Ανάπτυξη και Αξιολόγηση Μεθόδου Βασισμένης στη Διαδραστική Μηχανική Μάθηση για την Κατάτμηση Συμπαγών Όγκων και Οργάνων

Μπούνιας, Δημήτριος Α.; Bounias, Dimitrios A.

dc.contributor.author	Μπούνιας, Δημήτριος Α.	el
dc.contributor.author	Bounias, Dimitrios A.	en
dc.date.accessioned	2021-01-08T07:21:13Z
dc.date.available	2021-01-08T07:21:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52735
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20433
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	C++	el
dc.subject	Κατάτμηση εικόνας	el
dc.subject	Ιατρική εικόνα	el
dc.subject	Μαγνητική τομογραφία	el
dc.subject	Υπολογιστική τομογραφία	el
dc.subject	Γλοιοβλάστωμα	el
dc.subject	Καρκίνος του μαστού	el
dc.subject	Καρκίνος του πνεύμονα	el
dc.subject	Κατάτμηση σπληνός	el
dc.subject	Machine learning	en
dc.subject	Support Vector Machines	en
dc.subject	C++	en
dc.subject	Image segmentation	en
dc.subject	Medical imaging	en
dc.subject	Magnetic Resonance Imaging	en
dc.subject	Computational tomography	en
dc.subject	Glioblastoma	en
dc.subject	Breast cancer	en
dc.subject	Lung cancer	en
dc.subject	Spleen segmentation	en
dc.title	Ανάπτυξη και Αξιολόγηση Μεθόδου Βασισμένης στη Διαδραστική Μηχανική Μάθηση για την Κατάτμηση Συμπαγών Όγκων και Οργάνων	el
dc.title	Development and Evaluation of an Interactive Machine Learning-based Method for Segmentation of Solid Tumors and Organs	en
dc.contributor.department	Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-13
heal.abstract	Σε αυτήν την εργασία, παρουσιάζεται μία γενικού σκοπού, γρήγορη, ακριβής και συνεπής μέθοδος κατάτμησης ιατρικών εικόνων, βασισμένη στη διαδραστική μηχανική μάθηση (Interactive Machine Learning - IML). Η μέθοδος χρησιμοποιεί σύντομα σχέδια του χρήστη και προσαρμοστικούς χάρτες γεωδαιτικής απόστασης για να εκπαιδεύσει ένα σύνολο από Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines), παρέχοντας έτσι ένα μοντέλο προσαρμοσμένο στον εκάστοτε ασθενή, το οποίο εφαρμόζεται για τη κατάτμηση των εικόνων της απεικονιστικής εξέτασης. Για την επικύρωση της μεθόδου, χρησιμοποιήθηκαν αναδρομικές μελέτες που περιελάμβαναν 20 ασθενείς με γλοιοβλάστωμα, 50 ασθενείς με καρκίνο του μαστού και 50 ασθενείς με καρκίνο του πνεύμονα, καθώς και 20 τομογραφικές απεικονίσεις σπληνός. Για κάθε απεικονιστική εξέταση ήταν διαθέσιμη σχετική κατάτμηση αναφοράς (ground truth segmentation). Για κάθε μελέτη, χρησιμοποιήθηκαν δύο ειδικοί ακτινολόγοι που πραγματοποίησαν κατάτμηση δύο φορές με την μέθοδο IML και δύο φορές με χειροκίνητο τρόπο. Η αξιολόγηση περιελάμβανε σύγκριση των δύο προσεγγίσεων ως προς την ταχύτητα, τη χωρική επικάλυψη και τη συνέπεια των δύο προσεγγίσεων. Η σημαντικότητα των διαφορών αξιολογήθηκε με χρήση του μη παραμετρικού Wilcoxon τεστ προσημασμένων τάξεων και συσχετισμένων δειγμάτων. Η μέθοδος IML ήταν ταχύτερη από τη χειροκίνητη κατάτμηση για όλες τις δομές, κατά 53,1%, κατά μέσο όρο. Βρέθηκε στατιστικά σημαντική (p<0,001) διαφορά στην χωρική επικάλυψη σε σχέση με τα δεδομένα αναφοράς για σπλήνα (DiceIML/DiceΧειροκίνητου=0,91/0,87), καρκίνο του μαστού (DiceIML/DiceΧειροκίνητου=0,84/0,82) και πνευμονικούς όζους (DiceIML/DiceΧειροκίνητου=0,78/0,83). Όσον αφορά την συνέπεια μεταξύ διαφορετικών επαναλήψεων του ίδιου ειδικού (intra-rater), βρέθηκε στατιστικά σημαντική (p=0,003) διαφορά μόνο για τον σπλήνα (DiceIML/DiceΧειροκίνητου=0,91/0,89), που ήταν ευνοϊκή για τη μέθοδο IML. Όσον αφορά την συνέπεια της κατάτμησης από διαφορετικούς ειδικούς (inter-rater), βρέθηκαν στατιστικά σημαντικές διαφορές (p<0,045) για τον σπλήνα (DiceIML/DiceΧειροκίνητου=0.91/0.87), τον μαστό (DiceIML/DiceΧειροκίνητου=0.86/0.81), τον πνεύμονα (DiceIML/DiceΧειροκίνητου=0.85/0.89), τo περιοχικά μη-ενισχυμένο τμήμα του γλοιοβλαστώματος (DiceIML/DiceΧειροκίνητου=0.79/0.67) και το περιοχικά ενισχυμένο τμήμα του γλοιοβλαστώματος (DiceIML/DiceΧειροκίνητου=0.79/0.84), αποτελέσματα που αποδεικνύουν συνολική υπεροχή της μεθόδου IML σε σχέση με την χειροκίνητη κατάτμηση. Η ποσοτική αξιολόγηση ως προς την ταχύτητα, τη χωρική επικάλυψη και τη συνέπεια, ανέδειξε την συνολική υπεροχή της προτεινόμενης μεθόδου σε σύγκριση με χειροκίνητη κατάτμηση, για ένα σημαντικό εύρος κλινικών εφαρμογών. Η υλοποίηση της μεθόδου IML είναι ανοικτού κώδικα και διατίθεται μέσω του Cancer Imaging Phenomics Toolkit (CaPTk - https://www.cbica.upenn.edu/captk) και ως πρόσθετο για το Medical Imaging Interaction Toolkit (MITK - https://github.com/CBICA/InteractiveSegmentation).	el
heal.abstract	In this thesis, a fast, accurate, and consistent method for general-purpose medical image segmentation is presented. The method is based on interactive machine learning (IML). Utilizing brief user training annotations and the adaptive geodesic distance transform, an ensemble of Support Vector Machines (SVMs) is trained, providing a patient-specific model applied to the whole image. To validate the method, retrospective cohorts were identified comprising 20 brain, 50 breast, and 50 lung cancer patients, as well as 20 spleen scans. Corresponding ground truth annotations were available for each scan. Two experts were recruited to segment each cohort twice with the IML method and twice manually. Evaluation endpoints included speed, spatial overlap, and consistency. Statistical significance was evaluated through the Wilcoxon signed-rank non-parametric test. The IML method was faster than manual annotation in all structures, by 53.1% on average. A significant (p<0.001) overlap difference was found for spleen (DiceIML/DiceManual=0.91/0.87), breast tumors (DiceIML/DiceManual=0.84/0.82), and lung nodules (DiceIML/DiceManual=0.78/0.83). For intra-rater consistency, a significant (p=0.003) and favorable difference was found only for spleen (DiceIML/DiceManual=0.91/0.89). For inter-rater consistency significant (p<0.045) differences were found for spleen (DiceIML/DiceManual=0.91/0.87), breast (DiceIML/DiceManual=0.86/0.81), lung (DiceIML/DiceManual=0.85/0.89), the non-enhancing brain tumor sub-region (DiceIML/DiceManual=0.79/0.67), and the enhancing brain tumor sub-region (DiceIML/DiceManual=0.79/0.84), which in aggregation favored the IML algorithm. The quantitative evaluation for speed, spatial overlap, and consistency, revealed the benefits of the proposed IML method when compared with manual annotation, for several clinically relevant problems. The IML method is publicly released through the Cancer Imaging Phenomics Toolkit (CaPTk - https://www.cbica.upenn.edu/captk) and as an MITK plugin (https://github.com/CBICA/InteractiveSegmentation).	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.advisorName	Nikita, Konstantina	en
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false