Επεξεργασία και ανάλυση εικόνων ορθοπεδικού ενδιαφέροντος

Abstract

The rapid development of biology and genetics, combined with technological advances in data collection, makes it necessary to create computational tools that enable users to process and analyze a wide range of information from different sources. This PhD thesis addresses and examines this new advancement, while aiming at the design and development of computational methods that promote the rapid and reliable processing and analysis of bio-data, i.e. data imaging of the anatomical structures or functional indicators of the human body. In particular, the paper attempts to highlight the importance of these methods in the analysis of images of orthopaedic interest. The study develops algorithms for the processing and analysis of computed tomography (CT) and magnetic resonance imaging (MRI) images of the spine in order to create a three-dimensional model in which the vertebrae are simultaneously imaged by CT, while the intervertebral discs and the nerve canal are imaged by MRI, with as little manual intervention as possible and at the same time without the limitations of artificial learning models. In this way, pre-operative and post-operative comparison and evaluation of spinal surgery will be allowed. In particular, the three-dimensional alignment and fusion of the images from the two imaging techniques mentioned above is achieved. In a next step, segmentation techniques are applied to isolate regions of interest, resulting in a vertebral set from CT and a set with intervertebral discs and nerve canal from MRI. Finally, the computational tools comparing the generated spinal models are presented. The proposed methodology is based on six (6) stages of image processing-analysis, including: a) the synthesis of images from CT and MRI, b) the Otsu methodology using thresholding and c) the Chan-Vese segmentation methodology. More specifically, manual contour tracing of the vertebral and intervertebral disc contours was performed on the images by a radiologist physician, in order to use these as reference points for comparison with the contours extracted by the methodology. Two indices were used to compare the regions, the first for the similarity of the DSC (dice similarity coefficient) shapes, and the second compares the Hausdorff Distance contour points. In our approach we use the shapes of the vertebrae derived from CT images. This strategy is based on three considerations: (1) CT-derived images are more accurate in depicting solid structures such as vertebrae; (2) vertebral boundaries implicitly impose constraints on finding the boundaries of adjacent structures (intervertebral disc and nerve canal), (3) the peaks of anatomical regions are similar in CT and MRI images, therefore the gradient profiles and shape principles derived from active shape models (ASMs) from CT images can be applied to MRI images. First, we train the active shape model (ASM) onto the vertebrae from CT scans. Subsequently, we apply it over MRI images in order to find and locate the contours of the vertebrae and subsequently the other structures. Utilizing, therefore, the vertebrae as reference points from the CT scan, we detect the intervertebral disc and the nerve canal from MRI images. The results of the methodology were compared with several segmentation studies of the same anatomical regions and demonstrated that the present test is an alternative attempt to extract contours from the vertebrae and intervertebral disc. In addition, the segmentation results are used for simultaneous imaging on one image, thus contributing to a more convenient diagnosis of a variety of spinal diseases and reflecting the overall information provided on one image. In the experimental results, a comparison is made on the accuracy of the segmentation between the results obtained by the methodology and those obtained by other published methods. Unlike existing combinatorial methods, the approach proposed in this study does not depend on the availability of CT-MRI image pairs, which are rarely obtained from the same patient. Moreover, unlike the methods presented in the literature based on machine learning, our approach does not depend on large-volume data for model training. Until now, the literature has used CT or MRI images to segment only one anatomical structure, ignoring all other adjacent structures, which are taken into account by the physician during clinical evaluation. Therefore, in contrast to the combined information of the three imaging modalities we propose, the individual evaluation of the nerve canal or the intervertebral space does not provide such reliable results. The present methodology introduces an innovative computational approach to extract the boundaries of the vertebrae, intervertebral disc and nerve canal by combining the anatomical information of three anatomical structures from the two aforementioned imaging systems simultaneously in one image. Still, according to our method, model training is performed only once on CT images and then applied to MRI images, without the need for a plethora of images. It should also be noted the lack of a large amount of clinical data, which demonstrates the difficulty of methods based on deep learning algorithms and at the same time highlights our proposed method, for the reasons mentioned above. Finally, the proposed method does not depend on a large number of images to train the model, as required in deep learning methodologies. Instead, it requires limited user intervention. Moreover, its results are comparable to other cutting-edge methods in terms of segmentation quality, as evidenced by experimental comparisons, and it is noteworthy that, to date, no such computational tools of this kind are found - either at the research or commercial level - in the technological quiver.

Η ταχύτατη ανάπτυξη της βιολογίας και της γενετικής, σε συνδυασμό με τιςτεχνολογικές εξελίξεις στο επίπεδο της συλλογής δεδομένων, καθιστά αναγκαία τη δημιουργία υπολογιστικών εργαλείων, τα οποία θα παρέχουν τη δυνατότητα στους χρήστες να επεξεργάζονται και να αναλύουν ευρύτατο όγκο πληροφοριών από διαφορετικές πηγές. Η διδακτορική διατριβή πραγματεύεται και εξετάζει αυτή τη νέα πρόοδο, στοχεύοντας παράλληλα στο σχεδιασμό και στην ανάπτυξη υπολογιστικών μεθόδων, οι οποίες προωθούν την ταχεία και αξιόπιστη επεξεργασία και ανάλυση βιο-δεδομένων, δηλαδή δεδομένων απεικόνισης των ανατομικών δομών ή δεικτών λειτουργίας του ανθρώπινου οργανισμού. Συγκεκριμένα, η εργασία επιχειρεί να αναδείξει τη σημασία των μεθόδων αυτών στην ανάλυση εικόνων ορθοπεδικού ενδιαφέροντος. Στη μελέτη αναπτύσσονται αλγόριθμοι επεξεργασίας και ανάλυσης εικόνων αξονικής (CT) και μαγνητικής (MRI) τομογραφίας της σπονδυλικής στήλης, προκειμένου να δημιουργηθεί ένα τρισδιάστατο μοντέλο, στο οποίο θα απεικονίζονται ταυτόχρονα οι σπόνδυλοι από την αξονική τομογραφία (CT), ενώ οι μεσοσπονδύλιοι δίσκοι και το κανάλι των νεύρων απεικονίζονται από τη μαγνητική τομογραφία (MRI), με όσο το δυνατόν περιορισμένη χειροκίνητη παρέμβαση και ταυτόχρονα χωρίς τους περιορισμούς των μοντέλων τεχνητής μάθησης. Με αυτόν τον τρόπο, θα επιτρέπεται η προ-εγχειρητική και μετεγχειρητική σύγκριση και αξιολόγηση χειρουργικών επεμβάσεων στη σπονδυλική στήλη. Συγκεκριμένα, επιτυγχάνεται η τρισδιάστατη ευθυγράμμιση και σύντηξη των εικόνων από τις δύο ως άνω απεικονιστικές τεχνικές. Σε επόμενο στάδιο, εφαρμόζονται τεχνικές τμηματοποίησης, ώστε να απομονωθούν οι περιοχές ενδιαφέροντος, με αποτέλεσμα ένα σύνολο σπονδύλων από την αξονική τομογραφία και ένα σύνολο με μεσοσπονδύλιους δίσκους και κανάλι των νεύρων από τη μαγνητική τομογραφία. Τέλος, παρουσιάζονται τα υπολογιστικά εργαλεία που συγκρίνουν τα δημιουργηθέντα μοντέλα της σπονδυλικής στήλης. Η προτεινόμενη μεθοδολογία βασίζεται σε έξι (6) στάδια επεξεργασίας-ανάλυσης εικόνων, μεταξύ των οποίων: α) η σύνθεση των εικόνων από Αξονική και Μαγνητική Τομογραφία, β) η μεθοδολογία κατά Otsu με χρήση κατωφλίου και γ) ημεθοδολογία τμηματοποίησης κατά Chan-Vese. Αναλυτικότερα, στις εικόνες πραγματοποιήθηκε χειροκίνητη χάραξη του περιγράμματος των σπονδύλων και του μεσοσπονδύλιου δίσκου από ακτινολόγο ιατρό, με σκοπό να χρησιμοποιηθούν αυτά ως σημεία αναφοράς για την σύγκριση με τα περιγράμματα που εξάγονται από την μεθοδολογία. Για την σύγκριση των περιοχών χρησιμοποιήθηκαν δύο δείκτες, ο μεν πρώτος για την ομοιότητα των σχημάτων DSC (dice similaritycoefficient), ο δε δεύτερος συγκρίνει τα σημεία του περιγράμματος Hausdorff Distance. Στην προσέγγισή μας χρησιμοποιούμε τα σχήματα των σπονδύλων που προέρχονταιαπό εικόνες αξονικής τομογραφίας. Αυτή η στρατηγική βασίζεται σε τρεις εκτιμήσεις: (1) οι εικόνες που παράγονται από την αξονική τομογραφία είναι ακριβέστερες στην απεικόνιση των συμπαγών δομών όπως είναι οι σπόνδυλοι, (2) τα όρια των σπονδύλων επιβάλλουν έμμεσα περιορισμούς στην εύρεση των ορίων γειτονικών τους δομών (μεσοσπονδύλιος δίσκος και κανάλι νεύρων), (3) οι αιχμές των ανατομικών περιοχών είναι παρόμοιες στις εικόνες αξονικής και μαγνητικής τομογραφίας, επομένως τα προφίλ κλίσης και οι αρχές των σχημάτων που προέρχονται από τα μοντέλα ενεργών σχημάτων (active shape models ‘ASMs’) από τις εικόνες αξονικής τομογραφίας μπορούν να εφαρμοστούν και σε εικόνες μαγνητικής τομογραφίας. Αρχικά, εκπαιδεύουμε το μοντέλο active shape model (ASM) επάνω στους σπονδύλους από την Αξονική Τομογραφία. Εν συνεχεία, το εφαρμόζουμε επάνω σε εικόνες Μαγνητικής Τομογραφίας προκειμένου να ανεύρουμε και να εντοπίσουμε τα περιγράμματα των σπονδύλων και ακολούθως τις υπόλοιπες δομές. Αξιοποιώντας, επομένως τους σπονδύλους ως σημεία αναφοράς από την Αξονική Τομογραφία, ανιχνεύουμε το μεσοσπονδύλιο δίσκο και το κανάλι των νεύρων από εικόνες Μαγνητικής Τομογραφίας. Τα αποτελέσματα της μεθοδολογίας συγκρίθηκαν με διάφορες μελέτες τμηματοποίησης των ίδιων ανατομικών περιοχών και κατέδειξαν ότι η παρούσα δοκιμή είναι μία εναλλακτική προσπάθεια εξαγωγής των περιγραμμάτων από τους σπονδύλους και τον μεσοσπονδύλιο δίσκο. Επιπλέον, τα αποτελέσματα της τμηματοποίησης χρησιμοποιούνται για την ταυτόχρονη απεικόνιση σε μία εικόνα, συμβάλλοντας έτσι στην ευχερέστερη διάγνωση ποικίλων παθήσεων της σπονδυλικής στήλης και αντικατοπτρίζοντας συνολικά την παρεχόμενη πληροφορία σε μία εικόνα. Στα πειραματικά αποτελέσματα πραγματοποιείται σύγκριση στην ακρίβεια της τμηματοποίησης, ανάμεσα στα αποτελέσματα που προκύπτουν από την μεθοδολογία και στα αποτελέσματα που προέρχονται από άλλες δημοσιευμένες μεθόδους. Σε αντίθεση με τις υπάρχουσες συνδυαστικές μεθόδους, η προσέγγιση που προτείνεται στην παρούσα μελέτη δεν εξαρτάται από την διαθεσιμότητα ζευγών εικόνων αξονικής-μαγνητικής τομογραφίας, τα οποία σπανίως λαμβάνονται από τον ίδιο ασθενή. Επιπλέον, σε αντίθεση με τις μεθόδους που παρουσιάζονται στην βιβλιογραφία και βασίζονται στην μηχανική μάθηση, η προσέγγισή μας δεν εξαρτάται από δεδομένα μεγάλου όγκου για την εκπαίδευση του μοντέλου. Μέχρι τώρα οι επιστημονικές εργασίες χρησιμοποιούσαν εικόνες από Αξονική ή Μαγνητική Τομογραφία για να τμηματοποιήσουν μόνο μία ανατομική δομή, αγνοώντας όλες τις υπόλοιπες γειτονικές τους, οι οποίες συνεκτιμώνται από τον γιατρό κατά την κλινική αξιολόγηση. Επομένως, σε αντίθεση με τη συνδυαστική πληροφορία των τριών απεικονιστικών μεθόδων που προτείνουμε, από μόνη της η αξιολόγηση του καναλιού των νεύρων ή του μεσοσπονδύλιου διαστήματος δεν προσφέρει τόσο αξιόπιστα αποτελέσματα. Η παρούσα μεθοδολογία εισάγει μία καινοτόμα υπολογιστική προσέγγιση για την εξαγωγή των ορίων των σπονδύλων,του μεσοσπονδύλιου δίσκου και του καναλιού των νεύρων, με συνδυαστική χρήσητης ανατομικής πληροφορίας τριών ανατομικών δομών από τα δύο προαναφερόμενα απεικονιστικά συστήματα ταυτοχρόνως σε μία εικόνα. Ακόμα,σύμφωνα με τη μέθοδό μας, η εκπαίδευση του μοντέλου πραγματοποιείται μία μόνο φορά σε εικόνες Αξονικής Τομογραφίας και στη συνέχεια εφαρμόζεται σε εικόνες Μαγνητικής Τομογραφίας, χωρίς να χρειάζεται πληθώρα εικόνων. Θα πρέπει επίσης να σημειωθεί η έλλειψη μεγάλου όγκου κλινικών δεδομένων, η οποία καταδεικνύει τη δυσκολία των μεθόδων οι οποίες βασίζονται σε αλγορίθμους βαθιάς μάθησης και ταυτόχρονα αναδεικνύει την προτεινόμενη από εμάς μέθοδο, για τους λόγους που προαναφέρθηκαν. Τέλος, η προτεινόμενη μέθοδος δεν εξαρτάται από μεγάλο πλήθος εικόνων για την εκπαίδευση του μοντέλου, όπως αντίστοιχα απαιτείται σε μεθοδολογίες που χρησιμοποιούν βαθιά μάθηση. Αντιθέτως, απαιτεί περιορισμένη παρέμβαση από τους χρήστες. Επίσης, τα αποτελέσματά της είναι συγκρίσιμα με τις υπόλοιπες μεθόδους αιχμής, όσον αφορά στην ποιότητα της τμηματοποίησης, όπως αυτό αποδεικνύεται από τις πειραματικές συγκρίσεις, ενώ αξιοσημείωτο είναι ότι, μέχρικαι σήμερα, δεν ανευρίσκονται είτε σε ερευνητικό είτε σε εμπορικό επίπεδο τέτοιου είδους υπολογιστικά εργαλεία στην τεχνολογική φαρέτρα.