脳のCT画像に基づく自動ミッドラインシフト、頭蓋内圧の推定
Summary
自動化された正中線のずれの推定および頭蓋内圧（ICP）の外傷性脳損傷（TBI）患者のコンピューター断層撮影（CT）画像に基づく事前審査システムは、画像処理と機械学習の手法を用いて提案されている。
Abstract
正中線シフト推定および頭蓋内圧（ICP）事前審査システム：本稿では、主に2つの主要コンポーネントから構成されるコンピュータ断層撮影（CT）画像に基づく自動化システムを提案する。第一、正中線のシフトを推定するために理想的な正中線の推定は、頭蓋骨と脳のCTスキャンで解剖学的特徴の対称性に基づいて実行されます。その後、CTスキャンから心室のセグメンテーションを行い、形状マッチングを通じて、実際の正中線の同定のためのガイドとして使用されます。これらのプロセスは、医師によって測定プロセスを模倣して、評価で有望な結果が示されている。第二成分は、より多くの機能も組み込まれているような、年齢、ICPを推定する外傷重症度スコアとしてCTスキャンや他の記録された特徴からテクスチャ情報、血液量として、ICPに関係が抽出されます。そのようなサポートなど、機能の選択と分類を含む機械学習技術、ベクターマシン（SVM）は、RapidMinerを使用して予測モデルを構築するために採用されています。予測の評価はモデルの潜在的な有用性を示しています。推定された理想的な正中線のずれとICPレベルは侵襲のICPモニタリングのためにまたは反対に推薦するように、意思決定を行う医師のための速い事前審査のステップとして使用することができると予測した。
Introduction
毎年米国では約140万外傷性脳損傷（TBI）の関連救急外来の例がありますが、そのうち、死亡1に50,000以上の結果。 TBIの重度は、通常、血腫や脳組織の腫脹などの症状を持つ頭蓋内圧（ICP）の増加を伴っている。追加のリスクで負傷脳を置く減少脳灌流圧と脳血流のこれらの結果、。重度のICPの増加はとてもTBIのが重要である患者のためのICPを監視し、致命的なことができます。これは、典型的に圧力を監視するための脳、唯一の専門医療センターで行うことができる患者のために危険な手順に直接留置カテーテルの配置を必要とします。手順はまた、感染症などのリスクを伴います。しかし、高架ICPの兆しは医用画像工学における顕著かもしれません。具体的には、正中線シフトはしばしば、ICPの増加に関連付けられており、脳計算トンからキャプチャすることができますomography（CT）画像。このように、これらの画像は頭蓋穿頭前に事前審査のステップとして使用することができる高架ICPの非侵襲的検出のための機会を提供する。 CT撮影は、その高速性と相対的な低コストの2、それでも、他のすべての画像モダリティ、 例えば MRIの間の初期のTBIの評価のためのゴールドスタンダードである。さらに、CT検査は厳格な患者不動を必要とし、このような骨の骨折や血腫などの重篤な異常を明らかにすることの利点を持っていません。 CTは、一般的に、現在の技術に基づいて、脳の傷害を検出するために使用されているが、正中線のシフトが自動的に測定されていないため、医師は、目視検査により、この重要な要素を評価する必要があります。不正確なまたは矛盾したCTの解釈は、しばしば人間の視覚システムの性質や脳の複雑な構造に関連付けられています。小さな正中シフトはとらえどころのないですが、彼らはpで、脳損傷の評価のためにしばしば非常に貴重なものです患者の状態を前に損傷の初期段階で関節はいっそうひどくなります。スペクトルの反対側では、大正中シフトが高度に上昇したICPとTBIより厳しいことを示唆している。しかし、それは人間が視覚的にCT画像を検査し、定量的にICPのレベルを予測するために非常にやりがいのある仕事です。自動化された計算手法の進歩により、このような脳のCT画像の正中線シフト、血腫量、テクスチャなどCT画像から抽出された特徴を正確に測定することができると自動的に高度な画像処理手法を用いた。しかし、ICPと正中線のずれ、ならびにそのような出血の度合いなど、他の機能との関係は、CT画像からテクスチャが模索されていません。本論文では、計算フレームワークは、脳のCT画像上で正中線シフト測定だけでなく、他の解剖学的/生理学的特徴を測定するために提案され、その後、機械学習技術を用いて、非侵入ICPの程度を予測しました。
Protocol
Representative Results
Discussion
抽出された特徴に基づいて、CT画像とICPレベルの予測で正中線のシフトの推定：本研究では、直感的で柔軟なフレームワークは、2困難な問題に対処するために提案されている。評価実験により、提案手法の有効性を示す。私たちが知る限り、これは、これらの二つの問題に対処する上で系統的な研究の最初の時間です。我々は、一般的なフレームワークに基づいて、達成することができ、多?…
Declarações
The authors have nothing to disclose.
Acknowledgements
材料の一部が助成金番号IIS0758410下で国立科学財団によってサポートされた仕事に基づいています。データはキャロライナヘルスケアシステムによって供給された。
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).
