Αυτόματη υπερφασματική μέθοδος για την ανίχνευση, αναγνώριση και ταξινόμηση των λεπιών της ψωρίασης

Κρεμεζή, Μαρία; Kremezi, Maria

dc.contributor.author	Κρεμεζή, Μαρία	el
dc.contributor.author	Kremezi, Maria	en
dc.date.accessioned	2017-03-27T11:42:43Z
dc.date.issued	2017-03-27
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44750
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14079
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	Ψωρίαση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Υπερφασματικές εικόνες	el
dc.subject	Ιατρικές εικόνες	el
dc.subject	Δερματικές ασθένειες	el
dc.subject	Psoriasis	en
dc.subject	PASI	en
dc.subject	Remote sensing	en
dc.subject	Hyperspectral imaging	en
dc.subject	Classification	en
dc.subject	Skin diseases	en
dc.subject	Medical imaging	en
dc.title	Αυτόματη υπερφασματική μέθοδος για την ανίχνευση, αναγνώριση και ταξινόμηση των λεπιών της ψωρίασης	el
dc.title	Automatic hyperspectral method for the detection, recognition and scoring of scaling in psoriasis	en
heal.type	bachelorThesis
heal.classification	Ιατρική υπερφασματική απεικόνιση	el
heal.classification	Medical hyperspectral imaging	en
heal.dateAvailable	2018-03-26T21:00:00Z
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-19
heal.abstract	Η χρήση υπερφασματικών απεικονίσεων σε ιατρικές εφαρμογές αποτελεί ανερχόμενο ιατρικό απεικονιστικό εξοπλισμό, ιδιαίτερα στην διάγνωση ασθενειών και την καθοδηγούμενη από εικόνα χειρουργική. Τα υπερφασματικά δεδομένα υψηλής φασματικής ανάλυσης παρέχουν διαγνωστικές πληροφορίες για τη φυσιολογία, τη μορφολογία και τη σύνθεση των ιστών (Lu and Fei, 2014). Ο σκοπός αυτής της εργασίας είναι η ανάδειξη των πλεονεκτημάτων που προσφέρουν τα υπερφασματικά δεδομένα στη διάγνωση της δερματικής ασθένειας της ψωρίασης. Η ασθένεια αυτή προσβάλει εκατομμύρια ανθρώπους παγκοσμίως και έχει σοβαρή επίπτωση στην ψυχολογική υγεία του ασθενούς λόγο της όψης του προσβαλλόμενου δέρματος για την οποία δεν υπάρχει οριστική θεραπεία. Γίνονται προσπάθειες ανάπτυξης φαρμάκων για την καταπολέμηση των συμπτωμάτων της ασθένειας τα οποία όμως μπορεί να προκαλέσουν δυσάρεστες παρενέργειες. Επομένως, για την εκτίμηση της απόκρισης των φαρμάκων είναι απαραίτητη μία αντικειμενική και ακριβής διάγνωση. Στη συγκεκριμένη διπλωματική εργασία αναπτύσσεται μία αυτόματη υπερφασματική μέθοδος η οποία οριοθετεί, αναγνωρίζει και ταξινομεί την απολέπιση η οποία είναι μία από τις παραμέτρους που χαρακτηρίζουν τον βαθμό σοβαρότητας της ψωρίασης κατά πλάκας. Μελετήθηκε αυτή η μορφή ψωρίασης διότι είναι η πιο κοινή. Η απολέπιση χαρακτηρίζεται από φολίδες οι οποίες εμφανίζονται πάνω από την περιοχή του ερυθήματος στην ψωριασική πλάκα. Ο δείκτης της σοβαρότητας της ασθένειας εκτιμάται από την επιφάνεια που καταλαμβάνει η ασθένεια και τρεις βασικές παραμέτρους οι οποίες την χαρακτηρίζουν. Οι παράμετροι αυτές είναι το ερύθημα, η διήθηση και η απολέπιση. Για την ανάπτυξη αυτής της μεθόδου καθώς και της μεθόδου που αναπτύχθηκε στη διπλωματική της Βικτωρίας Κριστολλάρη χρησιμοποιήθηκε ένα δείγμα ασθενών από κοινού. Η συλλογή των υπερφασματικών εικόνων έγινε σε δερματολογικό ιατρείο παρουσία του ειδικού δερματολόγου, χρησιμοποιώντας τον υπερφασματικό σαρωτή CASI – 550 για τον οποίο κατασκευάστηκε ειδικός φορέας για την κατακόρυφη κίνησή του. Ως πηγή ηλεκτρομαγνητικής ακτινοβολίας χρησιμοποιήθηκαν δέκα λαμπτήρες αλογόνου και οκτώ λαμπτήρες Led, οι οποίοι τοποθετήθηκαν πάνω στην κατασκευή και περιμετρικά του ασθενή. Το συνολικό δείγμα ασθενών είναι 20 άτομα για τους οποίους έγινε ολόσωμη (full – body) σάρωση μέσα σε διάστημα έξι μηνών (τέλη Οκτωβρίου 2015 - τέλη Μαΐου 2016). Το δείγμα αυτό χωρίστηκε σε δύο ομάδες, με τους δέκα πρώτους ασθενείς να χρησιμοποιούνται ως δείγμα εκπαίδευσης της μεθόδου και τους δέκα τελευταίους ως δείγμα αξιολόγησης. Η μέθοδος που αναπτύχθηκε αποτελείται από δύο μέρη, την οριοθέτηση των λεπιών και την ταξινόμηση των οριοθετημένων λεπιών ανάλογα με το βαθμό σοβαρότητας. Στο πρώτο μέρος της μεθόδου έγινε μετασχηματισμός των καναλιών του ορατού φάσματος της υπερφασματικής εικόνας με τη μέθοδο MNF (Minimum Noise Fraction). Μετά από παρατήρηση των μετασχηματισμένων εικόνων έγινε ανάδειξη τριών καναλιών με τη χρήση κάποιων κανόνων επιλογής οι οποίοι βασίζονται στον δείκτη χωρικής αυτοσυσχέτισης Moran’s I. Στη συνέχεια έγινε προεπεξεργασία των καναλιών αυτών, η οποία περιλαμβάνει το φιλτράρισμα κάθε καναλιού καθώς και την εφαρμογή του αλγορίθμου ενίσχυσης αποσυσχέτισης (Decorrelation Stretch). Στα επεξεργασμένα αυτά κανάλια εφαρμόζεται στη συνέχεια ο αλγόριθμος ταξινόμησης ISODATA με σκοπό την δημιουργία κλάσεων οι οποίες αντιστοιχούν σε περιοχές οι οποίες καλύπτονται από λέπια. Από τα αποτελέσματα της παραπάνω ταξινόμησης γίνεται η επιλογή των κλάσεων αυτών με οπτική παρατήρηση για κάθε ασθενή. Για την αυτοματοποίηση της μεθόδου αυτής όμως, αναπτύσσονται κάποιοι κανόνες παρατηρώντας της φασματικές υπογραφές κάθε κλάσης της κάθε ταξινόμησης γνωρίζοντας εκ των προτέρων την κατηγορία στην οποία ανήκει η κάθε κλάση. Έτσι, παρατηρώντας της φασματικές υπογραφές ανακλαστικότητας μετά την αφαίρεση του συνεχούς καθώς και την πρώτη παράγωγο αυτών των υπογραφών, δημιουργείται μία σειρά κανόνων για την αυτόματη επιλογή των κλάσεων της ταξινόμησης οι οποίες αντιστοιχούν στην κατηγορία λέπια. Στη συνέχεια, γίνεται ένωση των κλάσεων αυτών για τη δημιουργία μίας κλάσης η οποία οριοθετεί της περιοχές που καλύπτονται από λέπια και εκτελείται μία εκλέπτυνση του αποτελέσματος. Σημειώνεται πως ο αλγόριθμος του μετασχηματισμού MNF εκτελέστηκε σε κώδικα C, ο οποίος είχε γραφτεί από τον Δ. Κέφαλο (2014), στο πλαίσιο της διπλωματικής του εργασίας στο Εργαστήριο Τηλεπισκόπησης του Ε.Μ.Π. Ενώ, ο αλγόρθμος ISODATA, ο δείκτης χωρικής αυτοσυσχέτισης Moran’s I, η ενίσχυση αυτοσυσχέτισης και η αφαίρεση του συνεχούς εφαρμόστηκαν χρησιμοποιώντας το εμπορικό λογισμικό ENVI 4.8. Στο δεύτερο μέρος της μεθόδου έγινε αυτόματη ταξινόμηση των οριοθετημένων περιοχών οι οποίες καλύπτονται από λέπια. Οι κλάσεις που δημιουργήθηκαν βασίστηκαν στο ποσοστό το οποίο καταλαμβάνουν τα λέπια πάνω σε μία ψωριασική πλάκα. Συγκεκριμένα, έχοντας τα αποτελέσματα της οριοθέτησης του ερυθήματος από τη διπλωματική της Βικτωρίας Κριστολλάρη (2016), προστέθηκαν τα αποτελέσματα των δύο οριοθετήσεων (του ερυθήματος και των λεπιών) για τον υπολογισμό της επιφάνειας της κάθε ψωριασικής πλάκας. Στη συνέχεια, με την υπέρθεση των λεπιών πάνω στις ψωριασικές πλάκες έγινε ο υπολογισμός του ποσοστού της επιφάνειας που καταλαμβάνεται σε κάθε πλάκα. Με βάση αυτά τα ποσοστά έγινε και η ταξινόμηση των τριών κλάσεων της απολέπισης (δεν ήταν δυνατή η οριοθέτηση της κλάσης 1 λόγω της χωρικής διακριτικής ικανότητας του δέκτη). Αξίζει να αναφερθεί ότι η αυτόματη μέθοδος της οριοθέτησης, καθώς και η αυτόματη μέθοδος της ταξινόμησης αξιολογήθηκαν ως προς την αποτελεσματικότητά τους πέραν του δείγματος εκπαίδευσης και σε διαφορετικό δείγμα (δείγμα αξιολόγησης). Τα αποτελέσματα κρίθηκαν πολύ ικανοποιητικά και στις δύο μεθόδους, καθώς κατάφεραν να υπερβούν το πρόβλημα της ανομοιογένειας του φωτισμού και της επίδρασης του ανάγλυφου του ανθρώπινου σώματος. Ωστόσο, υπάρχουν ακόμη κάποια περιθώρια βελτιστοποίησης. Αφού επιτεύχθηκαν η αυτόματη οριοθέτηση και η αυτόματη ταξινόμηση, σε συνδυασμό με τη διπλωματική εργασία της Βικτωρίας Κριστολλάρη (2016), προτάθηκε από κοινού ένα νέος τρόπος υπολογισμού του δείκτη σοβαρότητας της ασθένειας. Ο καινούριος δείκτης αξιοποιεί την πληροφορία που μπορεί να εξαχθεί με την εφαρμογή των μεθόδων που αναπτύχθηκαν κατά την εκπόνηση των δύο εν λόγω διπλωματικών εργασιών. Τέλος, έγινε από κοινού μία πρώτη προσπάθεια υπολογισμού της τρίτης και τελευταίας παραμέτρου της ασθένειας της ψωρίασης (εμβάθυνση), η οποία μετράει την ανύψωση της ψωριασικής πλάκας. Ο υπολογισμός αποφασίστηκε να γίνει μέσω της δημιουργίας 3D μοντέλου χρησιμοποιώντας το εμπορικό λογισμικό Photoscan.	el
heal.abstract	Hyperspectral imaging (HSI) is an emerging imaging modality for medical applications, especially in disease diagnosis and image-guided surgery. Spatially resolved spectral imaging obtained by HSI provides diagnostic information about the tissue physiology, morphology, and composition (Lu and Fei, 2014). The purpose of this diploma thesis is to highlight the advantages offered by hyperspectral data use in the diagnosis of psoriasis. This skin disease affects millions of people worldwide and has a serious impact on the mental health of the patient cause by the appearance of the inflicted skin for which there is no cure. There many efforts to produce medication to combat the symptoms of the disease which may cause unpleasant side effects. Therefore, an objective and accurate diagnosis to assess the response to treatment is essential. This study develops an automatic hyperspectral method for the detection, recognition and scoring of scaling which is one of the parameters that characterize the degree of severity of plaque psoriasis. This type of psoriasis is the most common. Scaling is characterized by flakes which appear above the area of the erythema on the psoriatic plaque. The severity index of the disease is estimated by the area of disease and three other characteristic parameters. These parameters are erythema, induration and scaling. In order to develop this method and the method developed in the diploma thesis of the student Victoria Kristollari, a sample of patients was used jointly. The collection of hyperspectral images took place in a dermatological clinic in the presence of a medical expert, using the hyperspectral camera CASI – 550 which moved vertically by a custom made construction. As a source of electromagnetic radiation there were used ten halogen lamps and eight Led lamps, which were placed on the construction and around the patient. The total number of patients that were submitted to full - body scanning over a period of six months (late October 2015 - late May 2016) is 20 people. This sample was divided into two groups, the first ten patients were used as a training sample for the algorithms and the last ten patients were used as an evaluation sample. The method that was developed in this diploma thesis consists of two parts, the detection of scaling and the scoring of said scaling depending on the severity case. In the first part of this method the bands of the visible spectrum of light were transformed using the MNF (Minimum Noise Fraction) method. After close observation of the transformed bands three of them were selected by applying a set of rules based on the spatial autocorrelation index Moran’s I. Then, a preprocessing took place which includes band filtering and histogram stretching using the Decorrelation Stretch algorithm. The ISODATA classification method is then applied on these three preprocessed bands in order to create classes that map regions covered with scales. Of all the classes of the above classification the selection of these specific classes is done by hand after visual observation for each patient. To automate this method, though, some rules are developed by observing the hyperspectral signatures of every class of all classifications knowing in advance the category in which each class belongs to. Thereafter, a set of rules can be developed by observing the continuum removed of hyperspectral reflectance signatures and the first derivative of the continuum removed signatures. These rules can determine which classes belong to scaling. These classes are merged together to create one class that maps the area covered with scales. This merged class has to undergo a refinement treatment to produce the final product of this detection method. It has to be noted that the MNF algorithm was run in C code that had been written by D. Kefalos (2014), as part of his diploma thesis in the Laboratory of Remote Sensing at N.T.U.A. While, the ISODATA algorithm, the spatial autocorrelation index Moran’s I, the Decorrelation Stretch and continuum removal were applied using the ENVI 4.8 software. In the second part of this method the detected scaling is scored. The scoring was based on the percentage of the area covered with scales on a psoriatic plaque. Specifically, given the results of the erythema detection from Victoria’s Kristollari diploma thesis, the area of every psoriatic plaque can be calculated by adding the results of the two detections (erythema detection and scaling detection). Then, the percentage of scaling is calculated by superimposing the scaling over the psoriatic plaques. Based on these percentages the scores of the severity of scaling was determined (score 1 wasn’t distinguishable due to the spatial resolution of the hyperspectral camera). It is worth mentioning that in addition to the evaluation in the training sample, both the automatic detection method and the automatic scoring method, were evaluated in terms of their efficiency in a different sample (evaluation sample). The results were considered very satisfying in both methods, as they managed to overcome the unfavorable lighting conditions and the effect of the elevation of the human body. Nevertheless, there is still some room for optimization. After the automatic detection and the automatic scoring had been accomplished, in collaboration with the student Victoria Kristollari, a novel approach concerning the calculation of the disease severity index was proposed. The new index takes advantage of the information that can be extracted with the application of the automatic methods that were developed in both studies. As a final step, a first joint attempt for the calculation of the third and last parameter of the disease (induration) was made. For the calculation of this parameter, which measures the elevation of the psoriatic plaque, a 3D model was reconstructed with the Photoscan software.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Παπαδαυίδ, Ευαγγελία	el
heal.committeeMemberName	Κολοκούσης, Πολυχρόνης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	202 σ.
heal.fullTextAvailability	true