(阅读笔记)脑中线偏移测量及其自动化技术与算法综述
- 1. Introduction
- 2. Methods
- 3. Algorithms for Automated Midline Shift Measurement
- 4. Newer Applications: Beyond Aiding Diagnosis and Guiding Treatment
- 其他
by HPC_ZY
期刊文献《Brain midline shift measurement and its automation: a review of techniques and algorithms》阅读笔记,主要是大脑中线偏移的研究进展。
1. Introduction
1.1. History of Midline Shif as an Imaging Feature.
Human head is roughly bilaterally symmetric. Although there are functional diferences between hemispheres of the brain, the gross morphology follows the rule
人的头部大致是左右对称的。虽然大脑半球之间存在功能差异,但大体形态遵循规则。
While the cerebrospinal fuid- (CSF-) containing third ventricle (V3, Figure 1) is more easily identifed on US images [4], most authors describe the degree of displacement of the septum pellucidum (SP, Figure 1), a thin membrane between the frontal horns (FHs) of the lateral ventricles, relative to the ideal midline (iML) on CT images [5, 6]. Whether the pineal gland, the V3, or the SP is used, deviation of the given midline structure from the iML is termed midline shif (MLS).
虽然含有脑脊液(CSF-)的第三脑室(V3)在US图像上更容易识别,但大多数作者描述了透明隔(SP)相对于CT图像上理想中线(iML)的移位程度,透明隔(SP)位于侧脑室额角(FHs)之间。无论使用松果体、V3还是SP,给定中线结构与iML的偏差称为中线shif(MLS)。
1.2. Using Midline Shif as a Quantitative Indicator of Mass
Efect to Predict Outcome in Trauma Patients.
1.3. Standardization of Midline Shif Measurement.
Because the skull is not always symmetric and the patient may not be perfectly aligned during CT examination, many specialists measure MLS by frst drawing the iML joining the most anterior and posterior visible points on the falx (dotted line in Figure 2(a)) and then measuring the farthest point on the SP (the rightmost point of the white horizontal line segment in Figure 2(a)) as perpendicular from the iML.
因为头骨并不总是对称的,在CT检查中病人可能没有完全对齐,许多专家测量MLS的方法是先绘制iML,将falx上最前面和最后面的可见点连接起来(图2(a)中的虚线),然后测量SP上垂直于iML的最远点(图2(a)中白色水平线段的最右点)。
MLS = (a/2)-b
(a) 虽然该指南建议用frst测量颅内间隙宽度(c=a/2-b)来测定MLS,但许多神经外科医生通过frst绘制理想中线(虚线)来测量MLS。(b) 我们对变形中线的计算模型包括两条线段(黑色)之间的二次贝塞尔曲线(白色)。
2. Methods
2.1. Computed Tomography.
3. Algorithms for Automated Midline Shift Measurement
A number of methods that detect the intact midsagittal plane (iMSP) on a complete brain CT study [50–53] can be used to provide information about the iML on the single slice used to measure the MLS.
在一个完整的脑部CT研究中,有许多方法可以用来检测完整的中矢状面(iMSP)[50–53]来提供用于测量MLS的单层iML的信息。
3.1. Symmetry-Based Methods.
方法一[2]:廖等提出了一种在FM水平上自动识别CT切片上dML的方法。如图2(b)所示,dML被分解为三个部分:上部和下部的直线段(黑线)代表分开两个大脑半球的坚硬大脑镰的部分,以及由二次贝塞尔曲线(白色曲线)形成的*曲线段,代表大脑组织的介入。作者假设dML是一条具有最大双边对称性的曲线,在24mm的水平(lef right)范围内,通过最小化所有中线像素的差的平方和来计算dML。为了进一步简化计算,假设上、下镰节段是不动的,把它们变成垂直线。应用遗传算法求出确定Bezier曲线三个控制点位置的四个变量的最优值。该算法重复三次,最大允许MLS值设置为15、22.5和30mm。如果结果稳定,则在检测到dML后,可以根据中心控制点的位置来确定MLS。否则就被视为失败。
结果:在一个研究所连续治疗的81名患者的病理图像上评估的。其中五分之四的病人患有脑外伤,二十五人有自发性脑出血。我们的算法能够测量65例(80%)患者的MLS。其中62例(95%)的差异小于1mm。所有三个不准确的结果都发生在MLS大于10mm的图像中。虽然MLS测量的成功率随着MLS的增加而降低,但大多数MLS大于5mm的患者测量正确。该算法的一个主要缺点是自发性脑出血图像的失败率较高,它发生在靠近中线的基底节。
方法二[3]:Chen等人提出了一种自动估计胶质瘤患者MRI图像上dML的方法。作者构建了一个增强的Voigt模型,根据病变的大小和位置预测dML在最大肿瘤直径的轴向切片上的位置。Tey使用了文献中的脑组织弹性系数和粘度系数。提出了一种结合局部强度对称性和局部强度梯度对称性的复合局部对称性度量,以反映根据*模型确定的局部窗口的预测中线。在没有理论证明的情况下,作者尝试了不同的调制因子值,并且在每种情况下,复合局部对称性和最大的候选者被视为“预测的”dML。根据局部对称性对dML进行了修正和平滑。
结果:该方法在MICCAI 2013年会议的多模式脑肿瘤分割挑战的30个MRI数据集上得到验证。作者手动选择MLS最大的轴向切片,而他们认为它对应于瘤脑比最大的切片。这些磁共振切片上的平均磁共振波幅在0到6毫米之间。虽然所描绘的dML并不是通常用于“标准化”MLS评估和结果评估的水平,但作者确实获得了准确的结果。与手工追踪的dMLs相比,他们的方法得到了0.61±0.27 mm的平均差异和1.89±1.18 mm的平均最大差异。
3.2. Landmark-Based Methods.
方法三[4]:Yuh等人在Matlab7.0.1编程环境中开发了一套计算机算法,以评估CT是否存在TBI证据[56]。该算法似乎可以检测出头骨和iMSP,但未提供详细信息。采用适当的CT密度阈值、空间滤波、聚类分析等方法检测血液和脑脊液像素。一旦包含血液的像素被识别出来,根据它们相对于颅骨的位置,它们被分类为EDH、SDH、ICH、SAH或IVH。为了计算MLS,根据颅骨对称轴确定的iML,评估侧脑室脑脊液像素的对称性。计算基底脑脊液像素团的体积来确定基底池的状态。
结果:Tey报告检测大于5mm的MLS的灵敏度为100%,特异性为98%。由于只有9例患者出现这种fndings,另外4例出现假阳性结果,因此其MLS检测方法的阳性预测率仅为70%
方法四[5]: Xiao等人提出了一种通过识别给定CT研究中的SP来测量MLS的方法[57]。研究的所有切片都被输入到一个预处理系统中,该系统可以识别头骨和iMSP,并在多分辨率方法中结合flters来去除所有颅外区域。从10个心室切片和包含多个层次的专家规则集中选择10个区域。iML被定义为使用Liu方法[53]计算的iMSP与该切片平面之间的交点。最后,利用Hough变换,通过重复的形态腐蚀加权,将SP识别为亚稠密FHs中的一条等密线段。在垂直于iML的SP上最远的点被用来测量MLS。
结果:成功地识别出明显偏离的SP,并准确地测量了高达30mm的MLS。自动测量与人工测量MLS的差异在70例小于1mm,60例小于0.5mm。误差没有随着MLS的增大而增大。
方法五[6]:Chen等人提出了一种基于CT图像的自动化系统,该系统可以估计MLS并筛查ICP增加[58]。Teir方法是基于他们以前的心室检测工作[59]。用高斯混合模型检测每个CT层的CSF像素,将其分为4种组织类型:骨或血肿、灰质、白质和脑脊液。使用这些像素,使用大小和位置标准检测心室。为了估计MLS,作者首先进行了基于颅骨对称性、镰和半球间沟的iML估计。然后,对CT扫描的心室进行分割,并通过形状匹配作为dML识别的依据。
结果:对来自17例TBI患者的391个切片的CT数据集进行iML和dML检测,以及MLS测量和ICP估计。在大多数切片(超过80%)中,由他们的方法框架估计的iML与手工注释之间的误差在2像素左右,即1mm左右。对于dML,如果心室分割质量相对较好,则80%以上的差异小于2.25 mm,因为分割结果允许手动MLS测量。
脑室由于明显变形而无法识别时,该方法无效
方法六[7]:Liu等人提出了另一种基于landmark的方法来自动检测和量化TBI CT图像上的MLS shif[60]。直方图离散化后,将图像像素分为颅骨、血肿、脑或脑脊液。“中间切片”,可能是FM水平的切片,是在给定研究中使用包含FHs、V3和中脑池的概率图从所有图像中检测出来的。在该切片上,根据颅骨厚度在一定范围内检测镰前、后附着物。采用高斯混合聚类方法检测CSF区域和其中的标志点。利用方向性单连通链跟踪边缘检测方法检测多个候选falx。这些标记之间的空间关系是从200名患者的数据中训练出来的。
结果:数据集包含565名患者,每个患者大约有12个CT切片。训练数据是否与测试数据有重叠没有报告。超过100例患者的MLS大于5mm。Teir法的最大距离误差为4.7±5.1mm。
4. Newer Applications: Beyond Aiding Diagnosis and Guiding Treatment
其他
[1] Liao C C, Chen Y F, Xiao F. Brain midline shift measurement and its automation: a review of techniques and algorithms[J]. International journal of biomedical imaging, 2018, 2018.
[2] Liao C C, Xiao F, Wong J M, et al. Automatic recognition of midline shift on brain CT images[J]. Computers in biology and medicine, 2010, 40(3): 331-339.
[3] Chen M, Elazab A, Jia F, et al. Automatic estimation of midline shift in patients with cerebral glioma based on enhanced voigt model and local symmetry[J]. Australasian physical & engineering sciences in medicine, 2015, 38(4): 627-641.
[4] Yuh E L, Gean A D, Manley G T, et al. Computer-aided assessment of head computed tomography (CT) studies in patients with suspected traumatic brain injury[J]. Journal of neurotrauma, 2008, 25(10): 1163-1172.
[5] Xiao F, Chiang I J, Wong J M, et al. Automatic measurement of midline shift on deformed brains using multiresolution binary level set method and Hough transform[J]. Computers in Biology and Medicine, 2011, 41(9): 756-762.
[6] Chen W, Belle A, Cockrell C, et al. Automated midline shift and intracranial pressure estimation based on brain CT images[J]. JoVE (Journal of Visualized Experiments), 2013 (74): e3871.
[7] Liu R, Li S, Su B, et al. Automatic detection and quantification of brain midline shift using anatomical marker model[J]. Computerized medical imaging and graphics, 2014, 38(1): 1-14.