Developments in segmentation algorithms for PET molecular imaging

Background. In the interpretation of molecular images the improved segmentation and quantification of up-taking objects is an active research field. Given the limited SNRs, resolution, and variable object and background features, investigation has recently reverted to statistical approaches. 18F-Fluorodeoxyglucose Positron Emission Tomography (FDG-PET) occupies a primary position in this research area: i) clinically, due to its major role in the detection and evaluation of oncological lesions; ii) technically and methodologically, due to the gap between its inherently quantitative potentials and the sever limits imposed by real acquisition and object features. Aims. This thesis work addresses the segmentation of lesions in FDG-PET for improved contouring, robust against lesion vs. background features, and activity quantification capable to compensate partial volume effects (PVE) due to blurring. The potentials and flexibility of Gaussian mixture model (GMM) clustering were explored and modified in order to exploit the knowledge of background features by constraining the further segmentation. Connection of objects was first forced by priors from neighbors in the voxelwise classification and, in a further development, by active contours (Level Sets, LS) iteratively modulated by GMM analysis. In order to test algorithms against known ground truth, both digital and physical phantoms were designed. Methods. A novel modification of GMM clustering (constrained GMM - cGMM), was proposed: a background evaluation was exploited to constrain the following lesion-from-background separation. Preliminary studies optimized the number of clusters to four for the background modelling, while other 4 were added considering two classes for lesion volume, and the others representing transition and spill-out. A further modification was introduced by forcing connection of segmented objects by considering the status of neighbors as priors to the voxelwise Expectation-Maximization classification. This was named SoftGMM or HardGMM whether neighbor status was probabilistic or crispy, respectively. A further improvement was next achieved by the use of LS, automatically and iteratively tuned by a GMM analysis (LS-GMM). LS-GMM was compared to standard LS with parameters optimized with a groundtruth brute force comparison approach. Both were compared to SoftGMM. Algorithms were tested comparing the outcomes to the reference contours by means of the lesion volume % error (VE ), DICE index, and the classification error (CE). Data set for performances assessment included simulated data with realistic projection/reconstruction processes, physically acquired phantom and clinical data. In particular, validation on clinical data was performed on 18 patients with two different reconstruction protocols, with lesions manually contoured by one/two expert operators. For the above purposes, a novel physical phantom was developed based on natural clinoptilolite, chosen after the evaluation of several types of zeolites and characterized by its uptake characteristics. These porous stones permitted both to avoid cold wall effects and to introduce irregular shapes. Moreover, two pieces of a broken stone, sunk in different activity solutions and reassembled, permitted to mimic inhomogeneous lesions. Results. cGMM outperformed GMM and other tested algorithms performances, with VE < 10%, DICE > 0.85 and CE < 0.32. Neighborhood priors, in particular SoftGMM, displayed further improvements, which were significant in heterogeneous background, with VE < 7%, DICE > 0.81, and CE < 0.38 for simulated data. LS-GMM well approximated the optimized LS; e.g., in the physical phantom, VE difference was 2% of absolute VE median, while DICE loss was limited to 0.03 and and CE difference was < 0.03. Thus LS-GMM displayed a good automatic solution for LS parameter setting. It could also outperformed SoftGMM: in patient data a 1% lower absolute median VE, 0.02 higher DICE and 0.07 lower CE were reported. Conclusion. The fusion of proper constraints, priors, and active contouring with statistical voxelwise clustering methods as GMM maintains the versatility of such approaches and also introduce a-priori knowledge such as background feature, connection, and object vs. background differentiation, eventually providing higher classification robustness and accuracy. Better segmentations in FDG-PET significantly recovers the quantitative capabilities of this diagnostic tool, which are conversely obscured in direct image viewing. The data-driven solutions here adopted are foreseen to permit extensions to a great variety of clinical patterns for FDG-PET and also to permit translation to most molecular imaging.

Background. La ricerca scientifica rivolta al raggiungimento di una accurata segmentazione e quantificazione di oggetti captanti visibili in immagini ottenute con tecniche di Molecular Imaging è un ambito attualmente molto attivo. Data la qualità delle immagini con limitati SNR e risoluzione, e variabili caratteristiche oggetto/background, recentemente si è dimostrato interesse verso un approccio statistico al problema. In questo framework, la tecnica 18F-Fluorodeoxyglucose Positron Emission Tomography (FDG-PET) occupa un ruolo primario nella ricerca. Le ragioni sono legate a: i) l’importanza e il ruolo clinico della tecnica utilizzata per la detezione e valutazione di lesioni oncologiche, ii) la necessità di risolvere il trade off tra la tecnica intrinsecamente quantitativa e i limiti imposti dal processo di acquisizione e le caratteristiche dell’oggetto stesso della scansione. Obiettivo L’obiettivo di questa tesi è rivolto alla definizione di strumenti per la segmentazione di immagini FDG-PET che permettano una buona accuratezza della definizione del volume delle lesioni. Questi devono avere un robusto comportamento verso le caratteristiche della lesione e del suo background, affinchè sia poi possibile una quantificazione dell’attività, superando i limiti connessi all’effetto di volume parziale (PVE). Qui in particolare sono stati sfruttate le potenzialità e flessibilità dei metodi di clustering basati su Gaussian Mixture Models (GMM), guidando la segmentazione delle lesioni includendo informazioni sulle caratteristiche del background. La connessione spaziale tra i voxel segmentati è stata introdotta dapprima con prior di vicinanza, e poi, in un ulteriore sviluppo, sfruttando un algoritmo di Level Sets (LS), iterativamente modulato da un’analisi basata su GMM. Data set simulati e un phantom fisico sono stati progettati e creati con lo scopo di testare le performance degli algoritmi proposti avendo a disposizione un riferimento geometrico (ground truth). Metodi Il primo algoritmo sviluppato, chiamato constrained GMM – cGMM, si può considerare un’ottimizzazione del metodo di clustering GMM. Si basa infatti sullo sfruttamento della modellizzazione del background per la successiva segmentazione della lesione. Studi preliminari hanno permesso di definire un numero di classi ottimo pari a 4 per il background, 2 per la lesione e altre 2 per modellizzare una regione di transizione e spill out. Un’ulteriore modifica ha riguardato l’inserimento dell’informazione di connessione spaziale tra voxel segmentati, portando alla definizione degli algoritmi SoftGMM e HardGMM, in base al tipo di informazione inclusa (probabilistica o non). Il secondo algoritmo proposto, chiamato LSGMM, è basato su una formulazione LS, i cui parametri sono iterativamente aggiustati utilizzando le informazioni derivanti da una analisi GMM. Le performance dell’algoritmo sono state paragonate a una formulazione LS dove i parametri sono stati ottimamente determinati sfruttando l’informazione del ground truth. Gli algoritmi proposti sono stati valutati comparando i risultati con i contorni/volumi di riferimento e quantificandoli attraverso l’errore sul volume (VE), indice di DICE, e errore di classificazione (CE). I data set utilizzati per la validazione includono simulazioni, phantom acquisiti e dati clinici. In particolare la validazione su dati clinici è stata condotta su 18 pazienti ricostruiti con due protocolli differenti e con lesioni contornate manualmente da uno/due esperti. Inoltre un phantom con campioni di clinoptilolite naturale è stato definito e acquisito, portando un ulteriore originale contributo. Selezionati in base alle caratteristiche di uptake, questi minerali porosi hanno permesso la simulazione di lesioni irregolari evitando l’effetto chiamato di cold-wall. Due parti dello stesso campione caricate con attività diversa e poi riassemblate sono state invece usate per simulare lesioni eterogenee. Risultati cGMM è risultato essere superiore rispetto agli altri algoritmi testati, con un VE<10%, DICE>0.85 e CE<0.32. L’inclusione di prior spaziali, e in particolare SoftGMM, ha portato a risultati migliori soprattutto per lesioni in background eterogeneo, così come dimostrato con i dati simulati (VE<7%, DICE>0.81 e CE<0.38). LSGMM ha mostrato di essere paragonabile al LS ottimizzato: considerando ad esempio i dati phantom, la differenza assoluta in VE è stata limitata al 2%, 0.03 in DICE e CE. I risultati ottenuti sul data set clinico ha mostrato la superiorità di performance del LSGMM su SoftGMM: VE inferiore del 1%, maggior DICE (0.02) e minor CE (0.07). Conclusioni L’unione di informazioni a priori, vincoli, active contours e approcci voxel-based di clustering hanno permesso di mantenere la versatilità dei singoli elementi, ma potendo anche raggiungere migliori performance. L’ottenimento di accurate segmentazioni può contribuire alla reale fruizione del carattere intrinsecamente quantitativo dell’FDG-PET, normalmente sottostimato da un’analisi puramente visiva. Le soluzioni presentate costituiscono un contributo che può essere trasposto in diversi scenari clinici FDG-PET e altre tecniche di molecular image processing.