Τμηματοποίηση, ευθυγράμμιση και αυτόματη ταξινόμηση ιατρικών δεδομένων μίκρο-τομογραφίας σπογγώδους οστού

Abstract

The main goal of this PhD thesis, is the processing of micro-CT trabecular bone data using advanced computational algorithms. In the following dissertation, three novel automatic methodologies are presented regarding the segmentation and registration of trabecular bone micro-CT images, and the classification of data from the extraction of morphometrical features from the aforementioned images. Initially, an introduction to the principal elements and dynamic processes of bone is made, along with a description of the main degenerative diseases, and analytic and imaging methodologies. Then, the image segmentation system is presented, following a study of the advantages and disadvantages of using typical image segmentation algorithms on trabecular bone micro-CT images. The image segmentation system is implemented using a novel segmen-tation framework under the name Independent Active Contours Segmentation that combines a set of novel segmentation techniques based on Active Contours. The proposed methodology enables the robust wide application of Active Contours techniques on full trabecular bone datasets, while significantly enhancing the segmentation system’s performance on Phantom and real data. At the same time, the proposed method is applied on other medical image modalities, such as Computed Tomography and Histology images, showing the capability of a wider application. Moving on, the micro-CT image registration system is presented and is applied on samples’, pre and post failure datasets, aiming at developing a quantitative criterion for the identification of fracture zone. Within this research 2D and 3D registration techniques are presented, followed by some results using appropriate metrics in order to evaluate their accuracy. Moreover, an automatic classification system for the identification of fracture zone from the values of the various morphometrical parameters extracted from the segmented images’ Volumes of Interest is presented. This study combines Ensemble Classification and Imbalanced Learning techniques with well-established classification algorithms, aiming at finding the best possible combination. The final system is tested on a large dataset were it provides very high performance compared to the simpler combinations, without significantly increasing the complexity and the computational burden of the whole procedure. Finally, an evaluation of the most important morphometrical parameters takes place using Feature Selection techniques in Imbalanced Learning datasets, aiming at the extraction of possible biomarkers for the fracture zone.

Το αντικείμενο της παρούσας διδακτορικής διατριβής είναι η επεξεργασία δεδομένων μίκρο-τομογραφίας οστών μέσω της εφαρμογής εξειδικευμένων υπολογιστικών αλγορίθμων. Στα πλαίσια της διατριβής γίνεται η παρουσίαση καινοτόμων αυτοματοποιημένων μεθοδο-λογιών τμηματοποίησης και ευθυγράμμισης εικόνων μίκρο-τομογραφίας οστών και ταξινόμησης δεδομένων που προκύπτουν από την εξαγωγή ιστομορφολογικών χαρακτηριστικών από τις εικόνες αυτές. Αρχικά, πραγματοποιείται εισαγωγή στα κυριότερα στοιχεία και δυναμικές διαδικασίες που χαρακτηρίζουν το οστό, στις παθογένειες και στις μεθόδους ανάλυσης και απεικόνισης του οστού. Πρώτα, παρουσιάζεται το σύστημα τμηματοποίησης εικόνας, αφού έχει προηγηθεί μια ολοκληρωμένη μελέτη των πλεονεκτημάτων και μειονεκτημάτων της εφαρμογής συγκεκριμένων αλγορίθμων τμηματοποίησης στις εικόνες μίκρο-τομογραφίας σπογγώδους οστού. Το σύστημα τμηματοποίησης εικόνας υλοποιείται από ένα νέο ολοκληρωμένο πλαίσιο τμηματοποίησης εικόνων με το όνομα Τμηματοποίηση Ανεξάρτη-των Ενεργών Περιγραμμάτων που συνδυάζει ένα σύνολο από καινοτόμες τεχνικές τμηματοποίησης βασισμένες στα Ενεργά Περιγράμματα. Η προτεινόμενη μεθοδολογία καθιστά δυνατή την ευρεία χρήση των Ενεργών Περιγραμμάτων σε πλήρη σύνολα δεδομένων μίκρο-τομογραφίας οστών και ταυτόχρονα βελτιώνει αισθητά την επίδοση της τμηματοποίησης σε αντίστοιχα τεχνητά και πραγματικά δεδομένα. Επίσης, επιδεικνύεται η δυνατότητα ευρύτερης εφαρμογής της προτεινόμενης μεθόδου και σε άλλα είδη ιατρικών εικόνων, όπως εικόνες Αξονικής Τομογραφίας (CT) και Ιστολογικών δεδομένων. Στη συνέχεια, παρουσιάζεται το σύστημα ευθυγράμμισης εικόνων μίκρο-τομογραφίας οστών το οποίο εφαρμόζεται στις δυαδικές εικόνες κάθε δείγματος πριν και μετά από τεχνητό σπάσιμο, με σκοπό την ανάπτυξη ενός ποσοτικού κριτηρίου αυτόματης εύρεσης της περιοχής κατάγματος. Στη συγκεκριμένη μελέτη παρουσιάζονται δισδιάστατες και τρισδιάστατες τεχνικές ευθυγράμμισης, ενώ ακολουθούν αποτελέσματα ευθυγράμμισης με βάση τη χρήση κατάλληλων κριτηρίων αξιολόγησης προκειμένου να διερευνηθεί η ακρίβειά τους. Επιπλέον, παρουσιάζεται ένα ολοκληρωμένο σύστημα αυτόματης ταξινόμησης για την αναγνώριση των περιοχών κατάγματος οστού με βάση τις τιμές διαφόρων ιστομορφομετρικών παραμέτρων που έχουν εξαχθεί από Όγκους Ενδιαφέροντος (VOI) των τμηματοποιημένων εικόνων. Η συγκεκριμένη μελέτη συνδυάζει τις τεχνικές Μη-Ισορροπημένης μάθησης και Πολλαπλών Ταξινομητών με δημοφιλείς αλγορίθμους ταξινόμησης, στοχεύοντας στην εύρεση του βέλτιστου συνδυασμού τους. Το τελικό σύστημα ελέγχεται σε ένα εκτενές σύνολο δεδομένων όπου παρουσιάζει πολύ υψηλές επιδόσεις συγκριτικά με τις απλούστερες μεθόδους, δίχως να αυξάνει σημαντικά την πολυπλοκότητα της διαδικασίας και το υπολογιστικό κόστος. Τέλος, ακολουθεί μια αξιολόγηση των σημαντικότερων ιστομορφομετρικών παραμέτρων με χρήση τεχνικών Επιλογής Χαρακτηριστικών σε σύνολα δεδομένων που έχουν υποστεί επεξεργασία με τεχνικές Μη-Ισορροπημένης μάθησης, με στόχο την εξαγωγή πιθανών βιοδεικτών για την περιοχή κατάγματος.