文摘

自动化在骨盆外伤出血检测和分割是至关重要的快速和准确的治疗决策。出血是患者死亡的主要原因后第一个24小时内受伤。是非常耗费时间的医生手动分析所有计算机断层扫描(CT)图像。随着时间的出现是至关重要的医学,医学图像分析手动延迟决策过程。自动化出血检测和分割可以显著帮助医生来分析这些图像和做出快速、准确的决策。出血分割是一个至关重要的步骤,准确的诊断和治疗决策过程。本文提出一种新颖的基于规则的出血分割技术,利用盆腔解剖信息段出血准确。评价指标是用来量化出血分割的准确性。结果表明,该方法能够段出血很好,结果是有前途的。

1。介绍

出血创伤患者死亡的主要原因是骨盆骨折。这些骨折是最常见的与机动车事故有关,从高处跌落,粉碎伤害。骨盆骨折的死亡率从5%到15%不等,和出血性休克患者的骨盆骨折死亡率从36%到54%不等(1,2]。大部分的死亡引起出血发生损伤后第一个24小时内(1,3]。因此,它是非常重要的快速、准确地确定出血的来源和控制出血在很短的时期。

出血网站起源于骨骨折,骨盆地区venuous丛,主要盆腔静脉、动脉和/或损坏(4,5]。对比度增强型计算机断层扫描(CT)近年来被广泛使用的放射科医生的检查在盆腔外伤骨折出血和表征(2- - - - - -4,6]。然而,根据CT切片厚度,是相当耗时的放射科医生来检查所有的图片,和经常很难确定出血前检查这些图片的网站。随着时间的急诊医学是一个关键因素,需要自动检测出血。确定出血部位本身并不足以评估出血严重程度。因此,它是有价值的部分检测出血是否需要血管造影。

检测和分割的骨盆出血是非常具有挑战性的由于伤势严重,因病人的出血对比的变化,骨骼的大小和形状的变化,和几个动脉在该地区的存在,可能会受伤。由于骨骼和动脉的位置在图像中的不同位置,整个形象必须寻找出血。此外,出血不能由单一灰度特征。出血的灰色的水平取决于阶段的CT扫描。在动脉相(骨盆区域的扫描阶段注入对比剂)后不久,在骨盆动脉强调如果出血,也可微的软组织,由于对比增强剂。但在静脉的阶段(阶段骨盆的扫描与一些延迟注射对比剂后),出血不多可微的软组织软组织开始吸收增强剂。一般来说,出血灰色水平会因病人而异,在某种程度上,如果一个病人出血严重出血是突出显示在病人出血多是缓慢的。识别出血边界并不容易出血之间的灰度变化和软组织变化不大。此外,整个地区的出血灰度不是常数。出血是更高的灰度出血的中心和边缘消失了。 Another important challenge is, the hemorrhage can occur due to the fractured bones. Hence, it is important to segment the hemorrhage region accurately when near bone. To overcome these challenges, anatomical information must be incorporated in the segmentation process.

很少的研究人员已经开发出出血分割技术在骨盆区域(7]。先前的研究利用基于阈值的方法来段出血。此外,该方法只能部分出血位于一个特定的地区形象。尽管很少有研究在骨盆出血分割,有几项研究医学图像分割为各种应用,如血管分割、骨分割,分割出血等等(8,9]。一些现有的方法是基于阈值的方法,区域增长方法、集群、马尔可夫随机场(MRF)模型,人工神经网络,可变形模型,atlas-based方法,水平集方法,等等。

基于阈值的方法是最简单的一个方法,用于分割。在这种方法中,图像中的像素分为团体基于阈值。虽然这个方法很简单,它是对噪声敏感和强度,非均质性,因为它不占图像的空间特征(10,11]。区域增长技术用于部分地区基于一些相似的标准。在这种技术中,一个单一的种子选择最初,和所有周围的像素选择基于一些预定义的标准。这种方法的局限性是它容易受到噪声和部分体积效应(12,13]。集群技术如模糊则算法,——聚类、基于内核的方法等等无监督技术为细分开发(14]。尽管这些技术计算迅速,它们对噪声敏感或强度作为他们不考虑非均质空间上下文或取决于初始化。

一些研究人员人工神经网络用于分割(15,16]。人工神经网络是模拟生物学习的并行处理网络元素。这些网络high-parallel能力和高处理单元之间的相互作用使其模型的过程。然而,这些网络需要事先训练,和培训所花费的时间可能很长,而且这些网络的结果受初始化的影响。

形变模型技术是其他技术用于分割(17,18]。这些技术使用封闭参数曲线或曲面变形的影响下内部和外部的力量。这些技术将提供鲁棒性噪声的平滑约束和伪边缘。然而,缺点包括收敛差凹边界和敏感的初始化。水平集方法是基于一个移动的其他技术轮廓的零电平设置的事比普通网格标量函数(19,20.]。曲线变形根据给定的一组偏微分方程。Atlas-based方法是基于一个标准模板或阿特拉斯(21,22]。阿特拉斯创建基于解剖学的信息,需要分割。然后使用创建的阿特拉斯对新图像分割作为参考。atlas-based方法是有用的只有结构的分割不表现出伟大的变化,不是非常详细。

随着这些细分技术,还有其他技术,如流域技术,利用边缘检测和数学形态学的概念(图像分割成均匀的区域23]。这些技术受到分割。然而,最近的研究已经开发出改进的方法来克服的一些缺点分割(24,25]。

这些上述技术使用一个特定的标准来细分区域,通常不适应图像质量较差。然而,合并解剖信息使该方法更适应每一个图像的不同图像灰度值图像在同一病人。本文提出一种新颖的启发式方法部分出血利用动脉和骨信息最初发现出血,然后出血在多级段到出血匹配规则优化,和区域增长。

剩下的纸是组织如下。部分2描述了用于研究的方法论。结果部分提供了使用上述方法获得的结果以及研究使用的数据。本部分还将讨论结果。最后,结论部分总结了研究工作,提出了未来的工作。

2。方法

自动检测的存在和程度的出血是非常重要的对于评估损伤程度和快速准确的决策和治疗计划。因此,它是非常重要的为了利用动脉和骨信息检测和分割出血。图1提供出血检测和分割的原理图。

拟议中的出血分割技术包括定位出血,出血匹配,基于支持向量机(SVM)的规则优化确定出血部位在不同情况下,最后地区增长确定出血像素错过了即使在优化。在这个过程中每一步都是在下面详细解释。

2.1。出血检测

出血检测是至关重要的在骨盆创伤评估损伤严重程度和出血的准备步骤分割。我们以前的工作集中在出血从盆腔CT图像检测26,27]。这项工作是一个延续我们的以前的工作在出血检测。图2显示了出血的示意图设置检测。我们之前工作的简要描述如下提供。

2.1.1。预处理

出血检测的第一步是删除任何工件如表、手、电缆等等的盆腔CT图像和提取骨盆。这是通过使用形态学操作和blob分析(26]。下一阶段的出血检测段骨头。

2.1.2。骨分割和屏蔽

一旦提取骨盆,骨盆骨分割。图3下面显示了骨分割的设置。这涉及到骨头面具形成、边缘检测、形状匹配和目标识别,边缘融合,骨分割和掩蔽。骨头面具是由设定一个阈值,以骨区域从nonbone区域分开。然而,nonbone地区灰色水平大于阈值也可能决定骨区域在这个阶段。这些假骨区域后消除形状匹配和对象识别阶段。精明的边缘检测技术是用于确定边缘的面具。使用这个技术,因为其检测能力真强和弱边缘。一旦确定骨边缘,种子种植技术是用于选择像素更接近真正的骨边缘地区。这给了初始分割骨图像。后,形状匹配是用来确定最佳模板匹配这些在每个图像分割区域。 These templates are obtained from Visible Human Project dataset manually and offline. A total of 73 templates are used for the study. The best template detection helps determine the position of arteries in the pelvic region, explained later. This process eliminates the nonbone objects from the image by determining the shape matching cost [28- - - - - -32]。因此,初始骨区域分割。

分段后骨区域,边缘的骨头决心使用精明的边缘检测技术。在某些情况下,骨头的边缘可能不是完全连接。为了确保更好的屏蔽的骨头,骨头在当前块的边缘合并骨在前面和下一片。因为该研究不是关于裂缝检测、骨头合并出血检测的影响将是轻微的。下一步是最后的骨分割。这样做是在某种程度上类似于最初的骨分割使用种子种植技术。最后分割骨是蒙面通过设置其灰度值为零。

2.1.3。动脉检测和屏蔽

骨盆区域的主要动脉主动脉及其分支(髂总动脉)。由于动脉和出血是相似的灰色的水平,检测动脉有助于估计出血灰色的水平。因此,下一步是在骨盆动脉检测。主动脉、髂总动脉和髂外动脉决心利用模板匹配和从分段骨位置(26,29日- - - - - -31日,33]。髂内动脉的位置确定髂外动脉。这些发现动脉蒙面避免任何错误的出血检测。

2.1.4。出血检测

屏蔽的主要动脉后,图像搜索的对象除了出血。不必要的对象是残留骨像素或任何像素离开即使掩蔽的骨头和动脉出血以外的像素。它们被使用形态学操作。过滤不需要的对象后,该地区在图像,灰度范围内的动脉被认为是出血和中心坐标标识为出血区域的质心(26,30.]。

发现出血可能不会出血的完整区域特别是在矿脉的阶段。如果出血的像素灰度水平类似于软组织,特别是在矿脉的阶段,那么这些像素会被消灭在过滤不需要的对象。此外,灰色的水平位于动脉出血的灰色的水平和更高的是出血。然而确定出血严重,整个出血地区必须已知。

2.2。出血分割

出血的另一个重要的挑战是确定骨头旁边,由于出血可能发生由于骨折。因此,重要的是段出血区域准确旁边的骨头当礼物。出血匹配规则的提出分割过程由优化和区域增长,接下来的小章节详细描述。

2.2.1。出血由互信息最大化匹配

出血分割的第一步是出血匹配。出血区域检测到使用前面提到的方法不包含所有的出血像素尤其是出血的边界。出血帮助识别匹配阈值,即最优最小灰度对出血的分割区域。这是使用互信息最大化(MIM)完成。首先,一个窗口的大小选择预处理CT图像的感兴趣的区域(ROI)周围的质心检测到出血。范围(出血的灰色水平然后决定从检测到出血。然后一个灰度,在那里选择最小灰度和ROI的所有像素位于()选为出血像素。形态学操作执行消除任何nonhemorrhage地区每一个确定出血图片。这出血获得图像分别与初始检测出血使用互信息图像(MI)技术为了找到每个图像包含的信息量的发现出血[34]。以前发现的出血之间的MI计算图像和出血图片获得不同的灰度范围。包含最大的截止灰度信息发现出血被认为是最优最小灰度在这个阶段。互信息的这一过程是通过以下方式来决定的。让从一节发现出血的图像,和让,在那里的出血区域获得的初始截止范围内(]。图像之间的互信息和确定使用 在哪里,图像的熵和,是他们的联合熵,计算如下: 在那里,,表示个体的概率分布。表示图像的联合概率分布。

的截止灰度之间的互信息和是最大的,最优灰度吗和图像分割的最优图像在这个阶段。这个过程称为互信息最大化。图像中的像素位于(像素是出血,被认为是最低出血灰度。然而,可能不是实际的最小灰度的出血,因为这些截止灰色水平发现出血,可能不包括所有的出血等像素边界像素可能灰色水平不到。从现在开始,出血区域用。这些待定出血像素分割使用的方法在以下小节解释道。

2.2.2。基于支持向量机优化出血分割规则

利用像素灰度水平不足以决定一个像素是否出血。因此,有必要将像素信息,如位置,在发现出血区域梯度等等正确分类出血nonhemorrhage像素的像素。这个公司必须适应取决于出血像素是所有出血像素或在附近的软组织像素。这项研究包含了像素灰度水平,距离的像素出血病灶(最大灰度的像素),选中窗口内的灰度变化,每个像素的梯度的大小在选定的窗口,以取得更好的分割。

规则生成
让是出血区域图像使用MIM技术获得的。让是出血的边界地区的形象和出血的像素。一个窗口的大小 选择周围像素。有三种情况下,需要考虑一个最优分割:选中的窗口在(包含所有出血与灰色像素级别),大部分的像素出血像素和灰色水平≥,大部分的像素(出血或软组织像素)与灰色水平<。因此,启发式规则需要为每种情况下为了生成最优段出血nonhemorrhage像素。给出了每种情况下的规则如下。

案例1。 在(包含所有出血与灰色像素级别]。
如果窗口包含内的所有像素与灰色的水平(),那么所有这些像素出血像素,可以添加到出血。像素的规则在这种情况下必须满足以下条件才能被添加到区域。

例2。 包含大部分出血像素,像素与灰色水平≥。
如果窗口包含大多数(即。,>50%) hemorrhage pixels with gray levels ≥其余的像素的概率,然后在附近的出血是高。因此,社区将与出血占主导地位的像素。随着社区主导与出血像素,像素灰度和焦点的距离的像素合并到规则在这种情况下。这些参数只考虑,因为变化梯度的大小和像素灰度之间的变异水平不会添加任何优势区分从软组织出血像素像素。每个参数的使用将有一定weightage需要确定出血合并像素。因此,规则是如果像素满足给定的条件(4),然后它被认为是出血像素和添加到地区。 在哪里像素之间的距离在窗口和焦点,是由 和和的重量和是偏见。
为了达到适当的细分,这些权重需要优化。一个基于svm双重拉格朗日优化技术用于确定重量和偏见。在以后的部分解释这种优化技术。

例3。 包含大部分的像素与灰色的水平(软组织或出血)<。
如果窗口包含更多的(即。,>50%) pixels (soft tissue or hemorrhage) with gray levels <其余的像素的概率,然后在附近的出血是降低。因此,它需要算法更严格的在这种情况下相比其他两种情况。因此,包含梯度和灰度级变化窗口内的像素灰度及其焦点的距离将帮助避免oversegmentation这是至关重要的。因此,与本案相关的规则 在那里, 在哪里的灰度窗口的中心坐标吗的区别是在灰度中心的协调和灰度像素的窗口。每个像素的梯度的大小了 如果一个像素在选定的窗口满足上述条件,则被认为是出血和添加到现有的出血。
weightage中给出的参数(6)为每个形象必须确定这些变化在不同的图像。权重通过和偏见后优化使用基于svm双重拉格朗日优化技术。

基于支持向量机的优化规则
前面提到的规则中使用的重量必须优化,以确保适当的分割。这些重量必须为每个形象优化可以从图像到图像在同一病人。一个基于拉格朗日函数的对偶空间用于优化权重和偏见。优化是解决了拉格朗日函数的鞍点的对偶空间。对于优化,数据为软组织像素边界之外的选择出血,数据从边界内的像素像素被选中。这些像素的选择外边界和边界内的过程将促进识别边界像素的灰度。十倍交叉验证用于训练和测试数据,以确定最优权重和偏见的研究中使用的参数。训练和测试数据集的大小取决于大小的出血在每幅图像的边界。重量和偏见为每种情况分别进行了优化。为解决与拉格朗日对偶空间,Karush-Kuhn塔克条件最优的约束函数被认为是研究[35]。
这些条件,双重拉格朗日给出如下: 在那里,是拉格朗日乘数法,和输入和标签和吗是输入的维数。
这项研究的输入像素的灰度,距离像素的疫源地,梯度的大小和灰度变化。如果是情况下2,只有2输入变量。标签是类。在这项研究中,有两类:出血和nonhemorrhage类。
这个标准二次优化问题是用矩阵表示符号,制定如下: 在哪里是海赛矩阵,是惩罚参数,1是一个单位向量。 选择的上限因为训练数据点的影响仍在“错误”的分离非线性超曲面是有限的。另外,软边缘的宽度由相应的控制。大导致的误分类,小利润,反之亦然。在我们的研究中,被认为是大于零,小于无限的可行性。惩罚参数优化使用10倍交叉验证技术。解决方案从上面的方程确定的参数最优超平面和鉴于在 在哪里和优化的重量和偏见,表示支持向量的个数表示自由支持向量的个数。
在(11),只使用支持向量,因为不支持的拉格朗日乘数法是零向量。最后,与最优权重和偏差,决策超平面确定使用 在哪里是测试数据。
测试数据的输出是由使用一个指标函数给出 错误分类像素的数量决定通过比较测试输出与期望的输出。获得优化的重量和偏见是用来确定一个像素是否出血像素。中使用的优化权重规则,每个窗口中的像素是出血,如果他们满足优化规则。然而,有一个轻微的机会错过了出血像素外边界和不位于选定的窗口。因此,它必须包括这些像素出血地区。区域生长过程用于种植区域已经确定出血周围地区确定任何出血像素,错过了在优化过程中。这是以下小节中描述。

2.2.3。区域增长

该地区增长过程的最后阶段出血分割。这个过程是用来确定任何错过出血像素以外的边界。图4本研究显示了该地区增长过程中使用。该地区日益增长的过程包括几个步骤。首先,分段出血的边界从之前的阶段是用来选择一个窗口的大小在每个边界像素。如果总数的百分比,窗口内像素满足前面所述的条件>像素的因素,那么阈值确定使用的窗口 我在哪里₁和性病₁的平均值和标准偏差的nonbackground像素灰度值的窗口,是吗 和是一组像素位于零灰度背景。卡()表示集合的基数。

如果任何窗口内像素的边界之外,满足,然后他们视为出血像素被添加到现有的出血。重复整个地区增长过程的边界像素。这一完整的过程构成了一个时代。如果出血地区的增长率> 0在当前时代,然后重复整个过程从选择出血的边界地区,其他地区增长过程停止。增长率在每个时代都是计算使用 在哪里出血的总面积是当前时代的结束,然后呢出血的总面积是以前时代的终结。总年底region-grown地区成长过程被认为是最终的分割出血。

2.3。评价指标细分

一旦出血分段,一个合适的测量需要量化分割的准确性。本研究利用称为missegmented面积的测量。missegmented面积测量代表不寻常的面积(即分割区域。,the pixels of segmented region that are not a true hemorrhage) compared to the gold standard area of segmented hemorrhage. If和领域的实际和分割区域,missegmented区两个区域的定义是 在哪里 基于这种方法,分割出血将分为三个类别:好,可以接受的,和不可接受创伤医生和放射科医生协商,确认实际出血等高线是地面真理。

分割区域面积missegmented < 10%将被归类为好,missegmented面积在10%和20%之间的地区将被认为是可以接受的,最后任何地区missegmented面积超过20%将被认为是不可接受的。这些范围,可接受和不可接受的用于研究与放射科医生专家讨论的基础上,利用这些范围来确定一个区域是否正确分割和出血的严重程度。的数值本身并不认为这项研究为放射科医生并不关心数值,因为这些值不提供任何额外的信息来放射科医生对损伤严重程度。

3所示。结果与讨论

3.1。数据集

研究获得的数据集卡罗莱纳州卫生系统和弗吉尼亚联邦大学医疗中心。收集数据从十二骨盆创伤患者每30 - 70组成的扫描图像共有515张图片。这些十二个病人表现出非常轻微到严重出血,这些患者是随机选择的。从讨论专家放射科医生,人们已经发现,这些数量的图像选择能充分验证了该方法的性能。一个统计以及进行除了看看图像研究中使用的总数是否具有统计学意义。一个值< 0.05被认为是统计学意义,和一个更大的价值被认为是统计上不显著。这些图像选择与切片厚度5毫米轴向CT图像。

3.2。结果与讨论

该方法测试12骨盆创伤患者表现出轻微到严重出血。总数的图像用于研究这些12个病人是515图片。每张图片的尺寸是512×512像素。一个0.0029使用获得的价值以及显示选中的图片数量统计上显著的测试方法。CT扫描在动脉相包括拍摄的图像,矿脉的阶段。出血更在动脉相区分的矿脉的阶段。

ROI的大小在出血匹配部分是选为100。这个值是选择,因为一个小窗口大小可能不包含整个出血地区如果选择更大的尺寸,然后nonhemorrhage组织可能出现的出血区域使出血分割复杂得多。在规则优化,选择最初的惩罚参数的值0.1、0.01和0.001。最优获得的价值是不同的每个图像的病人。它是依赖于分类的准确性。惩罚参数的准确性是最大选为最优惩罚参数。为该地区日益增长的过程中,窗口大小是选为3。像素的因素选为50。这个值被选中,因为为了使算法在区域限制增长,应考虑由出血像素的窗口。如果选择低于这个值,oversegmentation可能增加的概率,如果选择的价值是高于这个值,然后算法过于严格,可能导致出血像素影响分割。

图5显示了出血分割的结果。该方法能够段很出血病例的94.28%用于这项研究。这些情况下被认为是一样好missegemented面积< 10%。总体平均missegmented面积是5.3%对3.01%的情况下,分割出血是可以接受的。平均missegmented区域在这些可接受的情况下是14.47%。剩余的2.71%的情况下,分割出血是不可接受的,平均missegmented面积26.52%。

数据6和7分割的结果显示出血。这是一些分割的情况下,出血是很好。结果表明,该方法分割出血非常好。数据6 (c)通过6 (e)给分割的分割结果在不同的阶段,也就是说,分割结果后出血使用MIM匹配,规则优化和区域增长。出血面积的百分比从MIM技术优化技术的结果是24.6%,出血面积的百分比从优化地区增长3.53%。这些结果表明,该规则优化有助于确定出血准确,和该地区增长有助于确定失踪的出血像素。

的病人在图7,出血面积的百分比从MIM技术优化技术的结果是22.3%,出血区域不是在该地区种植的增长过程中的所有出血像素识别早期本身。

图8分割结果显示出血位于旁边的骨头。这种分割被认为是可以接受的。出血位于旁边的骨头,褪色的灰色水平骨边缘可能类似于出血灰色的水平。使用距离信息和灰度变化信息有助于区分出血大多数骨区域的像素。然而几个像素,该方法无法区分出血和骨骼像素。数据8 (c)通过8 (e)显示了该方法的性能在不同的阶段。在这些数据中,出血面积的百分比从MIM技术优化技术的结果是25.42%。和出血面积的百分比从优化地区增长0.56%。出血区域增长通过区域生长在这种情况下要少得多。它可以观察到从这个规则优化的分段的大部分出血像素。

验证结果的基础上评估和评价由CT图像上的放射科医生。该方法能够段出血对大多数情况。细分是不能接受在一些情况下它可能是由于桥梁通过软组织出血像素的像素。因此,这几个像素分割过程中排除。增加选择窗口的大小可以帮助这些像素段。然而,权衡,它可能导致oversegmentation。将像素信息纳入规则优化有助于区分出血软组织和骨骼。优化技术能够段出血边缘很好。该地区日益增长的过程能够确定错过出血像素。此外,该方法可以部分出血边缘可能不通过目视检查可衡量的。 The overall processing time of hemorrhage detection and segmentation for each slice in a scan is a few seconds when run on a Intel(R)Core(TM)i7-2600(电子邮件保护)GHz机器。这是远远高于手动出血检测,每片超过一分钟。整个过程完全自动化。以相对较高的速度自动检测有助于医生做出快速、准确的诊断决策和治疗规划为骨盆外伤是非常重要的。

4所示。结论和未来的工作

提出了一种全自动出血分割技术,包括出血匹配,规则优化,区域增长。这些技术将像素灰度信息,梯度的大小,距离测量,分割的灰度变化。结果表明,该方法能够分割出血。自动分割出血,一旦与更多的数据验证,将计算机辅助决策系统的重要组成部分。未来的工作将集中在确定出血出血等体积的定量测定,确定出血对骨头的位置等等的基础上更大的数据集。

利益冲突

作者报告没有实际或潜在的利益冲突关系。

确认

这种材料是基于工作支持下由美国国家科学基金会资助。IIS0758410。作者要感谢卡罗莱纳州卫生系统和弗吉尼亚联邦大学医疗中心的研究提供数据。