Ανάλυση ιατρικών δεδομένων από πολλαπλές απεικονιστικές τεχνολογίες με τεχνικές μηχανικής μάθησης, επεξεργασίας εικόνας και στατιστικού μοντέλου σχήματος

Abstract

This thesis describes innovate methods of image processing on data having been collected through various medical imaging systems (OCT and SPECT / CT) and related to specific issues - problems of the diagnostic medicine. These methods were developed in accordance with the principles of image processing, by using convolutional neural networks and active shape models. We examined basically images of Intravascular Optical Coherence Tomography (which constitutes a relatively new and evolving medical image technology), in view of the morphology and pathophysiology of the vascular arteries, and with the aim of developing methods for automatic segmentation of the arterial wall and classification of atherosclerotic tissues. We developed the ARC-OCT method which enables accurate and fully automatic detection of lumen-endothelial borders even in OCT images containing artifacts, arterial stented segments and lateral branches. For the automatic classification of atherosclerotic plaques, (after having apply - test a variety of alternative techniques) we developed a combinatorial method based on the specialized pre-treatment of OCT images (to highlight the optical properties of the different types of atherosclerotic tissues) and classification of them in two level bases: textural and regional, using the appropriate CNNs network at each level. The method was used to classify portions of an IVOCT image into 6 categories: background, normal tissue, and four different types of atherosclerotic plaque (lipid, fibrous, calcified and mixed). Furthermore, for the automatic segmentation of V/P SPECT functional images of the lungs - another field of our research work- we developed a method which is based on Active Shape Models, that is the transferring the a priori information, derived from the corresponding anatomical CT, to the segmentation procedure. The algorithm that was developed allows estimating the contour of the lungs independently of the existence of peripheral ventilation / perfusion defects and can form the basis for the automatic quantification of large-scale of relevant measurements. Finally, we identified issues (on the above fields) that require further research and development, that can be done by using deep learning methods and 3D representation techniques, so that the results of our research effort can be more widely applied in clinical practice.

Η παρούσα διατριβή περιγράφει νέες πρωτότυπες μεθόδους επεξεργασίας ιατρικών απεικονιστικών δεδομένων που συλλέχθηκαν με την εφαρμογή διαφόρων συστημάτων απεικόνισης (OCT και SPECT/CT) και σχετίζονται με συγκεκριμένα θέματα - προβλήματα της διαγνωστικής ιατρικής. Οι μέθοδοι αυτές αναπτύχτηκαν σύμφωνα με τις αρχές της επεξεργασίας εικόνας, με τη χρήση συνελικτικών νευρωνικών δικτύων και ενεργού μοντέλου σχήματος. Εξετάστηκαν, κατά βάση, εικόνες της Ενδοστεφανιαίας Οπτικής Συνεκτικής Τομογραφίας (νέας σχετικά και εξελισσόμενης απεικονιστικής τεχνολογίας) με στόχο την ανάπτυξη μεθόδων αυτόματης κατάτμησης του αρτηριακού τοιχώματος και κατηγοριοποίησης των αθηρωματικών ιστών (διερεύνηση της μορφολογίας και παθολογοανατομίας των στεφανιαίων αρτηριών). Η μέθοδος ARC-OCT που αναπτύχθηκε καθιστά δυνατή την ακριβή και πλήρως αυτοματοποιημένη ανίχνευση του ορίου αυλού-ενδοθηλίου, ακόμη και σε εικόνες OCT με τεχνικά σφάλματα και επί τμημάτων στεφανιαίων αρτηριών που φέρουν ενδοπροθέσεις ή έχουν πλευρικές διακλαδώσεις. Για την αυτόματη κατηγοριοποίηση των αθηρωματικών πλακών (μετά από την εφαρμογή - δοκιμή πληθώρας εναλλακτικών τεχνικών), αναπτύχθηκε μια συνδυαστική μέθοδος που βασίζεται στην εξειδικευμένη προεπεξεργασία των εικόνων OCT (για την ανάδειξη των οπτικών ιδιοτήτων των διαφόρων τύπων αθηρωματικών ιστών) και την ταξινόμησή τους σε δύο επίπεδα: τόσο υφής, όσο και περιοχής, με τη χρήση του κατάλληλου συνελικτικού νευρωνικού δικτύου CNN, σε κάθε επίπεδο. Με την μέθοδο επιτεύχθηκε η κατάταξη των τμημάτων μιας εικόνας IVOCT, σε 6 κατηγορίες: υπόβαθρο εικόνας, φυσιολογικός ιστός και τέσσερις διαφορετικούς τύπους αθηρωματικής πλάκας (λιπώδης, ινώδης, ασβεστοποιημένη και μεικτή). Ακόμη, για την αυτόματη κατάτμηση-οριοθέτηση των λειτουργικών εικόνων αερισμού/αιμάτωσης SPECT πνευμόνων (που απετέλεσε ένα ακόμη από τα πεδία της παρούσας εργασίας), η μέθοδος που αναπτύχθηκε βασίζεται στην αξιοποίηση των a priori πληροφοριών ενεργών προτύπων σχημάτων που προκύπτουν από τις αντίστοιχες ανατομικές εικόνες CT. Ο αλγόριθμος που δημιουργήθηκε επιτρέπει την εκτίμηση του περιγράμματος των πνευμόνων ανεξάρτητα από την ύπαρξη περιφερειακών ελαττωμάτων αερισμού /αιμάτωσης και μπορεί να αποτελέσει τη βάση προς την κατεύθυνση της αυτόματης ποσοτικοποίησης μεγάλης κλίμακας σχετικών μετρήσεων. Τέλος προσδιορίστηκαν τα θέματα (επί των παραπάνω πεδίων) που χρειάζονται περαιτέρω έρευνα - ανάπτυξη, που μπορεί να γίνει με την αξιοποίηση των μεθόδων βαθιάς μάθησης και τη χρήση τεχνικών 3D αναπαράστασης, με στόχο τα πορίσματα αυτής της ερευνητικής προσπάθειας να έχουν ευρύτερη εφαρμογή στην κλινική πράξη.