Processing and analysis of images of orthopaedic interest

Abstract

Η ταχύτατη ανάπτυξη της βιολογίας και της γενετικής, σε συνδυασμό με τις τεχνολογικές εξελίξεις στο επίπεδο της συλλογής δεδομένων, καθιστά αναγκαία τη δημιουργία υπολογιστικών εργαλείων, τα οποία θα παρέχουν τη δυνατότητα στους χρήστες να επεξεργάζονται και να αναλύουν ευρύτατο όγκο πληροφοριών από διαφορετικές πηγές. Η διδακτορική διατριβή πραγματεύεται και εξετάζει αυτή τη νέα πρόοδο, στοχεύοντας, παράλληλα, στο σχεδιασμό και στην ανάπτυξη υπολογιστικών μεθόδων, οι οποίες προωθούν την ταχεία και αξιόπιστη επεξεργασία και ανάλυση βιο-δεδομένων, δηλαδή δεδομένων απεικόνισης των ανατομικών δομών ή δεικτών λειτουργίας του ανθρώπινου οργανισμού. Συγκεκριμένα, η εργασία επιχειρεί να αναδείξει τη σημασία των μεθόδων αυτών στην ανάλυση εικόνων ορθοπεδικού ενδιαφέροντος. Στη μελέτη αναπτύσσονται αλγόριθμοι επεξεργασίας και ανάλυσης εικόνων αξονικής (CT) και μαγνητικής (MRI) τομογραφίας της σπονδυλικής στήλης, προκειμένου να δημιουργηθεί ένα τρισδιάστατο μοντέλο, στο οποίο θα απεικονίζονται ταυτόχρονα οι σπόνδυλοι από την αξονική τομογραφία (CT), ενώ οι μεσοσπονδύλιοι δίσκοι και το κανάλι των νεύρων απεικονίζονται από τη μαγνητική τομογραφία (MRI), με όσο το δυνατόν περιορισμένη χειροκίνητη παρέμβαση και ταυτόχρονα χωρίς τους περιορισμούς των μοντέλων τεχνητής μάθησης. Με αυτόν τον τρόπο, θα επιτρέπεται η προ-εγχειρητική και μετεγχειρητική σύγκριση και αξιολόγηση χειρουργικών επεμβάσεων στη σπονδυλική στήλη. Συγκεκριμένα, επιτυγχάνεται η τρισδιάστατη ευθυγράμμιση και σύντηξη των εικόνων από τις δύο ως άνω απεικονιστικές τεχνικές. Σε επόμενο στάδιο, εφαρμόζονται τεχνικές τμηματοποίησης, ώστε να απομονωθούν οι περιοχές ενδιαφέροντος, με αποτέλεσμα ένα σύνολο σπονδύλων από την αξονική τομογραφία και ένα σύνολο με μεσοσπονδύλιους δίσκους και κανάλι των νεύρων από τη μαγνητική τομογραφία. Τέλος, παρουσιάζονται τα υπολογιστικά εργαλεία που συγκρίνουν τα δημιουργηθέντα μοντέλα της σπονδυλικής στήλης. Η προτεινόμενη μεθοδολογία βασίζεται σε έξι (6) στάδια επεξεργασίας - ανάλυσης εικόνων, μεταξύ των οποίων: α) η σύνθεση των εικόνων από Αξονική και Μαγνητική Τομογραφία, β) η μεθοδολογία κατά Otsu με χρήση κατωφλίου και γ) η μεθοδολογία τμηματοποίησης κατά Chan-Vese. Αναλυτικότερα, στις εικόνες πραγματοποιήθηκε χειροκίνητη χάραξη του περιγράμματος των σπονδύλων και του μεσοσπονδύλιου δίσκου από ακτινολόγο ιατρό, με σκοπό να χρησιμοποιηθούν αυτά ως σημεία αναφοράς για την σύγκριση με τα περιγράμματα που εξάγονται από την μεθοδολογία. Για την σύγκριση των περιοχών χρησιμοποιήθηκαν δύο δείκτες, ο μεν πρώτος για την ομοιότητα των σχημάτων DSC (dice similarity coefficient), ο δε δεύτερος συγκρίνει τα σημεία του περιγράμματος Hausdorff Distance. Στην προσέγγισή μας χρησιμοποιούμε τα σχήματα των σπονδύλων που προέρχονται από εικόνες αξονικής τομογραφίας. Αυτή η στρατηγική βασίζεται σε τρεις εκτιμήσεις: (1) οι εικόνες που παράγονται από την αξονική τομογραφία είναι ακριβέστερες στην απεικόνιση των συμπαγών δομών όπως είναι οι σπόνδυλοι, (2) τα όρια των σπονδύλων επιβάλλουν έμμεσα περιορισμούς στην εύρεση των ορίων γειτονικών τους δομών (μεσοσπονδύλιος δίσκος και κανάλι νεύρων), (3) οι αιχμές των ανατομικών περιοχών είναι παρόμοιες στις εικόνες αξονικής και μαγνητικής τομογραφίας, επομένως τα προφίλ κλίσης και οι αρχές των σχημάτων που προέρχονται από τα μοντέλα ενεργών σχημάτων (active shape models ‘ASMs’) από τις εικόνες αξονικής τομογραφίας μπορούν να εφαρμοστούν και σε εικόνες μαγνητικής τομογραφίας. Αρχικά, εκπαιδεύουμε το μοντέλο active shape model (ASM) επάνω στους σπονδύλους από την Αξονική Τομογραφία. Εν συνεχεία, το εφαρμόζουμε επάνω σε εικόνες Μαγνητικής Τομογραφίας προκειμένου να ανεύρουμε και να εντοπίσουμε τα περιγράμματα των σπονδύλων και ακολούθως τις υπόλοιπες δομές. Αξιοποιώντας, επομένως τους σπονδύλους ως σημεία αναφοράς από την Αξονική Τομογραφία, ανιχνεύουμε το μεσοσπονδύλιο δίσκο και το κανάλι των νεύρων από εικόνες Μαγνητικής Τομογραφίας. Τα αποτελέσματα της μεθοδολογίας συγκρίθηκαν με διάφορες μελέτες τμηματοποίησης των ίδιων ανατομικών περιοχών και κατέδειξαν ότι η παρούσα δοκιμή είναι μία εναλλακτική προσπάθεια εξαγωγής των περιγραμμάτων από τους σπονδύλους και τον μεσοσπονδύλιο δίσκο. Επιπλέον, τα αποτελέσματα της τμηματοποίησης χρησιμοποιούνται για την ταυτόχρονη απεικόνιση σε μία εικόνα, συμβάλλοντας έτσι στην ευχερέστερη διάγνωση ποικίλων παθήσεων της σπονδυλικής στήλης και αντικατοπτρίζοντας συνολικά την παρεχόμενη πληροφορία σε μία εικόνα. Στα πειραματικά αποτελέσματα πραγματοποιείται σύγκριση στην ακρίβεια της τμηματοποίησης, ανάμεσα στα αποτελέσματα που προκύπτουν από την μεθοδολογία και στα αποτελέσματα που προέρχονται από άλλες δημοσιευμένες μεθόδους. Σε αντίθεση με τις υπάρχουσες συνδυαστικές μεθόδους, η προσέγγιση που προτείνεται στην παρούσα μελέτη δεν εξαρτάται από την διαθεσιμότητα ζευγών εικόνων αξονικής-μαγνητικής τομογραφίας, τα οποία σπανίως λαμβάνονται από τον ίδιο ασθενή. Επιπλέον, σε αντίθεση με τις μεθόδους που παρουσιάζονται στην βιβλιογραφία και βασίζονται στην μηχανική μάθηση, η προσέγγισή μας δεν εξαρτάται από δεδομένα μεγάλου όγκου για την εκπαίδευση του μοντέλου. Μέχρι τώρα οι επιστημονικές εργασίες χρησιμοποιούσαν εικόνες από Αξονική ή Μαγνητική Τομογραφία για να τμηματοποιήσουν μόνο μία ανατομική δομή, αγνοώντας όλες τις υπόλοιπες γειτονικές τους, οι οποίες συνεκτιμώνται από τον γιατρό κατά την κλινική αξιολόγηση. Επομένως, σε αντίθεση με τη συνδυαστική πληροφορία των τριών απεικονιστικών μεθόδων που προτείνουμε, από μόνη της η αξιολόγηση του καναλιού των νεύρων ή του μεσοσπονδύλιου διαστήματος δεν προσφέρει τόσο αξιόπιστα αποτελέσματα. Η παρούσα μεθοδολογία εισάγει μία καινοτόμα υπολογιστική προσέγγιση για την εξαγωγή των ορίων των σπονδύλων, του μεσοσπονδύλιου δίσκου και του καναλιού των νεύρων, με συνδυαστική χρήση της ανατομικής πληροφορίας τριών ανατομικών δομών από τα δύο προαναφερόμενα απεικονιστικά συστήματα ταυτοχρόνως σε μία εικόνα. Ακόμα, σύμφωνα με τη μέθοδό μας, η εκπαίδευση του μοντέλου πραγματοποιείται μία μόνο φορά σε εικόνες Αξονικής Τομογραφίας και στη συνέχεια εφαρμόζεται σε εικόνες Μαγνητικής Τομογραφίας, χωρίς να χρειάζεται πληθώρα εικόνων. Θα πρέπει επίσης να σημειωθεί η έλλειψη μεγάλου όγκου κλινικών δεδομένων, η οποία καταδεικνύει τη δυσκολία των μεθόδων οι οποίες βασίζονται σε αλγορίθμους βαθιάς μάθησης και ταυτόχρονα αναδεικνύει την προτεινόμενη από εμάς μέθοδο, για τους λόγους που προαναφέρθηκαν. Τέλος, η προτεινόμενη μέθοδος δεν εξαρτάται από μεγάλο πλήθος εικόνων για την εκπαίδευση του μοντέλου, όπως αντίστοιχα απαιτείται σε μεθοδολογίες που χρησιμοποιούν βαθιά μάθηση. Αντιθέτως, απαιτεί περιορισμένη παρέμβαση από τους χρήστες. Επίσης, τα αποτελέσματά της είναι συγκρίσιμα με τις υπόλοιπες μεθόδους αιχμής, όσον αφορά στην ποιότητα της τμηματοποίησης, όπως αυτό αποδεικνύεται από τις πειραματικές συγκρίσεις, ενώ αξιοσημείωτο είναι ότι, μέχρι και σήμερα, δεν ανευρίσκονται -είτε σε ερευνητικό είτε σε εμπορικό επίπεδο- τέτοιου είδους υπολογιστικά εργαλεία στην τεχνολογική φαρέτρα.