Segmentation, Registration and Automatic Classification of Micro-CT Trabecular Bone Medical Data

Κορφιάτης, Βασίλειος; Korfiatis, Vasileios

dc.contributor.author	Κορφιάτης, Βασίλειος	el
dc.contributor.author	Korfiatis, Vasileios	en
dc.date.accessioned	2017-02-06T10:49:04Z
dc.date.available	2017-02-06T10:49:04Z
dc.date.issued	2017-02-06
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44305
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.2549
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τμηματοποίηση Εικόνων	el
dc.subject	Ευθυγράμμιση Εικόνων	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Οστό	el
dc.subject	Μίκρο-τομογραφία	el
dc.subject	Image Segmentation	en
dc.subject	Image Registration	en
dc.subject	Machine Learning	en
dc.subject	Trabecular Bone	en
dc.subject	Micro-CT	en
dc.title	Segmentation, Registration and Automatic Classification of Micro-CT Trabecular Bone Medical Data	en
dc.title	Τμηματοποίηση, Ευθυγράμμιση και Αυτόματη Ταξινόμηση Ιατρικών Δεδομένων Μίκρο-Τομογραφίας Σπογγώδους Οστού	el
heal.type	doctoralThesis
heal.classification	BIOINFORMATICS	en
heal.classification	BIOMEDICAL ENGINEERING	en
heal.classificationURI	http://data.seab.gr/concepts/b50bf44af3b24e597323aa84bd26e06a0650789e
heal.classificationURI	http://data.seab.gr/concepts/e21d30fc29c7c38310b1b9c23590a18fd030f6f2
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-20
heal.abstract	Το αντικείμενο της παρούσας διδακτορικής διατριβής είναι η επεξεργασία δεδομένων μί-κρο-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 ταξινό-μησης δεδομένων που προκύπτουν από την εξαγωγή ιστομορφολογικών χαρακτηριστικών από τις εικόνες αυτές. Αρχικά, πραγματοποιείται εισαγωγή στα κυριότερα στοιχεία και δυ-ναμικές διαδικασίες που χαρακτηρίζουν το οστό, στις παθογένειες και στις μεθόδους ανάλυ-σης 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 τμηματο-ποίησης βασισμένες στα Ενεργά Περιγράμματα. Η προτεινόμενη μεθοδολογία καθιστά δυ-νατή 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 ευρύτε-ρης εφαρμογής της προτεινόμενης μεθόδου και σε άλλα είδη ιατρικών εικόνων, όπως εικό-νες 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 ανάπτυ-ξη ενός ποσοτικού κριτηρίου αυτόματης εύρεσης της περιοχής κατάγματος. Στη συγκεκριμέ-νη μελέτη παρουσιάζονται δισδιάστατες και τρισδιάστατες τεχνικές ευθυγράμμισης, ενώ ακολουθούν αποτελέσματα ευθυγράμμισης με βάση τη χρήση κατάλληλων κριτηρίων αξιο-λόγησης προκειμένου να διερευνηθεί η ακρίβειά τους. Επιπλέον, παρουσιάζεται ένα ολο-κληρωμένο 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 συν-δυάζει 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 πολυ-πλοκότητα της διαδικασίας και το υπολογιστικό κόστος. Τέλος, ακολουθεί μια αξιολόγηση των σημαντικότερων ιστομορφομετρικών παραμέτρων με χρήση τεχνικών Επιλογής Χαρα-κτηριστικών σε σύνολα δεδομένων που έχουν υποστεί επεξεργασία με τεχνικές Μη-Ισορροπημένης μάθησης, με στόχο την εξαγωγή πιθανών βιοδεικτών για την περιοχή κατάγ-ματος.	el
heal.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 dy-namic 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 imple-mented using a novel segmentation framework under the name Independent Active Contours Segmentation that combines a set of novel segmentation techniques based on Active Con-tours. 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 im-ages, 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 devel-oping 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 classifica-tion 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 ex-traction of possible biomarkers for the fracture zone.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.advisorName	Matsopoulos, George	en
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Σταφυλοπάτης, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Φωτιάδης, Δημήτριος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	182
heal.fullTextAvailability	true