Algorithm development methodology for MRI, US image processing and analysis for hepatic diseases

Abstract

The liver is an important organ of the human body which performs basic functions related to digestion, metabolism, immunity and nutrients storage in the body. Liver disease can lead to liver failure which, if untreated, leads to death. Therefore, accurate diagnosis for targeted therapy of liver diseases is of great importance. Generally there are two types of liver disease, focal and diffuse. Focal liver disease (or Focal Liver Lesions - FLLs) are considered abnormal liver tissue that is concentrated in a small area, such as a tumor or cyst. They are further classified into benign and malignant. The latter usually result in death and therefore the precise characterization of an FLL as malignant is of great importance. The Diffuse Liver Disease (or Chronic Liver Disease - CLD) is distributed almost uniformly throughout the liver tissue. It causes constant and recurring inflammation of the liver tissue that is replaced by connective tissue (fibrosis), leading progressively to cirrhosis. Cirrhosis is the final stage of the disease, leading to liver failure or hepatocellular carcinoma (HCC), a malignant FLL, and eventually death.The consequences of the development of liver disease make early and accurate diagnosis very important in order to confront them. Liver biopsy is considered ‘Gold Standard’ to date for accurate diagnosis of liver diseases. Liver Biopsy though, is invasive and thus has potential for complications for the patient and increased cost. Therefore, non-invasive approaches, mainly in the medical imaging field, have been developed and evolved the last few years in order to provide a valid alternative to liver biopsy.The aim of this thesis was to study and develop novel image processing and image analysis algorithms for Ultrasound and Magnetic Resonance Imaging (MRI) for the differential diagnosis of liver disease so that they can be useful additions to the software of the respective imaging medical equipment. Through these algorithms, the diagnostic performance of Radiologists in hepatic diseases can be significantly improved.During this thesis, four novel medical image processing and analysis algorithms whose performance surpassed those of the respective approaches of the literature were developed.In detail, the 1st algorithm evaluates FLLs by using image processing and analysis methods in contrast enhanced ultrasound videos. As a first step, a rough estimation of FLL’s position and borders are initially set by calculating Continuous Wavelet Transform (CWT) coefficients (Maxima and Zero Crossings) on each frame of the CEUS video. Then this border estimation is set as initialization step to a Markov Random Field segmentation algorithm which gives the final accurate FLL border delineation. Through this process, the FLL is tracked by the algorithm through all video frames and its borders are extracted accurately independently of FLL’s position, shape or inner intensity change. For each frame of the video that FLL’s borders are extracted, mean intensity values in the FLL and a small Region of Interest (ROI) outside and near the FLL are calculated and a Time-Intensity Curve (TIC) is extracted. Then TIC features are extracted and are fed to a Support Vector Machine (SVM) classifier for final FLL benign to malignant differentiationThe 2nd and 3rd algorithms evaluate CLD through processing and analysis of Ultrasound Shear Wave Elastography (SWE) images. These algorithms extract the colored region with stiffness values from the B-Mode Grayscale values of the SWE image automatically and proceed to an inverse color (RGB) to stiffness conversion, converting the color map to stiffness map. Then, they analyze all the region of stiffness values (2nd algorithm) and subregions of it (3rd algorithm) and extract textural features that a subset of significant ones, is fed to an SVM classifier differentiate between healthy subjects and patients with CLD.Finally, the 4th algorithm performs differential diagnosis on FLLs through processing and analysis of Magnetic Resonance Images (MRI). Through CWT Multiscale Analysis and FCM segmentation algorithm, the FLL’s borders are extracted accurately. Then textural and morphological features are extracted, a subset of which, the most significant, are fed to a Probabilistic Neural Network (PNN) classifier for FLL differentiation to Benign, HCC and Metastasis.As a conclusion, the algorithms that were developed during this thesis have confronted successfully clinical issues that are related to liver disease diagnosis through imaging and when equipped, they can improve the diagnostic accuracy of a medical imaging machine.

Το ήπαρ είναι ένα πολύ σημαντικό όργανο του ανθρωπίνου σώματος το οποίο εκτελεί βασικές λειτουργίες που σχετίζονται με την πέψη, τον μεταβολισμό, την ανοσία και την αποθήκευση θρεπτικών ουσιών στο σώμα. Οι ασθένειες του ήπατος μπορεί να οδηγήσουν σε ηπατική ανεπάρκεια η οποία, εάν δεν αντιμετωπιστεί, οδηγεί σε θάνατο. Ως εκ τούτου, η ακριβής διάγνωση για στοχευμένη θεραπεία των ασθενειών του ήπατος είναι μεγάλης σημασίας. Γενικά υπάρχουν δύο τύποι νόσων του ήπατος, οι εστιακές και οι διάχυτες. Εστιακές ηπατικές παθήσεις (ή Εστιακές Ηπατικές Αλλοιώσεις - ΕΗΑ) θεωρούνται ως ανωμαλίες του ηπατικού ιστού που είναι συγκεντρωμένες σε μια μικρή περιοχή, όπως ένας όγκος ή κύστη. Αυτές περαιτέρω κατηγοριοποιούνται σε καλοήθεις και κακοήθεις. Οι τελευταίες συνήθως οδηγούν στο θάνατο και συνεπώς ο ακριβής χαρακτηρισμός των ΕΗΑ ως κακοήθεις έχει μεγάλη σημασία. Η Διάχυτη Ασθένεια του Ήπατος (ή Χρόνια Ηπατική Νόσος - ΧΗΝ) κατανέμεται σχεδόν ομοιόμορφα σε όλο τον ηπατικό ιστό. Προκαλεί σταθερή και επαναλαμβανόμενη φλεγμονή στον ιστό του ήπατος ο οποίος αντικαθίσταται από συνδετικό ιστό (ίνωση), οδηγώντας προοδευτικά σε κίρρωση. Η κίρρωση είναι το τελικό στάδιο της νόσου, που οδηγεί σε ηπατική ανεπάρκεια ή Ηπατοκυτταρικό Καρκίνωμα (ΗΚΚ), μια κακοήθη ΕΗΑ, και τελικά στον θάνατο.Οι συνέπειες της εξελίξεως των ηπατικών παθήσεων καθιστούν την έγκαιρη και ακριβή διάγνωση πολύ σημαντική για την αντιμετώπισή τους. Η βιοψία ήπατος θεωρείται μέχρι και σήμερα εξέταση αναφοράς για την ακριβή διάγνωση των ηπατικών παθήσεων. Επειδή όμως είναι επεμβατική μέθοδος και συνεπώς έχει πιθανότητα επιπλοκών για τον ασθενή και αυξημένο κόστος, μη επεμβατικές προσεγγίσεις κυρίως στον τομέα της ιατρικής απεικονιστικής έχουν αναπτυχθεί και εξελίσσονται τα τελευταία χρόνια προκειμένου να αποτελούν μία έγκυρη εναλλακτική της βιοψίας ήπατος. Σκοπός της παρούσης διδακτορικής διατριβής ήταν η μελέτη και ανάπτυξη καινοτόμων αλγορίθμων επεξεργασίας και αναλύσεως εικόνων Υπερηχογραφίας και Πυρηνικού Μαγνητικού Συντονισμού (ΠΜΣ) για τη διαφορική διάγνωση των ηπατικών παθήσεων ούτως ώστε να μπορούν να αποτελούν χρήσιμες προσθήκες στο λογισμικό των αντίστοιχων απεικονιστικών ιατρικών μηχανημάτων. Μέσω των αλγορίθμων αυτών, η διαγνωστική απόδοση των Ακτινολόγων στις ηπατικές παθήσεις μπορεί να βελτιωθεί σημαντικά.Κατά τη διάρκεια της διατριβής αυτής, αναπτύχθηκαν τέσσερις καινοτόμοι αλγόριθμοι επεξεργασίας και αναλύσεως ιατρικών εικόνων των οποίων η απόδοση ξεπέρασε αυτές των αντίστοιχων προσεγγίσεων της βιβλιογραφίας.Λεπτομερέστερα, ο 1ος αλγόριθμος αφορά την διαφορική διάγνωση των ΕΗΑ μέσω επεξεργασίας και αναλύσεως βίντεο υπερηχογραφικής εικόνας από εξέταση με έκχυση σκιαγραφικού. Με τη χρήση του Συνεχούς Μετασχηματισμού Κυματιδίων (ΣΜΚ) (Continuous Wavelet Transform), υπολογίζονται η θέση της αλλοιώσεως και θέσεις των ορίων της από την εύρεση των ακροτάτων και των μηδενικών συντελεστών διελεύσεως (Zero Crossing Coefficients) της εικόνας που προκύπτει από τον Μετασχηματισμό Κυματιδίων. Από τη διαδικασία αυτή δημιουργείται μια αδρή εκτίμηση των ορίων της ΕΗΑ η οποία χρησιμοποιείται ως αρχικοποίηση ενός αλγορίθμου τμηματοποιήσεως Τυχαίων Μαρκοβιανών Πεδίων (Markov Random Fields) ο οποίος και δίνει τα τελικά ακριβή όρια της ΕΗΑ. Μέσω αυτής της διαδικασίας η ΕΗΑ παρακολουθείται από τον αλγόριθμο και εξάγονται με ακρίβεια τα όριά της σε όλες τις εικόνες του βίντεο που εμφανίζεται ανεξαρτήτως αλλαγής θέσεως, σχήματος ή φωτεινότητος εντός της. Για κάθε εικόνα που πραγματοποιείται η διαδικασία αυτή, υπολογίζεται οι μέσες τιμές της φωτεινότητας εντός της δομής και μιας μικρής περιοχής εκτός της και εξάγεται μία καμπύλη Φωτεινότητας – Χρόνου (Time – Intensity Curve). Κατόπιν εξάγονται χαρακτηριστικά από την καμπύλη αυτή τα οποία τοποθετούμενα σε ένα ταξινομητή Μηχανών Διανυσμάτων Υποστηρίξεως (ΜΔΥ) (Support Vector Machines) δίνουν τη διαφοροποίηση μεταξύ καλοήθους και κακοήθους ΕΗΑ.Ο 2ος και 3ος αλγόριθμος αφορούν την διάγνωση της ΧΗΝ μέσω επεξεργασίας και αναλύσεως ελαστογραφικής υπερηχογραφικής εικόνας. Οι αλγόριθμοι αυτοί εξάγουν αυτομάτως την έγχρωμη περιοχή με πληροφορία ελαστικότητας από την άχρωμη B-Mode εικόνα και εκτελούν μια διαδικασία μετατροπής έγχρωμων (RGB) τιμών σε τιμές ελαστικότητας. Κατόπιν αναλύουν όλη την περιοχή της ελαστικής πληροφορίας (2ος αλγόριθμος) και υποπεριοχές της (3ος αλγόριθμος) και εξάγουν χαρακτηριστικά υφής από αυτές από τα οποία, τα πιο σημαντικά, τοποθετούμενα σε ένα ταξινομητή ΜΔΥ δίνουν διαφοροποίηση μεταξύ υγιών ατόμων και ασθενών με ΧΗΝ.Τέλος, ο 4ος αλγόριθμος αφορά την διαφορική διάγνωση των ΕΗΑ μέσω επεξεργασίας και αναλύσεως εικόνων ΠΜΣ (MRI). Μέσω της χρήσεως του ΣΜΚ, της αναλύσεώς του σε πολλές κλίμακες (Multiscale Analysis), και του αλγορίθμου τμηματοποιήσεως Fuzzy C-Means (FCM), εντοπίζονται και εξάγονται με ακρίβεια τα όρια της κάθε ΕΗΑ. Κατόπιν εξάγονται χαρακτηριστικά υφής καθώς και μορφολογικά χαρακτηριστικά της δομής από τα οποία, τα πιο σημαντικά, εισάγονται σε έναν ταξινομητή Πιθανοτικών Νευρωνικών Δικτύων για την διαφοροποίηση των ΕΗΑ σε Καλοήθεις, ΗΚΚ και Μεταστάσεις.Συμπερασματικά οι αλγόριθμοι που αναπτύχθηκαν στα πλαίσια της διατριβής αυτής, αντιμετώπισαν με επιτυχία κλινικά ζητήματα που αφορούν την απεικονιστική διάγνωση των παθήσεων του ήπατος και μπορούν να βελτιώσουν τη διαγνωστική ακρίβεια ενός ιατρικού απεικονιστικού μηχανήματος στο οποίο θα έχουν ενσωματωθεί.