izpis_h1_title_alt

Intracranial aneurysm detection and morphologic analysis based on three-dimensional angiographic images
ID Bizjak, Žiga (Author), ID Špiclin, Žiga (Mentor) More about this mentor... This link opens in a new window

.pdfPDF - Presentation file, Download (9,04 MB)
MD5: AED562554D91A55EF561F1D631ABBE3F

Abstract
Intracranial aneurysms affect approximately 3.2 % of the general population. It is estimated that 20-50 % do rupture during a person's lifetime. Clinical meta-analyses suggest that larger aneurysms should be treated by neurosurgery as soon as possible, while for small aneurysms the risk of complications during treatment is higher than the risk of rupture. Therefore, early detection and longitudinal monitoring are very important to determine the best treatment option. With the aim to enable early detection and follow-up imaging based monitoring of the aneurysms as a novel rupture risk mitigation paradigm, this thesis is concerned with the development and validation of two computational methods: (1) intracranial aneurysm detection from clinical grade angiographic images using a novel projection-detection-reconstruction approach and (2) intracranial aneurysm growth detection and morphology change characterization from baseline and follow-up imaging using a novel shape deformation algorithm. The detection of intracranial aneurysms was performed on 30 3D DSA images, where following a 3D to 2D digitally reconstructed radiography a convolutional neural network with a U-net architecture was applied for aneurysm detection. Next, the reconstruction step restored the detection probabilities in the original 3D image space thus allowing to highlight potential aneurysms and perform the detection. The approach succeeded in detecting 82 % of all aneurysms on training set and 75 % of all aneurysms on the validation set. The obtained results show that, despite the small number and variety of training datasets, deep learning techniques may be used to address the problem of aneurysm detection. Second set of methods involved longitudinal aneurysm shape analysis, for which we have developed an iterative mesh to mesh deformation (IMTMD) algorithm so as to compensate all the morphologic differences between the baseline and follow-up aneurysm shapes. By analyzing the obtained deformations we have proposed novel morphologic features such as median path length, differential volume and surface area and integral of cumulative deformation distances (MPL, dV, dSA and ICDD). The ability to detect a growing aneurysm was evaluated and compared to clinical-standard cross-sectional measures. It was established that the proposed features based on longitudinal imaging and analysis using the IMTMD algorithm achieved better area under the receiver operating characteristic curve (AUC-ROC) and p-value according to Mann-Whitney U-test than currently established cross-sectional features. The proposed computational tool seems to readily address the posed clinical needs and was designed such that it can be easily adopted in the current health care workflow.

Language:English
Keywords:aneurysm detection, digital subtraction angiography, image analysis, deep neural networks, share registration, morphology change quantification
Work type:Master's thesis/paper
Organization:FE - Faculty of Electrical Engineering
Year:2019
PID:20.500.12556/RUL-108181 This link opens in a new window
Publication date in RUL:20.06.2019
Views:1706
Downloads:428
Metadata:XML DC-XML DC-RDF
:
Copy citation
Share:Bookmark and Share

Secondary language

Language:Slovenian
Title:Zaznava in analiza morfologije intrakranialnih anevrizem v tridimenzionalnih angiografskih slikah
Abstract:
Bolezni žilja in srca so ene izmed najpogostejših razlogov za invalidnost in smrt, pri čemer bolezni možganskega ožilja predstavljajo 30 % teh primerov. Ena izmed pogostih bolezni možganskega ožilja je možganska anevrizma. To je izboklina v krvni žili, ki je posledica strukturno oslabljene stene krvne žile. Zaradi pritiska in pulzacije krvi anevrizma raste in lahko rupturira oziroma poči, kar vodi v možgansko krvavitev, ki je usodna v 50 % primerov. Sicer velja, da tekom življenja poči le 20-50 % anevrizem, vendar pa je prevalenca možganskih anevrizem relativno visoka z ocenjenim 3.2 % v splošni populaciji, zato je zgodnje zaznavanje anevrizem in njihovo klinično upravljanje zelo pomembno. Anevrizme grobo delimo na majhne in velike, običajno glede na premer anevrizme s pražno vrednostjo 7 mm. V klinični praksi je ustaljena praksa, da je treba velike anevrizme zdraviti čim prej. Anevrizme lahko zdravimo na dva načina, in sicer (1) s preščipnjenjem vratu in odstranjevanjem anevrizme med kirurškim posegom in (2) z znotrajžilnim žičkanjem, kjer preko venskih žil v anevrizmo dostavimo snop žice tako, da nastane tromb in naravno zmanjša ali celo zapre za rupturo kritičen tok krvi skozi anevrizmo. Pri obeh postopkih zdravljenja obstaja možnost, da pride do rupture anevrizme med samim posegom ali drugih zapletov. Pri velikih anevrizmah (premer > 7 mm) je tveganje rupture precejšnje, zato je sam poseg upravičen. Po drugi strani je pri majhnih anevrizmah (premer 3-7 mm) tveganje rupture manjše, je pa težavnost posega zaradi majhnosti (npr. široko odprt vrat anevrizme) precej večja, večje je tudi tveganje dodatnih zapletov med posegom (npr. povzročitev kapi). V klinični praksi se za majhne anevrizme zato uveljavlja nov pristop v obravnavi majhnih anevrizem, in sicer spremljanje razvoja anevrizme v času z angiografskimi slikovnimi tehnikami. Na ta način se lahko loči med morfološko stabilnimi in nestabilnimi anevrizmami. Dodaten problem predstavlja diagnosticiranje oziroma zaznavanje novih anevrizem, ker le-te običajno nimajo pridruženih simptomov in se jih v praksi zato precej odkrije po naključju. Iz navedenih razlogov sta zgodnja zaznava in časovno spremljanje anevrizem z angiografskim slikanjem pomembna vidika pri zdravljenju intrakranialnih anevrizem. Magistrsko delo se osredotoča na razvoj in validacijo avtomatskih postopkov analize angiografskih slik, ki naslavljajo dva omenjena klinična vidika diagnostike in kasnejšega zdravljenja intrakranialnih anevrizem: (1) zaznavanje anevrizem na angiografskih slikah, s primerljivo kakovostjo kot v klinični praksi in (2) časovno spremljanje morfoloških sprememb na anevrizmi. Predlagani postopek za zaznavo intrakranialnih anevrizem v tridimenzionalnih (3D) angiografskih slikah temelji na treh zaporednih korakih, in sicer projekcija 3D slike v dvodimenzionalno (2D) sliko, zaznavanje anevrizem v 2D sliki z uporabo postopkov globokega učenja in rekonstrukcija 3D polja verjetnosti anevrizme za lokalizacijo anevrizme v prostoru vhodne slike. Za namen zaznavanja smo uporabili konvolucijsko nevronsko mrežo U-net, ki se uporablja za razgradnjo biomedicinskih slik. Z U-netom razgradimo slike v t.i. "end-to-end" načinu, kar pomeni, da na vhod damo neobdelano sliko, izhod pa je polje verjetnosti v velikosti vhodne slike, kjer vrednosti v posameznih slikovnih elementih slike predstavljajo verjetnost prisotnosti strukture zanimanja. Za učenje in validacijo smo uporabili 30 3D slik digitalne odštevne angiografije (DSA; ang. digital subtraction angiography), kjer je bila na vsaki sliki prisotna vsaj ena anevrizma. Od tega smo 20 slik naključno uvrstili v učno množico, preostalih 10 pa v testno množico za namen validacije. Vsaka od 30-ih DSA slik je imela tudi pripadajočo binarno sliko razgranjo anevrizme, ki jo je ročno naredil nevrokirurg. Glede na prej omenjeni trokoračni potek postopka zaznave anevrizem smo iz vsake 3D DSA slike ter pripadajoče razgradnje anevrizme naredili 36 2D stožčastih projekcij pod različnimi koti pogleda gleda na 3D DSA sliko. S temi podatki smo naučili U-net nevronsko mrežo. Izhod iz naučenega modela je bila 2D slika verjetnosti položaja anevrizem. Za vsako 3D DSA sliko smo tako ustvarili 36 2D slik verjetnosti položaja anevrizem in jih uporabili za rekonstrukcijo 3D polja oziroma slike verjetnosti položaja anevrizem. Uporabili smo analitičen postopek rekonstrukcije, kjer pred rekonstrukcijo 2D slike filtriramo s Hannovim filtrom in nato povratno projiciramo v 3D prostor ter posamezne projekcije seštejemo. Na tako rekonstruirani 3D sliki uporabimo metodo upragovanja, da dobimo verjetne lokacije anevrizem. Z uporabljenim postopkom smo našli 82 % vseh anevrizem na učni množici, medtem ko smo na tesni množici našli 75 % vseh anevrizem. Rezultati vrednotenja dokazujejo, da je kljub izjemno majhnemu številu vhodnih učnih slik intrakranialne anevrizme mogoče najti z uporabo globokih nevronskih mrež. To nam je omogočila uporaba 3D-2D projekcije, s katero smo lahko ustvarili veliko število učnih slik. Kljub majhnemu številu 3D DSA slik smo uspeli mrežo U-net naučiti, da najde 75 % vseh anevrizem na testni množici. Nadaljnji problem so predvsem najmanjše anevrizme (premeri okoli 3 mm), ki jih je težje ločiti od ostalih oblik na projekcijah 3D DSA slik. V nadaljnjem delu si postopek izboljšati s smiselno izbirov pogledov oziroma kotov projekcije. Hkrati želimo zbrati tudi več 3D DSA slik večih bolnikov, ker predvidevamo, da majhno število 3D DSA slik nezadostno odraža sicer precej visoko biološko variabilnost intrakranialnih anevrizem. Na ta način želimo še izboljšati odstotek zaznanih anevrizem. V drugem delu magistrske naloge smo analizirali spreminjanje oblike anevrizme skozi čas z namenom zaznavanja rasti anevrizem. Za analizo posamezne anevrizme potrebujemo dve angiografski sliki, preiskovalno in kontrolno, med katerima je pretekel določen časovni interval. Pridobili smo dvajset parov preiskovalnih in kontrolnih računalniško tomografskih slik (CTA; ang. computed tomography angiography) anevrizem, glede na opredelitev nevrokirurga jih je bilo 8 stabilnih, 12-tim pa se je oblika spremenila med dvema slikanjema. Iz slik smo izločili anevrizme in žilje ter jih pretvorili v obliko trikotniške mreže, ki je predstavljala površino teh struktur. Prvi korak pri zaznavanju sprememb oblik anevrizme je bila groba poravnava trikotniških mrež iz preiskovalnega in kontrolnega slikanja, kar smo opravili z globalnim postopkom za togo poravnavo 3D struktur Go-ICP (ang. globally optimal iterative closest point) ter postopkom za lokalno optimalno togo poravnavo CPD (ang. coherent point drift). Poravnavali smo le točke v trikotniški mreži, ki so predstavljale žilo okrog anevrizme brez same anevrizme, saj smo predvideli, da se žilje med dvema slikanjema ne spremeni bistveno, medtem ko sama anevrizma lahko precej zraste med dvema slikanjema. Po togi poravnavi para anevrizem smo uporabili na novo razviti postopek za netogo poravnavo dveh oblik, ki smo ga poimenovali IMTMD (ang. iterative mesh to mesh deformation). Prvo trikotniško mrežo oz. obliko, v našem primeru anevrizmo iz preiskovalnega slikanja, iterativno deformiramo v obliko druge anevrizme iz kontrolnega slikanja. Rezultat postopka je simulacija rasti anevrizme ter informacija o lokalnih deformacijah trikotniške mreže, ki smo jo nato uporabili za izračun novih meritev oziroma biomarkerjev rasti anevrizme. Določili in izračunali smo štiri nove meritve: (1) mediano dolžine deformacijske poti (MPL; ang. median path length), (2) spremembo površine (dSA; ang. differential surface area), (3) spremembo prostornine (dV; ang. differential volume) in (4) integral kumulativnih dolžin deformacijskih poti (ICDD; ang. integral of cumulative deformation distances). Izločene nove biomarkerje smo vrednotili s stališča zmožnosti zaznave rasti anevrizme in primerjali z zmožnostmi trenutno najbolj uveljavljenih presečnih biomarkerjev, ki smo jih izračunali ločeno na preiskovalni in kontrolni trikotniški mreži in izračunali relativno spremembo. Vrednostili smo razločevalnost med stabilnimi in nestabilnimi anevrizmami z uporabo analize AUC-ROC (ang. area under the receiver operating characteristic curve) in Mann-Whitney U-testa. Presečni biomarkerji so bili največja višina anevrizme (HMAX; maximum dome height), površina anevrizme (SA; ang. surface area), prostornina (V; ang. volume), indeks neokroglosti (NSI; ang. non-sphericity index) in razmerje osi (AR; ang. aspect ratio). Predlagani novi biomarkerji so se izkazali bolje tako na Mann-Whitney U-testu kot AUC-ROC analizi. Izmed presečnih biomarkerjev sta bila statistično značilna (p vrednost < 0.01) le HMAX s p-vrednostjo 0.0002 in AUC vrednostjo 0.98 ter SA s p-vrednostjo 0.0005 ter AUC vrednostjo 0.95. Vsi novi biomarkerji, ki smo jih predlagali, pa so imeli p-vrednost 0.0001 ter AUC-vrednost 1.0, kar pomeni, da so vsi statistično značilni in so pravilno ločili vse stabilne in nestabilne anevrizme. Ena od omejitev opravljenega vrednotenja tako zaznave prisotnosti kot zaznave rasti anevrizem je relativno majhno število slik oziroma bolnikov. Da bi lahko bolje ocenili delovanje postopkov nameravamo v prihodnje pridobiti in analizirati več primerov. Glede zaznave rasti anevrizme je dodatna omejitev to, da se v preteklosti postopek kontrolnega slikanja praviloma ni uporabljal, ker je bila praksa zdraviti vse primere odkritih anevrizem. Zaradi ni veliko primernih slik za našo analizo. Zaradi vedno večjega števila odkritih anevrizem se sedaj uveljavlja kontrolno slikanje kot alternativna oblika upravljanja bolnikov z anevrizmami. Ne glede na to, statistična analiza na osmih stabilnih in dvanajstih anevrizmah s spremenjeno obliko kaže zelo obetajoče rezultate predlaganih novih biomarkerjev. Menimo, da bi z zgodnjim zaznavanjem anevrizem in vizualizacijo simulacije deformacij anevrizme ter izločenimi biomarkerji lahko zelo olajšali nadaljnje delo nevrokirurga in pripomogli k lažjim odločitvam glede nadaljnje obravnave bolnikov z anevrizmami. Uporaba tovrstnih orodij prinaša možnost izboljšanja zdravljenja pacientov in zmanjšanje neželenih socialno-ekonomskih posledic, saj bi se lahko nevarnost za zdravje, povezana z zapleti med operativnimi posegi, zlasti pri majhnih anevrizmah, zmanjšala pri bolnikih s stabilnimi anevrizmami s stalnim spremljanjem rasti anevrizem.

Keywords:detekcija anevrizem, analiza slik, globoke nevronske mreže, poravnava oblik, spremljanje rasti anevrizem

Similar documents

Similar works from RUL:
Similar works from other Slovenian collections:

Back