Computer assisted diagnosis of brain tumors based on statistical methods and pattern recognition techniques

Abstract

The process of brain tumor characterization requires a rather intricate assessment of the various Magnetic Resonance (MR) image and spectroscopic features and is typically performed by experienced radiologists. Despite the inherently subjective nature of many of the decisions associated with this process, an expert radiologist is able to perform this task with a significant degree of precision and accuracy. However, in the effort to deliver more effective treatment, clinicians are continuously seeking for greater accuracy in the pathological characterization of brain tissues. The aim of the present thesis was to design, implement, and evaluate a software classification system for discriminating between different brain tumor types on Magnetic Resonance Imaging (MRI), employing textural and spectroscopic features. The clinical material consisted of sixty seven T1-weighted post-contrast MR brain images (21 metastases, 19 meningiomas, and 27 gliomas), obtained from patients with verified and untreated intracranial tumors. Thirty-six 2-dimensional textural features (2D), from the image histogram and the co-occurrence and run-length matrices, were extracted from each one of 67 MR-images. Similarly, an equal number of 3-dimensional textural features (3D) were also calculated in the attempt to maximize classification performances. Finally, MR-spectroscopy features were also incorporated for improving classification accuracies. Classification methods employed included i/ a modified Probabilistic Neural Network (PNN) and Support Vector Machines (SVM) algorithms, incorporating a non-linear Least Squares Features Transformation (LSFT) into the classifiers and ii/ an ensemble classification scheme employing the LSFT-SVM classifier. The LSFT improved classifiers’ performances, increased class separability, and resulted in dimensionality reduction. For evaluating the performance of the designed classification schemes, evaluations were performed by means of the external cross validation process, which is considered indicative of the generalization performance of the designed classification system to ‘unseen’ cases. It was found that the LSFT features transformation enhanced the performance of the PNN and SVM algorithms, achieving classification accuracies of 73.48 % in distinguishing metastatic from primary tumors and 88.67% in discriminating gliomas from meningiomas. When volumetric 3-dimensional features were employed, these results improved to 88.18% for discriminating between metastatic and primary tumors and 97.33% for distinguishing gliomas from meningiomas. The textural features employed in the design of the optimum classification scheme were associated primarily with image texture homogeneity. Finally, when MR-spectroscopy features were also incorporated, classification accuracy was boosted up from 95% in discriminating meningiomas from metastasis to 100%. The MR-image features that participated in the optimum feature vector were related to the degree of homogeneity, the amount of randomness and the dispersion of the gray-tone intensity values within the texture of the tumor. These textural characteristics are related to textural parameters that physicians employ in diagnosis and they were proportional to the textural imprint of brain tumors, i.e. gliomas have heterogeneous texture while meningiomas appear to be homogeneous in MR imaging. The MR-spectroscopy feature that participated in the optimum feature vector was the Choline (Cho)/N-Acetyl Aspartate (NAA) metabolite integral ratio. It was found that both meningiomas and metastases are characterized from low concentrations of NAA while meningiomas exhibit higher concentrations of Cho than metastases, which could be attributed to increased synthesis of tumor cell membranes. Finally, the proposed system might be of value as an assisting tool for brain tumor characterization on volumetric MRI series.

Η εισαγωγή της Μαγνητικής Τομογραφίας (ΜΤ) στην κλινική πρακτική και η συμπληρωματική πληροφορία που δίνει η Φασματοσκοπία Μαγνητικού Συντονισμού (ΦΜΣ) συνιστά μια από τις πιο σημαντικές εξελίξεις στη διάγνωση ασθενών με καρκίνο εγκεφάλου [1]. Παρ’ όλα αυτά, οι εικόνες ΜΤ είναι συχνά δύσκολο να ερμηνευθούν από τους ειδικούς λόγω [2] α/ της υποκειμενικότητας και περιορισμένης εμπειρίας του παρατηρητή στην εκτίμηση εικόνων που παράγει η σχετικά νέα αυτή τεχνολογία, β/ των ποικίλων κλινικών χαρακτηριστικών των όγκων (π.χ. τύπος, διαβάθμιση κακοήθειας κλπ.) και γ/ της ιδιαιτερότητας των όγκων στην αντίθεση που παρουσιάζουν με τον περιβάλλοντα ιστό. Μόνο λιγοστές μελέτες έχουν διεξαχθεί για να χαρακτηρίσουν ιστούς εγκεφάλου μέσω της ανάλυσης ποσοτικών χαρακτηριστικών από εικόνες εγκεφάλου ΜΤ [3, 4]. Ενώ έχει ήδη τονιστεί η αναγκαιότητα συσχετισμού της διαγνωστικής και προγνωστικής πληροφορίας που προέρχεται από εικόνες ΜΤ και σήματα ΦΜΣ στη διεθνή βιβλιογραφία [5], υπάρχουν λιγοστές ανάλογες αναφορές για τον σχεδιασμό και υλοποίηση συστήματος Η/Υ αυτόματης διάγνωσης όγκων εγκεφάλου κάνοντας συνδυασμό ποσοτικής πληροφορίας προερχόμενης από εικόνες ΜΤ και σήματα ΦΜΣ [6, 7]. Οι στόχοι της παρούσας διατριβής εστιάζονται στα παρακάτω: - στη μελέτη, ανάπτυξη και η υλοποίηση υπολογιστικού συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου μέσω της ποσοτικής ανάλυσης εικόνων ΜΤ το οποίο θα βελτιώνει την ακρίβεια ταξινόμησης σε σχέση με ήδη υπάρχοντα συστήματα [4, 8, 9], όπως αυτά περιγράφονται στην διεθνή βιβλιογραφία μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου καθώς και μεταξύ γλοιωμάτων και μηνιγγιωμάτων με την χρήση δέντρου ιεραρχικής απόφασης δύο επιπέδων. Επιπλέον, στην ανάδειξη πως η χρήση ενός μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων των χαρακτηριστικών υφής έχει ως αποτέλεσμα την βελτίωση της ακρίβειας ταξινόμησης του ταξινομητή πιθανοκρατικού νευρωνικού δικτύου - στην επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου χρησιμοποιώντας α/ ογκομετρικές ποσοτικές παραμέτρους εικόνων ΜΤ, β/ ταξινομητή μηχανών διανυσμάτων στήριξης μαζί με τη μεθοδολογία συνάθροισης αποτελεσμάτων ταξινόμησης από τυχαιοποιημένα δείγματα κατηγοριών δημιουργημένων με επαναδειγματοληψία για κάθε κόμβο δέντρου ιεραρχικής απόφασης δύο επιπέδων όπου στο πρώτο επίπεδο πραγματοποιήθηκε διαχωρισμός μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου και στο δεύτερο και μεταξύ γλοιωμάτων και μηνιγγιωμάτων και γ/ έναν τροποποιημένο πυρήνα ακτινικής συνάρτησης βάσης για τον ταξινομητή μηχανών διανυσμάτων στήριξης ο οποίος περιλαμβάνει την τεχνική μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων με στόχο την βελτίωση της ακρίβειας ταξινόμησης - στην περαιτέρω επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης με την εισαγωγή χαρακτηριστικών προερχόμενων από σήματα ΦΜΣ ώστε να διερευνηθεί εάν η χρήση του μπορεί να βελτιώσει τα αποτελέσματα ταξινόμησης μεταξύ μηνιγγιωμάτων και μονήρων μεταστάσεων. Τέλος κάνοντας μια περίληψη, η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση μεθόδων και αλγορίθμων για την επεξεργασία και ανάλυση ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών για την διάγνωση του τύπου των όγκων εγκεφάλου. Τα πιο βασικά συμπεράσματα που απορρέουν από την παρούσα διατριβή είναι τα ακόλουθα: α/ Το σύστημα ταξινόμησης των τύπων των όγκων εγκεφάλου που σχεδιάστηκε και υλοποιήθηκε αυξάνει τα ποσοστά ορθής ταξινόμησης σε σχέση με τα υπάρχοντα. β/ Η κωδικοποίηση των ιδιοτήτων της υφής που προέρχεται από τον σύνολο του όγκου παρέχει επιπρόσθετη πληροφορία στο σύστημα ταξινόμησης αυξάνοντας τα ποσοστά επιτυχούς διαχωρισμού. γ/ Τα χαρακτηριστικά φασματοσκοπίας μαγνητικού συντονισμού αποτελούν επιπρόσθετη αξία στο χαρακτηρισμό του τύπου των όγκων εγκεφάλου μιας και οδήγησαν στην αύξηση του ποσοστού επιτυχούς διαχωρισμού του συστήματος ταξινόμησης.