文摘

本研究旨在探索的应用价值,基于人工智能算法的经颅多普勒(TCD)监测重型颅脑损伤患者的神经内分泌变化在急性期;80例严重脑损伤患者纳入本研究作为研究对象,他们被随机分为对照组(常规TCD)和实验组(algorithm-optimized TCD),每组40例。浴室的人工智能社区分割算法图像设计,全面评估该算法通过测量应用价值为核心图像区域分割错误,该算法的运行时间。此外,格拉斯哥昏迷评分(GCS)和每个神经内分泌激素水平被用来评估患者的神经内分泌状态。结果表明,人工智能社区分割算法的运行时间为核心 ,明显短于哪一个 传统的卷积神经网络(CNN)算法( )。浴室的错误拒绝率(FRR)图像区域分割算法显著降低,和错误接受率(远)和真正的录取率(TAR)显著增加( )。的一致率GCS评分和多普勒超声成像诊断结果实验组为93.8%,这是明显高于对照组的80.3% ( )。多普勒超声成像诊断结果的一致性比率水平异常的实验组患者的促卵泡激素(FSH),催乳素(PRL)、生长激素(GH)、促肾上腺皮质激素(ACTH)和促甲状腺激素(TSH)明显高于对照组( )。总之,人工智能社区分割算法可以显著缩短处理时间的TCD形象和减少图像的分割误差区域,大大提高了患者的TCD监测水平严重的颅脑损伤,具有良好的临床应用价值。

1。介绍

脑损伤的定义是脑组织损伤引起的暴力作用于头部(1]。脑损伤可分为轻微和严重脑损伤疾病的程度。轻微脑损伤可以治愈无后遗症,而治疗重型颅脑损伤(如脑损伤导致颅内血肿)可以缓解症状,减轻危及生命,但经常有后遗症如失忆、耳鸣和眩晕2]。

最近的研究表明,许多急性严重脑损伤患者的神经系统并发症密切相关神经内分泌的变化,并及时有效的监测患者神经内分泌的变化有助于防止神经认知和神经行为严重的脑损伤后遗症3]。一些研究表明,微妙的神经损伤(脑弥漫性轴索损伤)在这些严重脑损伤患者只能观察到通过使用先进的神经影像,而神经内分泌激素水平通常是作为一个辅助指标来评估严重脑损伤的神经损伤在临床实践4]。发现创伤性脑损伤可能导致急性应激激素的增加或垂体前叶激素缺乏,和可能存在早期暂时神经内分泌异常或额外的后期康复期间神经内分泌异常(5]。此外,格拉斯哥昏迷评分(GCS),由格雷厄姆·德拉和布莱恩j . Jennett英国格拉斯哥大学的1974年的存在与否来确定昏迷,昏迷的病人的严重程度,也广泛应用于临床的评估创伤性脑损伤(TBI)受伤的严重程度和预测结果(6]。

目前,脑损伤的影像学检查在临床实践中包括x光,CT, MRI和超声。其中,超声是相对困难的考试颅内条件由于颅骨骨的影响,而经颅多普勒超声(TCD)的出现很大程度上缓解了这个问题(7]。TCD超声是一种颅内血流检测使用多普勒效应。的帮助下脉冲多普勒技术和2 MHz发射频率、超声波波束可以穿透较薄的部分头骨和直接跟踪脑动脉血流多普勒信号,以获得脑动脉的血流动力学参数和反映脑血管功能状态。非侵入性的优点,方便,可重复、连续和动态监测(4,8,9]。然而,与其他超声波检查,获得参数的准确性很大程度上取决于操作者的技巧,通常需要长时间的培训。临床上,更难以评估的脑血流量状态急性严重脑损伤患者,和浴室提供了一个好的解决方案10]。然而,仍然有一些问题在颅内的成像清晰度条件TCD超声图像。如果TCD超声彩色血流信号需要被医生用肉眼,很难保证精度,难以定量描述彩色血流信号,并不能直观地反映相关的重要信息诊断(11),这使得目前的彩色多普勒超声诊断不完全用于严重脑损伤患者的诊断和治疗。

近年来,各种人工智能算法已被充分应用在医学图像处理领域(12]。例如,在丽安等人的研究。13),自动分割方法基于参数自适应脉冲耦合神经网络(相)是用于医学图像的预处理和初步分割,如超声胆囊和胆结石的图像和MRI图像的左心室,和结果表明,该算法有很好的性能。;再利用无监督学习模型被用于医学图像分割的牙周结构王等人的研究。14),同样取得了良好的结果。然而,仍然有一些关于人工智能算法在颅内多普勒超声图像处理领域。本研究希望设计一个人工智能的快速分割算法基于特征信息颅内严重脑损伤患者的多普勒超声图像,实现的快速分割彩色图像中血管区域的准确定位和提取特征信息的损伤位置。综上所述,本研究综合评估的应用价值,该算法通过使用颅内基于人工智能的快速分割算法的多普勒超声监测神经内分泌严重脑损伤的急性期的变化。这项研究提供了一些参考价值研究神经内分泌的变化严重脑损伤的急性期颅内多普勒超声的诊断效率优化在严重的脑损伤。

2。材料和方法

2.1。研究对象及分组

共有80名患者有严重脑损伤治疗在医院从2018年6月到2019年6月被选为主题,包括48个男性和32岁女性,19-57岁。平均年龄为 年。在80严重脑损伤患者,41是由交通事故引起的,22个建筑工地,17的瀑布。此外,根据脑损伤的类型和位置,23例急性硬膜下水肿结合脑挫伤,21例急性硬膜外水肿,17例多发性颅内水肿,19例颅内血肿的结合脑挫伤被分类。在这项研究中,80例严重脑损伤患者随机分为两组。一组疾病监测,使用传统的经颅多普勒超声图像记录为对照组,和另一组使用经颅多普勒超声图像基于人工智能算法的疾病监测、记录为实验组,每组40例。经颅彩色多普勒超声设备的制造商用于本研究徐州联创医疗设备有限公司,有限公司,模型TCD-I(车类型)。所有患者在入院诊断脑部CT检查和急性手术。

入选标准如下:(1)病人满足重型颅脑损伤的临床诊断标准;(2) ;和(3)脑损伤患者诊断的CT(只收到临床手术和常规药物治疗,没有激素药物治疗)。排除标准如下:(1)其他器官严重损伤患者;(2)患者肝、肾、肾上腺、甲状腺、垂体疾病;(3)患者的内分泌和代谢系统疾病;(4)病人使用激素疗法治疗期间;和(5)患者孕期或哺乳期。

2.2。基于人工智能小区分割算法模型

基于传统人工智能卷积神经网络(CNN)算法,血流速度、血管位置、分布特点、血液流动特性,在经颅彩色多普勒超声图像和其他信息是关键指标监控严重脑损伤患者的颅内条件。如果颜色超声视频图像分解为图像序列图像分析技术,然后提取隐藏在它的有价值的数据关系。建立多参数和多因素综合分析模型的彩色超声技术将大大提高诊断的准确性严重脑损伤患者神经内分泌的变化在急性期。在此基础上,本研究将使用人工智能小区分割算法的基础上,结合域和颜色聚类分割严重脑损伤患者的TCD超声图像(15]。

算法建设之初,有必要实现智能之间的转换红,绿,蓝(RGB)颜色空间和hue-saturation-intensity(轻)(HSI /高速逻辑)颜色空间图像采集和成像设备,以克服颜色隐形和不均匀的缺陷在RGB颜色空间(16]。具体的转换方程表示如下。

R,G,B分别代表红、绿、蓝;H,年代,我分别代表色调,饱和度和亮度。为了测量两点之间的色差(H1,年代1,我1)和点(H2,年代2,我2),欧几里得距离( )用于计算在这个研究[17),表达式所示以下方程。

在此基础上,本研究介绍了ε场的特征参数测量灰度值;一个ε根据总体价值选择灰色图像的距离,和适应性ε值是用于像素领域的选择算法实现准确的ε字段(18]。的定义ε字段( )表示在方程(5),的计算方程ε值是表示在方程(6)。

代表了自然数集,表示感兴趣的区域,表示域半径,代表域特征值的标准差的像素 ,和的定义在下列方程表示。

自从色相,饱和度,亮度不能独立完成分割任务时该地区的HSI颜色空间的兴趣TCD超声图像分割,有必要使用相似性阈值( )色度和饱和度的方法预设ROI区域(19]。表达式是方程(8)。

和代表像素的色度和饱和度 ,分别;方程(9)是选择方程像素是否属于ROI。然后,域一致性因素是用来描述像素域的状态。当 ,像素类似于大多数像素ε在它的附近,它有一个类似的强度值,这意味着大多数像素像素及其附近属于均质区域。当 ,这意味着像素也有类似的强度值和其附近几个像素。换句话说,在该地区相邻的像素,像素之间的强度变化很大,表明像素的位置应该是结的地区或像素本身属于噪声点。因此,像素满足 可以被定义为分段种子像素(种子),也就是表现在以下方程。

在此基础上,种子元素之间的有效聚类和区域分割和nonseed元素很快意识到通过使用相似的等价关系转移。图1是一种经颅彩色多普勒超声分割基于人工智能社区分割算法。

2.3。分割经颅彩色多普勒超声图像质量评价指标的基于人工智能社区分割算法

为了测量的图像分割准确性人工智能社区分割算法模型设计的特点,患者的颅脑损伤严重的脑损伤,三个不同的误差指标用于这项研究来评估算法的分割精度模型和经典的CNN算法模型。三个不同的误差指标虚假废品率(FRR),错误接受率(远),和真正的录取率(TAR),及其计算公式表达以下方程。

是测量的区域分割方法,是标准的区域完全分割。

2.4。监测指标和效果分析,神经内分泌的变化严重颅脑损伤患者在急性期

在这项研究中,gc将用于评估昏迷的程度严重脑损伤患者(20.]。GCS规模包括三个标准评分系统,即最优大开眼界(最大:4分),最佳的语言反应(最大:5分),和最优运动反应(最大:6分)。目前的研究认为,GCS评分是一个很好的指标评估创伤性脑损伤的严重程度和预后的后续死亡率。在这项研究中,化学发光微粒免疫测定也用于确定基底的垂体激素水平等促卵泡激素(FSH)、催乳素(PRL)、生长激素(GH)、促肾上腺皮质激素(ACTH)和促甲状腺激素(TSH)患者的血。仪器使用自动微粒化学发光免疫分析系统。

之后,本研究将比较GCS评分和评价结果的每个神经内分泌激素水平两组急性严重脑损伤患者经颅多普勒超声诊断和综合评估的结果经颅多普勒超声处理的值基于人工智能小区分割算法在监测急性期神经内分泌变化的重型颅脑损伤患者根据程度的一致性的比较结果。每组的GCS评分和发生概率的垂体激素异常严重脑损伤患者的计算并与TCD超声检查。

2.5。统计方法

测试数据与SPSS19.0统计软件处理。测量数据所表达的 ( )。是由均值对比组 - - - - - -测试和计数数据表达的百分比(%);测试使用。当 ,数据具有统计上的显著差异。

3所示。结果

3.1。总结两组病人的基本信息

图2显示了性别的比较两组之间的分布和平均年龄,和图3表明,比较两组之间的脑损伤类型。男性患者的数量在实验组和对照组27岁和24岁,分别和女性病人的数量是13和16,分别。两组的平均年龄 和 ,分别。此外,急性硬膜下水肿患者的数量与脑挫伤复杂的实验组和对照组12例,11例,分别。急性硬膜外水肿患者的数量是11例和10例,分别。病人的数量与多个颅内水肿8例,9例,分别。颅内血肿患者复杂的脑挫伤9例,10例,分别。比较了两组的基本信息。平均年龄没有显著性差异,性别分布,两组之间的脑损伤类型( )。

3.2。比较两组之间的经颅彩色多普勒超声检查结果

图4经颅彩色多普勒超声的结果在两组。在传统的颅脑损伤患者的彩色多普勒超声图像由医生用肉眼,分工的损伤区域的边缘往往是完全不同于实际的损伤情况。人工智能社区切割算法处理后,损伤区域的边缘分割的准确性在颅脑损伤患者的彩色多普勒超声图像显著改善,和彩色多普勒超声图像的应用价值监控严重颅脑损伤患者增强。

3.3。运行时间和颜色空间参数的人工智能社区分割算法

图5显示的比较不同算法的平均运行时间。传统的CNN算法的运算时间 ,而人工智能社区的分割算法TCD超声 。与传统的CNN算法相比,图像处理时间明显缩短,差异是显著的,有统计学意义( )。

图6是颜色组件标称值分布图TCD超声图像分割的实验小组。图表显示,色调( ),饱和度( ),和明度( )获得的值将RGB颜色空间转化为HSI彩色空间的人工智能社区分割算法都集中在0.32,0.94,和0.95,分别。

3.4。经颅多普勒超声图像的分割错误的比较用不同的算法

图7是比较图TCD超声图像的区域分割误差与不同的算法。图表显示,FRR、远和焦油传统CNN算法的33.312%,0.657%,和66.688%,分别。FRR,到目前为止,和焦油的TCD超声的人工智能社区分割算法是4.924%,3.351%,和95.183%,分别。与传统CNN算法相比,人工智能小区分割的FRR算法大大减少了图像区域分割,和焦油显著增加,差异具有统计学意义( )。

3.5。急性神经内分泌变化的精度分析监测两组患者

图8显示GCS和垂体激素异常的发生率在两组的急性期。研究结果表明,实验中有27岁和24岁的病人组和对照组与GCS评分6 ~ 8和13和26个病人在3 ~ 5之间。没有显著差异(GCS评分的分布 )。异常的发生率FSH、PRL、GH, ACTH、TSH激素水平在实验组为73.6%,65.3%,94.2%,78.5%,和76.2%,分别;激素水平异常的发生率对照组为71.2%,60.1%,92.6%,79.7%,和74.1%,分别;有两组之间无显著差异( )。

图9显示的一致性GCS,垂体激素异常,和多普勒超声诊断在两组。结果表明,GCS评分的一致性比率和多普勒超声图像诊断结果实验组和对照组的93.8%和80.3%,分别。诊断结果的一致性比率在实验组明显高于对照组( )。异常的垂体激素FSH水平,PRL, GH, ACTH、和TSH实验组的78.3%,80.5%,90.3%,83.1%,和85.4%,分别明显高于对照组(57.4%,58.6%,72.3%,59.7%和60.1%,分别)( )。

4所示。讨论

重型颅脑损伤与高死亡率和伤残率是一种疾病,病理过程是非常复杂的。近年来,经颅多普勒超声利用超声波多普勒效应实现颅内血管血流动力学的检测可用于早期诊断脑动脉硬化、脑血管络脉,闭塞(21]。尤其是对缺血性脑血管疾病引起的严重颅内动脉狭窄或闭塞,脑血管痉挛、动静脉畸形、动脉瘤、颈动脉瘘引起的蛛网膜下腔出血,它具有较高的诊断价值。TCD无创的优点,操作简单,重复性好,可用于连续和长期动态观察的病人。然而,传统的经颅多普勒超声有一定程度的误差在患者大脑结构和血流动力学的变化,还有一些问题在颅内损伤的判断22]。

在这项研究中,一个人工智能小区分割算法是为患者头部受伤的多普勒超声图像特点,并应用于检测神经内分泌变化的重型颅脑损伤患者在急性期。结果表明,处理后由人工智能社区分割算法,边缘的损伤部位的准确性在彩色多普勒超声图像的脑损伤患者明显改善,提高彩色多普勒超声图像的应用价值在监测重型颅脑损伤患者。然而,人工智能社区的操作时间分割算法在处理经颅多普勒超声 ,明显短于哪一个 传统的CNN算法,有统计学意义( )表明与传统CNN算法相比,人工智能社区的图像处理时间分割算法显著缩短,大大提高了工作效率,符合Addabbo等人的研究结果。23]。

人工智能小区分割算法将RGB颜色空间转化为HSI颜色空间获得色调( ),饱和度( ),和强度( )值集中在0.32、0.94和0.95,分别。与传统的CNN算法相比,人工智能的图像区域分割的FN社区分割算法明显减少,FP和TP明显增加,差异具有统计学意义( ),因此表明人工智能社区分割算法可以显著减少经颅多普勒超声图像的区域分割错误和更准确的智能识别和减少脑损伤区域多普勒超声图像。一种改进的非线性强度色相和饱和度(INIHS)颜色模型也被用于脉冲卷积神经网络在报告中由Ganasala和库马尔(24),显著提高医学图像的对比度。

诊断结果的一致性与多普勒超声波GCS和垂体激素异常的GCS评分两组表明,实验组为93.8%,这是明显高于对照组(80.3%),差异有统计学意义( )。一致性的不正常垂体激素FSH, PRL, GH, ACTH、TSH水平和多普勒超声成像的诊断结果实验组分别为78.3%,80.5%,90.3%,83.1%,和85.4%,分别是明显高于对照组(57.4%,58.6%,72.3%,59.7%和60.1%,分别),差异具有统计学意义( ),从而表明人工智能社区分割算法设计在这项研究中有很好的利用价值的监测神经内分泌重型颅脑损伤急性期的变化,可以检测脑损伤患者的神经内分泌条件在一定程度上的成像。

5。结论

在这项研究中,一个人工智能小区分割算法的多普勒超声图像特点的基础上设计并应用于颅脑损伤患者检测神经内分泌的变化在急性期严重颅脑损伤患者。结果表明,区域分割误差和运行时间的人工智能社区的多普勒超声图像分割算法显著降低,与GCS评分的一致性和垂体激素异常明显改善。然而,仍然有一些不足之处。例如,神经内分泌激素监测包括在这项研究的类型相对单一,主要集中于垂体激素,缺乏其他神经内分泌激素的监测指标。在这项研究中,有相对较少的监测指标用于图像分割质量评价的人工智能社区分割算法设计,和更多的算法评价指标将包括进一步优化算法将在未来,然后,这个算法的应用价值将从多个角度全面分析。总之,这项研究证实,TCD超声图像特征的基于人工智能社区分割算法有很好的应用价值在监测的神经内分泌变化严重脑损伤患者在急性期,值得进一步推广于临床和影像学诊断提供了参考依据,治疗和监测患者严重的脑损伤。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

王涛和住陈了同样的工作。