Επεξεργασία υφής αξονικών τομογραφιών DCE και DWI.

Abstract

Η ανάλυση και επεξεργασία ιατρικών εικόνων έχει ως στόχο να παρέχει με μη επεμβατικό τρόπο στους ειδικούς διαγνωστικές και προγνωστικές πληροφορίες. Παραδοσιακά, η ερμηνεία του περιεχομένου των ιατρικών εικόνων γίνεται με οπτικό έλεγχο, αλλά υπάρχουν αναφορές ότι αυτό οδηγεί σε υψηλό ποσοστό ψευδώς θετικών διαγνώσεων κακοηθειών από ακτινολόγους, καθώς επίσης και σε υψηλή διακύμανση μεταξύ παρατηρητών. Για την αντιμετώπιση του προβλήματος αυτού έχουν προταθεί συστήματα υποβοηθούμενης διάγνωσης (CAD) τα οποία προσφέρουν πιο αντικειμενικές, επαναλήψιμες και διαγνωστικά σχετικές πληροφορίες. Ως παράδειγμα αναφέρονται κάποιες προσεγγίσεις CAD που έχουν προταθεί για εικόνες μαγνητικής τομογραφίας (ΜΤ) μαστού, με τυπικές εφαρμογές (α) την αυτόματη ανίχνευση βλαβών ή (β) την ταξινόμηση μιας βλάβης σε καλοήθη ή κακοήθη [1]. Οι διάφορες προσεγγίσεις αυτόματων CAD συνήθως εκμεταλλεύονται το γεγονός ότι οι κακοήθεις βλάβες έχουν δομικές διαφορές στα προφίλ εντάσεων απεικόνισης σε εικόνες ΜΤ συγκρινόμενα με αυτές κανονικών παρεγχυματικών ιστών [1]. Στην παρούσα εργασία εστιάζουμε στον υπολογισμό αρκετών αριθμητικών τιμών που περιγράφουν την υφή της εικόνας για την διαφοροποίηση καλοηθών και κακοηθών ιστών. Με αυτό σαν στόχο, υλοποιήθηκαν αρκετές μέθοδοι που παράγουν αριθμητικές τιμές, συμπεριλαμβανομένων και των τιμών υφής εικόνας του Haralick βασισμένων σε δισδιάστατα ιστογράμματα [2] και μορφοκλασματικά (fractal) χαρακτηριστικά [3]. Ο τομέας εφαρμογής αφορά εικόνες μαγνητικής τομογραφίας σταθμισμένης διάχυσης (ΜΤ-ΣΔ) οι οποίες παρέχουν ένα μέτρο της τυχαίας (Brownian) κίνησης μορίων νερού μέσα σε ένα χωροστοιχείο (voxel) του ιστού. Πυκνές κυτταρικές δομές ιστών ή δομές που παρουσιάζουν διόγκωση των κυττάρων παρουσιάζουν διαφοροποίηση στους συντελεστές φαινομενικής διάχυσης (ADC), οπότε η ΜΤ-ΣΔ είναι εξαιρετικά χρήσιμη στον χαρακτηρισμό καρκινωμάτων και στην αξιολόγηση εγκεφαλικών ισχαιμιών. Προηγούμενες εργασίες πάνω σε ΜΤ-ΣΔ επικεντρωθήκαν σε γνωστές μεθόδους βασισμένες σε στατιστικές αναλύσεις ιστογραμμάτων οι οποίες όμως δεν αποδίδουν καλά όταν πρέπει να περιγράψουν ετερογένεια καρκίνου καθώς και στον διαχωρισμό μεταξύ καλοηθών και κακοηθών όγκων. Έχει αναφερθεί ότι η ανάλυση υφής εικόνας μπορεί είναι καλύτερη μέθοδος για τον σκοπό αυτό [4] πράγμα που οδηγεί στην ακόλουθη ερευνητική ερώτηση: Μπορούμε να βελτιώσουμε την περιγραφή της ετερογένειας από εικόνες και την διαφοροποίηση υγιούς και καρκινικού ιστού σε ΜΤ-ΣΔ ADC παραμετρικές εικόνες με την χρήση ανάλυσης υφής; Η παρούσα εργασία προσπαθεί να απαντήσει στο ερώτημα αυτό.

Medical Image processing and analysis aim to deliver to the clinician diagnostic and prognostic information obtained in a non-invasive way. Interpreting the content of the medical images is traditionally done by visual inspection but this reportedly leads to a high rate of false positives of malignant lesions by radiologists as well as high inter-observer variability. To tackle this problem computer-aided detection (CAD) methods have been proposed for offering more subjective, reproducible diagnostic relevant information. As an example, several CAD approaches for breast magnetic resonance imaging (MRI) have been proposed, typically either for (a) automatically detecting a lesion (computer-aided detection (CADe)) or (b) classifying a lesion as benign or malignant (computer-aided diagnosis (CADx)) [1]. Automated CADe approaches usually exploit the fact that malignant lesions typically have different image intensity profile structure on MR images, compared to normal parenchyma [1]. In this thesis, the main focus was to compute several image texture measures for discriminating between benign and malignant tissue. To this end, several texture measures were implemented, including Haralick’s image texture measure based on 2D image histograms [2] and fractal features [3]. The application domain concerned diffusion weighted MRI (DW-MRI) imaging which provides a measure of the random Brownian motion of water molecules within a voxel of tissue. Densely cellular tissues or those with cellular swelling exhibit lower apparent diffusion coefficients (ADC), and thus diffusion is particularly useful in tumor characterization and cerebral ischemia. Previous work on DW-MRI image processing has focused on well-known histogram-based statistical analyses which however have yielded poor results in describing tumor heterogeneity and therefore discriminating between benign and malignant masses. It has been reported that texture analysis could be a better method for achieving this [4] which led to thefollowing research question: Can we improve the image-based heterogeneity description and differentiate normal from cancerous tissue in DW-MRI ADC image maps by using texture analysis? This research question has been the main rationale behind the work presented in this thesis.