Image processing and analysis methods in thyroid ultrasound imaging

Abstract

The aim of the present thesis was the design and implementation of new image processing and analysis methods m ultrasound thyroid images. The research procedure composed two main concepts towards optimization of thyroid ultrasonography. The design and implementation of: 1. Wavelet based image processing methods towards speckle suppression and thyroid nodule segmentation. 2. Image analysis methods in order to evaluate the thyroid nodules malignancy risk factor. 1. Wavelet-Based Image Processing. A remarkable property of the wavelet transform is its ability to characterize the local regularity of image features such as discontinuities and sharp cusps. In mathematics this local regularity is often measured with Lipschitz exponents. In this thesis an investigation has been made to the local behavior of image singularities in terms of Lipschitz regularity in thyroid ultrasound images. The wavelet transform modulus maxima created by noise singularities have a different behavior than those that are mainly affected by image singularities. As an application an algorithm has been developed that removes speckle noise from ultrasound images by analyzing the evolution of wavelet transform modulus maxima across scales. This inter scale search has been implemented by zooming into edges beginning at low resolution (large scales) and adaptively increasing the resolution (small scales) to acquire the necessary details. The two microlocalization properties of these edges that provide characterization of singularities have also been utilized in the subsequent segmentation algorithm. The proposed model transfers the multiscale local maxima representation into a multiscale object representation. Each object that occupies a physical region has been detected by means of local maxima adjacency in all available scales. The multiscale structure representation associates an anatomical object in the image with a volume in the multi scale edge transform. 2. Image Analysis. Finally an investigation of various pattern recognition methods for automatic thyroid nodule discrimination in terms of high and low risk of malignancy has been made. Various pattern recognition algorithms such as Support Vectors Machines (SVMs), the Probabilistic Neural Network (PNN), the classical quadratic least squares minimum distance (QLSMD), the quadratic Bayesian (QB) and the multilayer perceptron (MLP) classifiers have been implemented throughout this thesis. This research comprised two independent studies that employed initially textural features and subsequently morphological and wavelet based features derived from the segmentation procedure. The texture based classification scheme implemented in this study has managed to quantify several textural parameters visually evaluated by physicians in assessing the thyroid nodule’s risk factor and succeeded high classification rates. An additional study has also been made that aimed at the employment of quantified morphological and wavelet based features in order to evaluate the malignancy risk factor in ultrasound thyroid nodules. In this research a novel approach has been made that utilized the image singularities in order to evaluate the effect of speckle in the classification procedure.

Η ψηφιακή απεικόνιση του θυρεοειδούς αδένα τόσο μέσω της κλασσικής δισδιάστατης Β Mode εικόνας όσο και μέσω της έγχρωμης απεικόνισης Doppler καθιστά την υπερηχογραφία ένα αξιόπιστο και εύχρηστο μέσο για την κλινική αξιολόγησή του. Η υψηλή διακριτική ικανότητα των συγχρόνων αυτών συστημάτων παρέχει στον Ιατρό την δυνατότητα να εντοπίσει την ύπαρξη οζών - είτε συμπαγών είτε κολλοειδών - στον θυρεοειδή αδένα ακόμα και με διαστάσεις πολύ μικρές (1mm). Επίσης η υπερηχογραφική εικόνα επιτρέπει την λήψη βιοψίας (Fine Needle Aspiration FNAB) σε πραγματικό χρόνο για την περαιτέρω αξιολόγηση του όζου. Το γεγονός ότι τόσο η ηχογένεια όσο και η ύπαρξη διαφορετικών δομών μέσα στους όζους του θυρεοειδή έχουν αποδειχθεί ως σημαντικές ενδείξεις που οδηγούν στην υποψία καρκίνου. Αυτό το γεγονός καθιστά απαραίτητη την έρευνα για τον σχεδιασμό και υλοποίηση αλγορίθμων επεξεργασίας και αναγνώρισης προτύπων στην υπερηχογραφική εικόνα. Η παρούσα διατριβή πραγματεύεται τον σχεδιασμό την ανάπτυξη και υλοποίηση νέων μεθόδων επεξεργασίας και ανάλυσης εικόνων υπερηχογραφίας του θυρεοειδούς αδένα. Οι αλγόριθμοι, οι οποίοι αναπτύχθηκαν και υλοποιήθηκαν αφορούν: Ι. Την αφαίρεση θορύβου (speckle) από τις υπερηχογραφικές εικόνες. Στην παρούσα μελέτη κατά μήκος του μετασχηματισμού μικροκυματιδίων η πληροφορία η οποία βρίσκεται στις διαφορετικές ζώνες συχνότητας (κλίμακες) αναλύεται ώστε να υπολογιστεί η τοπική κανονικότητα των χαρακτηριστικών της εικόνας. Η διακύμανση του πλάτους των τοπικών μέγιστων κατά μήκος των διάφορων κλιμάκων συσχετίζεται με την τοπική κανονικότητα των αντίστοιχων δομών που αντιπροσωπεύουν τα τοπικά μέγιστα. Η έρευνα κατέληξε στην διαπίστωση ότι η κατανομή του speckle - το μοντέλο θορύβου το οποίο υιοθετήθηκε σε αυτήν την διατριβή θεωρεί το speckle σαν έναν αθροιστικό παράγοντα άμεσα εξαρτώμενο από το αρχικό σήμα - είναι σχεδόν παντού σημειακή (singular) με μη θετικούς έκθετες Lipschitz. Αντιθέτως οι χρήσιμες ιδιομορφίες (singularities) που προέρχονται από την φυσιολογική κατανομή των τόνων του γκρι στην υπερηχογραφική εικόνα αποτελούν έντονες αιχμές με θετικούς έκθετες Lipschitz. II. Την τμηματοποίηση των οζών για την απομόνωση τους από τον περιβάλλοντα ιστό. Σε αυτήν την διατριβή ένα υβριδικό μοντέλο εισάγεται για την αυτόματη τμηματοποίηση των οζών του θυρεοειδούς αδένα σε υπερηχογραφικές εικόνες. Η προτεινομένη μέθοδος προκείμενου να ξεπεραστούν οι περιορισμοί λόγω της πολυπλοκότητας της υπερηχογραφικής εικόνας ενσωματώνει στο μοντέλο αυτό τον μετασχηματισμό μικροκυματιδίων για την ανίχνευση αιχμών κατά μήκος των κλιμάκων του μετασχηματισμού με τελικό σκοπό την ταυτόχρονη στερεοσκοπική ανίχνευση της συγκεκριμένης ανατομικής δομής σε όλες τις κλίμακες. III. Την αυτόματη ταξινόμησή τους σε όζους υψηλού και χαμηλού κίνδυνου. Σε αυτήν μελέτη περιλαμβάνονται ασθενείς με όζους του θυρεοειδούς αδένα που εξετάσθηκαν σε ένα υπερηχογραφικό σύστημα και στη συνέχεια υποβλήθηκαν σε διαγνωστική βιοψία με τη μέθοδο FNA στην ιδιωτική κλινική EUROMEDICA. Διάφορα χαρακτηριστικά υφής υπολογίστηκαν αυτόματα από την περιοχή ενδιαφέροντος κάθε όζου. Τα χαρακτηριστικά αυτά συσχετίζονται με τη δομή των τόνων του γκρι αποτελούν χρήσιμη πληροφορία για την πιθανότητα εμφάνισης κακοήθειας. Τέσσερα χαρακτηριστικά υπολογίστηκαν από το ιστόγραμμα 26 από τη μήτρα co-occurrence και 10 από τη μήτρα run length. Τελικά ένα ικανό σύστημα ταξινόμησης σχεδιάστηκε βασισμένο στον αλγόριθμο SVM για την αξιολόγηση του ποσοστού κίνδυνου κακοήθειας σε όζους του θυρεοειδή αδένα σε εικόνες υπερηχογραφίας.