rosenfeld, A. A comparative study of texture measures for terrain classification. IEEE Trans. on Syst., Man, Cyber. , (1976).
  10. Kingsbury, N. Complex wavelets for shift invariant analysis and filtering of signals. Applied and Computational Harmonic Analysis. 10 (3), 234-253 (2002).
  11. Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., Euler, T. Yale: Rapid prototyping for complex data mining tasks. , 935-940 (2006).
check_url/pt/3871?article_type=t

Play Video

Citar este artigo
Chen, W., Belle, A., Cockrell, C., Ward, K. R., Najarian, K. Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images. J. Vis. Exp. (74), e3871, doi:10.3791/3871 (2013).

View Video