Image reconstruction and machine learning approaches for enhanced medical imaging : cases in computed tomography and magnetic resonance imaging
Ketola, Juuso (2021-11-12)
https://urn.fi/URN:ISBN:9789526231013
Kuvaus
Tiivistelmä
Abstract
Medical imaging encompasses many imaging modalities with different background physics and technological aspects, but they are united under the same premise: measuring data that can be expressed in image format. Furthermore, imaging protocols are designed to measure features that are archetypical for certain diseases, based on which a diagnosis can be made. Indeed, medical images are far more than just pictures, they contain a substantial amount of information. Some features are not visible to the naked eye, and computational means must be used to analyze them. The extraction and analysis of those features to serve as complementary information for diagnostic decision-making is called radiomics.
This doctoral dissertation focuses on applying algorithms in medical imaging use-tasks for an improved workflow. In the first use-case, iterative reconstruction (IR) algorithms were applied for micro-computed tomography (μCT) reconstruction using a limited amount of measured data. Doing so could facilitate the imaging workflow in μCT laboratories, as samples could be imaged more efficiently as less data are measured. The second use-case considered the interpretation of low back pain (LBP) from lumbar spine magnetic resonance imaging (MRI), which is a challenging task as subjects with degenerative features seen in MRI can be completely asymptomatic. To complement the MRI findings, a texture analysis (TA) pipeline employing radiomics methodology was developed for LBP classification. Finally, in the third use-case a deep learning (DL) -based image reconstruction method was developed for interior computed tomography (CT) angiography. CT is a major source of populational radiation strain, so reducing the dose by scanning only an internal region of the body has the potential to achieve dose-efficiency.
The results showed that a quantitative feature analysis in a μCT study could be performed with much less projection data than measured with a scanner traditionally. In addition, the developed TA method was able to differentiate subjects suffering from LBP from those who were asymptomatic, and an anatomical correspondence to pain manifestation was found. Finally, the developed DL reconstruction network was able to produce excellent image quality, and even increase the reconstructed field-of-view.
Tiivistelmä
Lääketieteellinen kuvantaminen käsittää useita kuvantamismodaliteetteja, joiden taustalla oleva fysiikka ja teknologiset yksityiskohdat poikkeavat merkittävästi. Kuvantamisen lähtökohta on kuitenkin kaikilla menetelmillä sama: Ne mittaavat dataa potilaasta ja esittävät mittauksen kuvan muodossa. Kuvausprotokollat suunnitellaan siten, että niissä näkyvät piirteet paljastavat tietyille sairauksille tyypillisiä ominaisuuksia, joiden perusteella voidaan päätyä diagnoosiin. Visuaalisen sisällön lisäksi lääketieteelliset kuvat sisältävät valtavan määrän informaatiota, jota kaikkea ei voi prosessoida paljain silmin. Tällöin avuksi tarvitaan laskennallisia menetelmiä, kuten kvantitatiivisia piirteitä analysoivaa radiomiikkaa.
Tämä väitöskirja käsittelee kuvarekonstruktio- ja koneoppimisalgoritmien soveltamista kolmeen kuvantamisen käyttötapaukseen. Ensimmäisessä käyttötapauksessa hyödynnettiin iteratiivisia kuvarekonstruktioalgoritmeja rekonstruoimaan harvasti näytteistettyä projektiodataa mikro-tietokonetomografiassa (μTT). Tämä voisi olla hyödyllistä μTT-kuvauksen optimoinnissa, koska kuvausaikojen ollessa pitkiä vain hyvin rajallinen määrä näytteitä on mahdollista kuvata prekliinisissä tutkimuksissa. Toinen käyttötapaus käsitteli lannerangan magneettikuvien (MRI) tulkintaa. Alaselkäkivun yhteydessä MRI-kuvissa voi näkyä degeneratiivisia muutoksia, mutta nämä muutokset ovat tyypillisiä myös oireettomilla potilailla. Tutkimuksessa kehitettiin tekstuurianalyysimenetelmä (TA) hyödyntäen radiomiikkaa, jonka avulla pystyttiin luokittelemaan aineistossa olleet koehenkilöt kivuliaisiin ja oireettomiin. Viimeisessä käyttötapauksessa kehitettiin syväoppiva neuroverkko kardiologisen tietokonetomografian rekonstruktioon (TT) ns. sisätomografiaongelmassa, jossa katetaan vain potilaan sisäinen mielenkiintoalue röntgenkeilalla. TT:stä aiheutuu merkittävä osa populaation säteilyrasituksesta, joten annoksen vähentämiseen tähtäävillä menetelmillä on selkeä kansanterveydellinen hyöty.
Tulosten pohjalta selvisi, että vaihtamalla rekonstruktioalgoritmia kvantitatiivista μTT:tä voitaisiin tehdä pienemmällä määrällä projektiodataa kuin yleensä mitataan. Lisäksi kehitetty TA-menetelmä pystyi erottelemaan kivuliaat koehenkilöt oireettomista, ja luokittelun onnistumisen havaittiin riippuvan käytetystä anatomisesta mielenkiintoalueesta. Lopuksi, kehitetyllä syväoppivalla rekonstruktiomenetelmällä saavutettiin selkeä kuvanlaadullinen parannus, ja rekonstruoitua aluetta voitiin jopa kasvattaa.
Original papers
Original papers are not included in the electronic version of the dissertation.
Ketola, J. H., Karhula, S. S., Finnilä, M. A. J., Korhonen, R. K., Herzog, W., Siltanen, S., Nieminen, M. T., & Saarakkala, S. (2018). Iterative and discrete reconstruction in the evaluation of the rabbit model of osteoarthritis. Scientific Reports, 8(1), 12051. https://doi.org/10.1038/s41598-018-30334-8
Ketola, J. H. J., Inkinen, S. I., Karppinen, J., Niinimäki, J., Tervonen, O., & Nieminen, M. T. (2021). T2-weighted magnetic resonance imaging texture as predictor of low back pain: a texture analysis‐based classification pipeline to symptomatic and asymptomatic cases. Journal of Orthopaedic Research, 39(11), 2428–2438. https://doi.org/10.1002/jor.24973
Ketola, J. H. J., Heino, H., Juntunen, M. A. K., Siltanen, S., Nieminen, M. T., & Inkinen, S. I. (2021). Generative adversarial networks improve interior computed tomography reconstruction. Manuscript submitted for publication. https://doi.org/10.1088/2057-1976/ac31cb
Osajulkaisut
Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.
Ketola, J. H., Karhula, S. S., Finnilä, M. A. J., Korhonen, R. K., Herzog, W., Siltanen, S., Nieminen, M. T., & Saarakkala, S. (2018). Iterative and discrete reconstruction in the evaluation of the rabbit model of osteoarthritis. Scientific Reports, 8(1), 12051. https://doi.org/10.1038/s41598-018-30334-8
Ketola, J. H. J., Inkinen, S. I., Karppinen, J., Niinimäki, J., Tervonen, O., & Nieminen, M. T. (2021). T2-weighted magnetic resonance imaging texture as predictor of low back pain: a texture analysis‐based classification pipeline to symptomatic and asymptomatic cases. Journal of Orthopaedic Research, 39(11), 2428–2438. https://doi.org/10.1002/jor.24973
Ketola, J. H. J., Heino, H., Juntunen, M. A. K., Siltanen, S., Nieminen, M. T., & Inkinen, S. I. (2021). Generative adversarial networks improve interior computed tomography reconstruction. Manuscript submitted for publication. https://doi.org/10.1088/2057-1976/ac31cb
Kokoelmat
- Avoin saatavuus [37647]