Image based quantification methods for optimization of differential diagnosis of tumors in brain MRI
| dc.contributor.advisor | Κωσταρίδου, Ελένη | |
| dc.contributor.author | Βαμβακάς, Αλέξανδρος Χρυσοβαλάντης | |
| dc.contributor.committee | Κωσταρίδου, Ελένη | |
| dc.contributor.committee | Τσούγκος, Ιωάννης | |
| dc.contributor.committee | Καψαλάκη, Ευτυχία | |
| dc.contributor.other | Vamvakas, Alexandros Chrysovalantis | |
| dc.date.accessioned | 2018-01-03T12:12:43Z | |
| dc.date.available | 2018-01-03T12:12:43Z | |
| dc.date.copyright | 2017-06-30 | |
| dc.degree | Μεταπτυχιακή Εργασία | el |
| dc.description.abstract | Preoperative differentiation of brain tumors is critical for adapting suitable treatment strategies, as well as evaluating tumor response to therapy. However, differentiation solely relying on conventional Magnetic Resonance Imaging (MRI) remains a challenge, due to ambiguous tumor imaging appearance. Glioblastoma Multiforme (GBM) and Solitary Metastasis (MET) are common brain tumors, which represent a characteristic example of such a diagnostic problem. Although histopathological analysis of biopsy samples is the gold standard for establishing diagnosis, it is not always feasible, due to its invasive character, while it samples only a limited portion of the lesion tissue. This has led to the exploitation of a variety of advanced MRI techniques, which provide structural and functional information of tumors, such as Diffusion Tensor Imaging (DTI). In addition to advanced MRI techniques, image analysis methods have been recently introduced regarding exploitation of quantitative tumor imaging parameters, in terms of tumor morphology and texture. In this study, 3D tumor models are generated by a DTI clustering segmentation technique, providing up to 16 brain tissue diffusivities, complemented by post-contrast T1 imaging, resulting in the identification of tumor core. Subsequently, 3D surface is refined by a Morphological Morphing interpolation technique, for reducing noise induced by anisotropic voxel size. The 3D models are analyzed in terms of their surface and internal signal variations characteristics towards identification of discriminant features between GBMs and METs, utilizing a case sample of 10 GBMs and 10 METs. Morphology analysis of tumor core surface is assessed by 5 local curvature features. Texture analysis considers 11 first and 16 second order 3D textural features. From the 16 second order features, 11 are based on Gray Level Co-Occurrence Matrices (GLCM) and 5 on Gray Level Run Length Matrices (GLRLM), calculated from DTI isotropic and anisotropic parametric maps corresponding to 3D active region segments of tumor core, resulting from the clustering technique, considering 3 different quantization levels (QL) and 1-4 pixels displacements (D). Case sample distributions of morphology and texture features were analyzed using the Mann-Whitney U test, with a cut-off value of 0.05 to identify discriminant features. Results highlight the value of all 5 local curvature descriptors to capture differentiation between GBMs and METs. Also 2 out of 11 first order features, regarding isotropy maps were useful, while 7 out of the 11 GLCM features were capable of discriminating heterogeneity of anisotropic diffusion properties of GBMs and METs, at QL=6 and D=2. Finally, all 5 GLRLM features extracted from diffusion isotropy maps seem to discriminate structural properties of GBMs and METs, at QL=5. Results demonstrate the potential of surface morphology and texture analysis of imaging appearance of 3D tumor models in pre-treatment brain MRI tumor differential diagnosis. | el |
| dc.description.translatedabstract | Η επιλογή κατάλληλου πλάνου θεραπείας για την αντιμετώπιση των καρκινικών όγκων του εγκεφάλου, καθώς και η αξιολόγηση της απόκριση των όγκων στη εφαρμοζόμενη θεραπεία, στηρίζονται σε σημαντικό βαθμό στην ορθή προ-εγχειρητική διαφορική διάγνωση. Ωστόσο, η διαφορική διάγνωση όγκων εγκεφάλου που στηρίζεται αποκλειστικά στην συμβατική Απεικόνιση Μαγνητικού Συντονισμού καθίσταται δύσκολη, εξαιτίας της κοινής απεικονιστικής τους εμφάνισης. Χαρακτηριστικό παράδειγμα ενός τέτοιου διαγνωστικού προβλήματος αποτελεί η διαφορική διάγνωση μεταξύ του Πολύμορφου Γλοιοβλαστώματος και της Μονήρους Εγκεφαλικής Μετάστασης. Παρόλο που η ιστοπαθολογική ανάλυση είναι ο χρυσός κανόνας για τον καθορισμό της διάγνωσης, ωστόσο δεν είναι πάντοτε πρακτικά εφικτή, λόγω του επεμβατικού χαρακτήρας της, αλλά και το αποτέλεσμα της είναι πολλές φορές αμφίβολο, καθώς λαμβάνει υπ’ όψιν μια μικρή περιοχή της βλάβης. Για τους λόγους αυτούς γίνεται χρήση εξελιγμένων τεχνικών της απεικόνισης μαγνητικού συντονισμού, οι οποίες παρέχουν ανατομικές αλλά και λειτουργικές πληροφορίες για τους καρκινικούς όγκους, όπως η Απεικόνιση του Τανυστή Διάχυσης. Επιπλέον, στην κατεύθυνση αυτή χρησιμοποιούνται εξελιγμένες τεχνικές ανάλυσης εικόνας που εκμεταλλεύονται ποσοτικές απεικονιστικές παραμέτρους των όγκων, σχετικά με τη μορφολογία τους και την υφή τους. Σε αυτή τη μελέτη, χρησιμοποιείται μια τεχνική τμηματοποίησης με αλγόριθμο ταξινομητή που βασίζεται σε παραμετρικές εικόνες του τανυστή διάχυσης, η οποία υποβοηθείται από ανατομικές εικόνες Τ1 με σκιαγραφικό, για τον καθορισμό του ορίου αλλά και υποπεριοχών του όγκου. Στη συνέχεια κατασκευάζονται τρισδιάστατα μοντέλα των καρκινικών όγκων, των οποίων η επιφάνεια κατόπιν εξομαλύνεται με αλγόριθμο παρεμβολής για τη μείωση του θορύβου που προέρχεται από το ανισότροπο μέγεθος των ογκοστοιχείων του πρωτοκόλλου λήψης. Ακολούθως αναλύεται η μορφολογία καθώς και η υφή των τρισδιάστατων μοντέλων, σε δείγμα 20 ασθενών, για την εύρεση χαρακτηριστικών που διαφοροποιούν τις δύο παθολογίες. Για την μορφολογική ανάλυση χρησιμοποιούνται 5 χαρακτηριστικά τοπικής καμπυλότητας. Για την ανάλυση υφής χρησιμοποιούνται 11 χαρακτηριστικά πρώτης και 16 χαρακτηριστικά δεύτερης τάξης, αντίστοιχα, που μετρούνται στις ενεργές περιοχές των καρκινικών όγκων, που προκύπτουν από τις τμηματοποιημένες εικόνες ισοτροπικής και ανισοτροπικής διάχυσης. Από τα 16 χαρακτηριστικά υφής δεύτερης τάξης, τα 11 βασίζονται στους πίνακες συνεμφάνισης τόνων του γκρι, ενώ τα υπόλοιπα 5 στους πίνακες μήκους διαδρομής τόνων του γκρι. Επίσης θεωρήθηκαν 3 διαφορετικά επίπεδα κβάντισης των εικόνων, καθώς και μετατοπίσεις ογκοστοιχείων 1 έως 4. Οι κατανομές των τιμών των χαρακτηριστικών μορφολογίας και υφής που προκύπτουν, αναλύονται με το μη παραμετρικό τεστ Mann-Whitney (cut-off = 0.05) για την εύρεση στατιστικώς σημαντικών διαφορών μεταξύ πολύμορφων γλοιοβλαστωμάτων και μονήρων μεταστάσεων. Τα αποτελέσματα της στατιστικής ανάλυσης, επισημαίνουν τη δυνατότητα και των 5 χαρακτηριστικών μορφολογίας να διαφοροποιούν τις 2 αλλοιώσεις, ενώ 2 από τα 11 χαρακτηριστικά υφής πρώτης τάξης εμφανίζουν στατιστικώς σημαντικές διαφορές όταν μετρώνται στους παραμετρικούς χάρτες ισοτροπίας. Όσον αφορά τα χαρακτηριστικά που εξάγονται από τους πίνακες συνεμφάνισης, 7 από τα 11 χαρακτηριστικά εμφανίζονται ικανά να διακρίνουν το διαφορετικό βαθμό ετερογένειας των δύο παθολογιών στο επίπεδο κβάντισης εικόνας 6bpp και μετατόπιση ογκοστοιχείου 2. Τέλος, και τα 5 χαρακτηριστικά των πινάκων μήκους διαδρομής που εξάγονται από χάρτες ισοτροπικής διάχυσης φαίνεται να διακρίνουν τις δομικές διαφορές των δύο παθολογιών, κυρίως στο επίπεδο κβάντισης εικόνας 5bpp. Τα αποτελέσματα της παρούσας εργασίας καταδεικνύουν το σημαντικό ρόλο της μελέτης της μορφολογίας και της υφής των τρισδιάστατων μοντέλων καρκινικών όγκων, στη διαφορική διάγνωση μέσω της μαγνητικής τομογραφίας, πριν από τη θεραπεία. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/10864 | |
| dc.language.iso | en | el |
| dc.rights | 6 | el |
| dc.subject | Brain tumors | el |
| dc.subject | Diffusion tensor imaging | el |
| dc.subject | Magnetic resonance imaging | el |
| dc.subject | Texture analysis | el |
| dc.subject | Image analysis | el |
| dc.subject | Glioblastoma multiforme | el |
| dc.subject | Solitary metastasis | el |
| dc.subject | Local curvature analysis | el |
| dc.subject | Differential diagnosis | el |
| dc.subject.alternative | Καρκίνος εγκεφάλου | el |
| dc.subject.alternative | Απεικόνιση τανυστή διάχυσης | el |
| dc.subject.alternative | Μαγνητική τομογραφία | el |
| dc.subject.alternative | Ανάλυση υφής | el |
| dc.subject.alternative | Ανάλυση εικόνας | el |
| dc.subject.alternative | Πολύμορφο γλοιοβλάστωμα | el |
| dc.subject.alternative | Μονήρης μετάσταση | el |
| dc.subject.alternative | Ανάλυση τοπικής καμπυλότητας | el |
| dc.subject.alternative | Διαφορική διάγνωση | el |
| dc.subject.ddc | 616.994 810 754 8 | el |
| dc.title | Image based quantification methods for optimization of differential diagnosis of tumors in brain MRI | el |
| dc.title.alternative | Μέθοδοι ποσοτικοποίησης εικόνας για βελτιστοποίηση της διαφορικής διάγνωσης όγκων στη μαγνητική τομογραφία εγκεφάλου | el |
| dc.type | Thesis | el |