Multi-organ Medical Image Analysis, Modeling, and Segmentation Exploiting Pre-existing Knowledge

Abstract

Lääketieteellisen kuva-analyysin alalla kohteiden tarkka segmentointi on vaativaa. Viime vuosikymmenien aikana kehitetyt segmentointimenetelmät ovat tarkoitettu pääasiassa yksittäisille kohteille. Useiden kohteiden segmentointiin kerralla ei edelleenkään ole sujuvia prosesseja. Lääketieteellinen kuva-analyysi sisältää monia vaiheita ja on työläs. Nykyiset kehitysalustat eivät mahdollista useiden vaiheiden tehokasta yhdistämistä, mikä hidastaa alan kehitystyötä. Tästä syystä useiden kohteiden samanaikainen tarkka segmentointi sekä tehokkaan kehitysalustan luominen tarvitaan lisätutkimusta. Tämä väitöskirja laajentaa lääketieteellisen kuvan segmentoinnin tutkimusta kolmella tavalla. Ensinnäkin työssä on kehitetty kolmiulotteisia joustavia ja muunneltavia monielinmalleja, joita lähestyttiin nk. pääkomponenttianalyysin ja neuroverkkomenetelmien avulla. Tulokset laajentavat mahdollisuuksia monielinmallien muodonmuutoksille, mutta työssä myös käsitellään yleistä näytteistyksen harvuuden ongelmaa. Toiseksi työssä sovitetaan vallitsevaa ymmärrystä muunneltavista malleista ja ihmisen vuorovaikutuksesta useiden elinten samanaikaiseen segmentointiin. Tulokset osoittavat, että useita elimiä voidaan segmentoida nopeasti ja tarkasti. Segmentointimenetelmä on myös stabiili eli ”robusti”. Kolmanneksi työssä on kehitetty AnatomySketch nimetty ohjelmisto tehokkaiden lääketieteellisten kuvantamisalgoritmien toteuttamiseen perustuen edellä mainittuihin tekniikoihin. Ohjelmisto sisältää joustavan plug-in-liittymän ja käyttäjäystävällisen graafisen käyttöliittymän, mikä mahdollistaa nopeiden prototyyppien luomisen ja testaamisen. Tulokset osoittavat, että ohjelmisto kaventaa laboratorioprototyyppien ja kliinisen työn välistä kuilua ja nopeuttaa kuvantamisalgoritmien kehitystä. Työ demonstroi muunneltavia elinmallien konstruoinnin sekä mallintaa ja segmentoitu onnistuneesti useampia elimiä yhdellä kertaa. Lisäksi AnatomySketch-ohjelmisto on osoittautunut toiminnallisuudeltaan tehokkaaksi lääketieteellisten kuvantamisalgoritmien kehityksessä. Avainsanat: Lääketieteellinen kuva-analyysi, tilastollinen muotomalli, pääkomponenttianalyysi, pinottu autoenkooderi, hiiren mikro CT-kuvat, käyttäjävuorovaikutus, syväoppiminen, AnatomySketch.

In the field of medical image analysis (MIA), accurate segmentation of targets has encountered numerous challenges. Segmentation methods targeting a single specific object have emerged over the past few decades. But the implementation of segmentation methods for multiple targets is technically challenging. MIA is a laborious process with many stages. Current development platforms do not allow for multiple stages efficiently, which slows down the development process. The accurate segmentation of multiple targets simultaneously and the creation of an efficient development platform still require further research. This thesis expands medical image segmentation (MIS) research in three ways. Firstly, it develops three-dimensional (3D) flexible and deformable multiorgan models, which are investigated using methods based on principal component analysis (PCA) and neural networks. The results expand the deformability of the multi-organ models but also address the general sparsity of samples in large dimensions. Secondly, existing knowledge of deformable models and human interaction is adapted for the simultaneous segmentation of multiple organs. The results demonstrate that such a technique can segment multiple organs quickly and accurately. The segmentation method is also stable or 'robust.' Thirdly, the thesis develops a software named AnatomySketch (AS) for implementing efficient medical imaging algorithms, enabling the aforementioned techniques. The software includes a flexible plug-in interface and a user-friendly graphical user interface (GUI), facilitating the creation and testing of rapid prototypes. The results show that the software bridges the gap between laboratory prototypes and clinical work and accelerates the development of imaging algorithms. The thesis successfully demonstrates deformable organ model construction and performs simultaneous segmentation of multiple organs. Additionally, the AS software has proven to be effective in the development of medical imaging algorithms. Keywords: Medical image analysis (MIA), statistical shape model (SSM), principal component analysis (PCA), stacked autoencoder (SAE), mouse micro- CT images, user interaction, deep learning (DL), AnatomySketch (AS)