POLITESI Politecnico di Milano Servizi Bibliotecari di Ateneo Servizi Bibliotecari di Ateneo
 
   ALL THESES       POST GRADUATE THESES       DOCTORAL THESES   
My POLITesi
authorized users
italiano
Please use this identifier to cite or link to this thesis: http://hdl.handle.net/10589/135946

Author: GHILARDI, ANDREA
Supervisor: DE MOMI, ELENA
Scientific Disciplinary Sector: ING-INF/06 BIOINGEGNERIA ELETTRONICA E INFORMATICA
Date: 3-Oct-2017
Academic year: 2016/2017
Title: GMM-based vascular segmentation method for 3D CBCT DSA brain images for SEEG plaaning in epilepsy surgery
Italian abstract: L'epilessia è un disordine cerebrale caratterizzato dalla predisposizione alle generazione di attacchi convulsivi dovuti ad una attività cerebrale eccessiva o sincrona, provocando cambiamenti nell'attenzione e nel comportamento del paziente. Una volta classificata, la malattia è solitamente trattata con farmaci anti-epilettici. Tuttavia, tra il 20% e il 40% dei pazienti che soffrono di epilessia focale sono farmaco-resistenti. I pazienti di questa categoria sono possibili candidati per una cura chirurgica, che ha lo scopo di rimuovere la zona epilettogena (EZ) responsabile delle crisi. Metodi non invasivi, come la video-EEG ed altre indagini neuro-radiologiche, aiutano a localizzare la EZ in fase di pianificazione chirurgica pre-operatoria. Tuttavia, la EZ può non essere identificata con metodi non invasivi in circa il 25% dei pazienti, rendendo necessaria un analisi tramite elettroencefalografia (EEG) intracranica. La stereo-EEG (SEEG) è una tecnica mini-invasiva guidata da immagini per la localizzazione della EZ. Si basa sull'impianto percutaneo di molti elettrodi intracerebrali per l'ispezione di strutture cerbrali sia superficiali che profonde. In una procedura SEEG, le traiettorie d'impianto degli elettrodi richiedono una pianificazione complessa che richiede molto tempo. Inoltre, devono essere presi in considerazione diversi vincoli: l'assenza di vasi sanguigni nell'area di ingresso (EP) dell'elettrodo, devono essere evitati i solchi e prevenire l'incrocio delle traiettorie. Gli algoritmi di pianificazione Computerizzati riducono i rischi derivati dall'impianto degli elettrodi e riducono i tempi computazionali tenendo conto delle restrizioni sopra descritte. Uno dei vincoli più importanti è la distanza tra gli elettrodi e i vasi sanguigni, che deve essere massimizata per ridurre al minimo i rischi di emorragia. Il software considera questa restrizione analizzando le segmentazioni vascolari di immagini come Cone Beam Computed Tomography - Digital Subtracted Angiography (CBCT-DSA) o Contrast Enhanced - Magnetic Resonance Angiography (e.g. CE-MRA con Gadolinio). L'identificazione manuale della vascolatura cerebrale richiede molto tempo ed è dipendente dal chirugo e, nonché, dalla sua esperienza. L'implementazione di algoritmi automatici o semi-automatici sono una soluzione per ottenere una segmentazione vascolare più accurata e riproducibile e in meno tempo. L'attuale metodo di segmentazione si basa sul thresholding manuale: è una tecnica molto rapida, ma è molto soggettiva e può portare a problemi di pianificazione, soprattutto in caso di dataset rumorosi. L'obiettivo di questo lavoro è l'estensione dei metodi di segmentazione descritti da De Momi et al. (2014) per la segmentazione 3D, in modo da essere applicata ad immagini CBCT-DSA ed essere poi inclusa nel software di pianificazione descritto da Scorza et al. (2017). In particolare, si è focalizzato sull'implementazione di diversi algoritmi di segmentazione automatica già presenti in letteratura e sulla loro validazione per l'applicazione nel planner SEEG. Infine, il metodo migliore è stato inserito nel workflow del planner automatico. Per migliorare la segmentazione, sono stati implementati 3 diverse tecniche automatiche di classificazione basate sul modello a gaussiane miste: - Modello a gaussiane miste semplice (GMM) - GMM con Markov Random Field (GMM-MRF) - GMM-MRF basata su Maximum Intensity Projections (MIPs) iterative Per valutare l'efficacia degli algoritmi di segmentazione implementati, sono stati fatti due esperimenti: 1) Tuning dei parametri: entrambi i metodi GMM e GMM-MRF necessitano di un'inizializione dei corrispondenti parametri, i quali sono stati calibrati per ottenere i risultati migliori per ogni metodo di segmentazione. 2) Confronto degli algoritmi: i metodi di segmentazione sviluppati sono stati comparati in modo da definire quale conduca ad una segmentazione vascolare migliore. Sono stati inoltre confrontati con l'attuale metodo di thresholding manuale. Gli esperimenti sono stati fatti su un dataset composto da volumi CBCT-DSA di 6 diversi pazienti comparati con un dataset di riferimento composto da 4 diversi sotto-volumi per ogni paziente manualmente segmentati da un esperto chirurgo. Gli indici di misura valutati sono: Sensitività, Specificità, Precisione, Accuratezza e l'indice Dice (DSC). Riguardo la calibrazione dei parametri, entrambi i metodi dimostrano alti valori di Sensitività ed Accuratezza con 3 cluster e un log-likelihood threshold settato a 10; per il GMM-MRF, i parametri beta e neighbourhood mostrano risultati simili per tutti gli indici, quindi sono stati considerati rispettivamente beta = 1.5 e neighbourhood = 26 voxels. Il threshold per la binarizzazione delle immagini è stato settato rispettivamente sul cluster 2 per il GMM e sul cluster 1 per il GMM-MRF. Confrontando gli algoritmi con le combinazioni di parametri così calibrate, si evince che il GMM-MRF ha indici di Sensitività (0.90) e DSC (0.80) più alti rispetto agli altri metodi di segmentazione; questi indici sono importanti in quanto dimostrano quanto il metodo sia in grado di identificare i vasi sanguigni. Inoltre, il GMM-MRF ha mostrato qualitativamente performance migliori rispetto sia al thresholding che il GMM, riproducendo la naturale connessione dei vasi sanguigni anche in presenza di rumore, portando ad una corretta classificazione di vasi sia di grosso che piccolo calibro.
English abstract: Epilepsy is a brain disorder characterized by an enduring predisposition to generate epileptic seizures due to abnormal excessive or synchronous neuronal activity, thus causing changes in attention or behaviour. Once the seizure is classified, the disease is usually treated with anti-epileptic drugs. However, between 20% and 40% of focal epilepsy patients are refractory to antiepileptic medications. Such patients are possible candidates for curative surgery, which aims to resect the epileptogenic zone (EZ) that generates seizures. To plan the surgery, pre-operative non-invasive methods, such as video-EEG and neuro-radiological investigations, help to localize the EZ. However, in about 25% of surgical candidates, the EZ cannot be inferred from non-invasive imaging data, and intracranial electroencephalography (EEG) is needed to identify the EZ. The Stereo-ElectroEncephaloGraphy (SEEG) is a minimally invasive image-guided surgical procedure used to localize the EZ. It relies on percutaneous implantation of numerous intracerebral electrodes surveying superficial and deep structures. In SEEG procedure the electrodes trajectory planning is very challenging and time consuming. Various constraints have to be taken into account simultaneously: the absence of vessels at the electrode Entry Point (EP), sulci avoidance and prevent the crossing between two or more trajectories. Computer-assisted planning algorithms can reduce implantation risk and time by computing the trajectories taking into account the previously described constraints. One of the most important constraint is the distance between electrodes and brain vessels that has to be maximized to reduce any risk of damage. This is taken into account by the planner algorithm that analyzes the vessel segmentation of biomedical images of the patient such as Cone Beam Computed Tomography - Digital Subtracted Angiography (CBCT-DSA) or Contrast Enhanced-Magnetic Resonance Angiography (e.g. CE-MRA with Gadolinium). Manual vessels identification is time consuming, subjective and needs experienced surgeons. A solution to this problem is the implementation of automatic or semi-automatic algorithms to perform a more accurate and reproducible vessel segmentation in less time. The actual segmentation method is based on manual thresholding; it is a very fast but user-dependant technique that leads to planification problems, especially in case of noised dataset. The aim of this work is the extension of the vessel segmentation method described De Momi et al. (2014) for 3D volumetric segmentation, to be applied to CBCT DSA images and included in the planning workflow described by Scorza et al. (2017). In particular, we focused on the implementation of different segmentation algorithms presented in literature and on their validation for the SEEG planner. The best method was then added in the planner workflow. In order to optimize the segmentation, three different automatic clustering techniques based on Gaussian mixture model has been implemented: - Simple Gaussian mixture model (GMM) - GMM with Markov Random Field (GMM-MRF) - GMM-MRF based on Maximum Intensity Projections (MIPs) In order to evaluate the effectiveness of the implemented segmentation algorithms, two different experiments were done: 1) Parameters tuning: the GMM and GMM-MRF need a set of initialization parameters that have been tuned to achieve the best results for each segmentation method. 2) Algorithms comparison: the developed segmentation methods has been compared to identify which technique leads to the best vessel segmentation. The algorithms were also compared with the manual thresholding. The experiments were done on a dataset composed by CBCT-DSA volumes from 6 different patients and a ground truth dataset composed by 4 different subvolumes from each patient manually segmented by an expert surgeon. Five indices were used: Sensitivity, Specificity, Precision, Accuracy and Dice similarity coefficient (DSC). With respect to the parameter tuning, both the methods have higher Sensitivity and Accuracy with 3 clusters and a log-likelihood threshold set to 10; for GMM-MRF the beta and neighbourhood value show similar results for all the indices, thus it was set a medium value of beta=1.5 and a neighbourhood of 26 voxels. The binarization thresholds were set on the cluster 2 and the cluster 1, respectively for the GMM and GMM-MRF methods. Referring to the algorithm comparison, the GMM-MRF shows higher Sensitivity (0.90) and DSC (0.80) with respect all the other segmentation methods; it is very important because these indices show how good the algorithm is at detecting a vessel and are a measures of unique correspondence. GMM-MRF qualitatively showed better performance over manual thresholding and GMM in reproducing the connected nature of brain vessels also in presence of noise, thus leading to a correct classification of vessel of both small and big caliber.
Italian keywords: epilessia; stereo-elettroencefalografia; CBCT-DSA; pianificatore automatico; segmentazione vascolare; modello a gaussiane miste
English keywords: epilepsy; epilepsy surgery; stereo-electroencephalography; CBCT-DSA; automated planner; vascular segmentation; Gaussian mixture model
Language: eng
Appears in Collections:POLITesi >Tesi Specialistiche/Magistrali

Files in This Item:

File Description SizeFormatVisibility
Tesi magistrale - Andrea Ghilardi.pdfTesi magistrale Andrea Ghilardi3.92 MBAdobe PDFView/Open





 

  Support, maintenance and development by SURplus team @ CINECA- Powered by DSpace Software