A semi-automated segmentation-driven morphing procedure for coronary stents reconstruction from OCT images

Among the cardiovascular pathologies, coronary disease (CD) is one of the most widespread. Atherosclerosis is one of the causes of the insurgence of such disease and it consists into the formation of an atherosclerotic plaque containing fats, calcium and vascular smooth muscle cells (VSMC) in the tunica intima. The accumulation of such substances in the vessel causes its degeneration and, therefore, two phenomena could occur: i) In-stent restenosis or ISR (thickening of the lumen) and ii) thrombosis (disintegration of the atherosclerotic plaque in smaller particles that will circulate in the blood circuit). These complications leave the patient, highly exposed to heart attack and ictus. The most used technique against atherosclerosis is the balloon angioplasty, followed by a stent implantation. Despite the success in restoring the normal blood flow in the vessel, the presence of the stent may cause ISR and thrombosis in the long term. In restenosis, an anomalous growth of fibrotic tissue surrounding the stent structure, is observed. In the thrombosis, the rupture in many smaller particles of the clot that has deposited on the surface of the stent, may cause their circulation in the blood flow. Early detection of ISR is important to avoid worsening the patient's health. Performing a detailed analysis through image acquisitions of the coronary-stent complex and model constructions can help physicians to predict possible long-term complications. As a matter of fact, it has emerged from the literature that one of the main causes of restenosis may be due to the changes in blood circulation due to the presence of the stent. In fact, the implantation of a stent produces alterations in physiological hemodynamics, creating recirculation or low shear areas, which can lead to ISR. For this reason, performing computational fluid dynamics (CFD) simulation on tridimensional model of the stent is important to understand the causes of these pathologies. The reconstruction of three-dimensional models of in-vivo stents can be obtained with imaging techniques. Among these, intravascular optical coherence tomography (IVOCT) plays an important role. This technique uses infrared light and allows to obtain images with a resolution of 10-20 μm, about ten times greater than other imaging techniques. The high resolution allows to distinguish the cross-sections of the stent, enabling to reconstruct the three-dimensional geometry of the device, even in the case of complex geometries.In the literature some algorithms of reconstruction of the stent geometry can already be found. Most of these begin with the segmentation of OCT images, as in the case of Migliori et al. in which the segmented images generate cloud of points (COP) of stent, that will be used in the reconstruction through the morphing of an undeformed stent from Computer Aided Design or CAD. In other works, like in Ellwein et al., the geometry of the in-vivo device is obtained using an idealized stent model that was deformed to adapt to the reconstructed geometry of the lumen, with the alignment of IVOCT images with respect to the guideline that was extracted from micro-computed tomography (micro-CT or μCT) scans. Subtracting from this operation the reconstructed lumen, an estimate of the stent geometry is obtained. The use of non-idealized models is common in the works of several authors. In these works, lumen and stent points are manually outlined in each IVOCT images and subsequently, connected through interpolation techniques. In O'Brien et al., the COP is used again (like in Migliori et al.). A fitting of a stent with known geometry is applied to the COP, which will then be deformed using interpolation techniques; subsequently, the true structure is built by the cross-section swept method to the deformed skeleton of the stent. The method proposed in this thesis, based on the registration of three-dimensional images, aims at automatizing, although partially, the reconstruction work, with a result of a much faster process with respect to other methods seen in literature, such as in Migliori et al. where a morphing is proposed, in which the geometry of the stent is obtained manually, with a consequence of higher elaboration time. Moreover, unlike other algorithms (Ellwein et al.), this method uses non-idealized geometrical stent models; instead, it uses samples coming from the segmentation of IVOCT images with known characteristics and geometries. The proposed method for the reconstruction of the stent geometry was developed using MATLAB (version 2017, Mathworks, Natick, MA, USA). In addition, PARAVIEW (version 5.5, Kitware, Clifton Park, NY, USA) is also used as a graphical rendering software to compare the results of the reconstruction. The algorithm is based on the registration of the CAD of the non-deformed stent on the image coming from the segmentation of IVOCT images and exported as a COP (obtained from Marco Bologna's thesis work). The stent that was used as a sample for this test is the XIENCE V (Abbott Vascular, Santa Clara, CA, USA), a metallic device with a diameter of 3 mm and an effective nominal length of 28 mm. The reconstruction procedure begins with the conversion of the COP and of the CAD model into three-dimensional images, respectively through a B-spline interpolation and a technique based on triangulation. Once the three-dimensional images are obtained, they are re-binarized as the property was lost during their creation. Subsequently, to decrease the computational volume, the voxels of the images are reduced by eliminating those (with null value) more external to the stent, up to leaving 20 voxels around the margins to increase the registration maneuverability. The procedure of creating the stent geometry exploits the registration of three-dimensional images, considering the one coming from IVOCT as fixed and the image from the model as mobile. The registration is based on rigid (translation and rotation) and non-rigid transformations (deformations based on B-Spline interpolation). In addition to these, there is also scaling and a general affine transformation. The method uses algorithms from the Insight Tool Kit (ITK), an open source library for image processing, and re-elaborated in the form of executables by Eros Montin. In these executables it is possible to select from various metrics to be optimized: Mean Square Error (MSE), Normal Gradient Fields (NGF) and Mutual Information (MI). The calculation of these functions at each iteration considers the goodness of the overlap between the images and through the descent of the gradient, this overlap is optimized by updating the registration parameters (3 for translation, 6 for roto-translation, 3 for scaling and 12 for affine). In this experimentation, MSE and MI metrics were used. The procedure is divided into two parts: global and local registration. Such subdivision is due to the impossibility of applying the non-linear registration (through the B-Spline) on the entire image of the stent due to the huge computational cost of the operation. The whole image of the model was first aligned with respect to that of the IVOCT through a global translation and roto-translation. Subsequently, both images are divided into 20 rings and for each moving ring (model) a local image registration is performed with respect to the fixed counterpart (IVOCT). The local registration consists of the following transformations: i) scaling, ii) translation, iii) roto-translation, iv) general affine, v) B-Spline. The rebuilding of the rings to obtain the registered image of the stent, is carried out using the vector field (VF) that were saved, for each ring, in each transformation. In this procedure, the VF of the nth ring, for each transformation, is rejoined to the VF of the partial reconstructed stent of the previous iteration. In this way, at the end of the registration process of all the rings, five VF’s (VFS – for scaling, VFT – for translation, VFR – for roto-translation, VFA – for general affine, VFB – for B-Spline), are obtained for the whole stent, corresponding to the five transformations. The final model is obtained by applying to the initial image of the stent the five VF’s in the same order of transformations previously defined. To evaluate the quality of the algorithm, the registration performed in this study has been compared to a similar registration performed between a 3D model of the same stent (obtained by μCT) and the reference IVOCT image from the thesis of Bologna. First a 3D surface of the deformed stent has been created from the 3D image. The software MIMICS (Materialise, Leuven, Belgium) has been used to extract the centerline (the skeleton) of the deformed CAD, which was obtained as a COP. The centerline has been compared to the COP of the centroids of the strut in IVOCT images. From each point of the IVOCT COP, the distance to the closest point of the deformed CAD centerline has been computed. The obtained distances were then compared with the ones from the thesis of Bologna. The comparison between the two distances distributions was done through a statistical test (Mann-Whitney). In addition, the goodness of registration for each ring was also analyzed by comparing the distances between the IVOCT centerlines and the registered model, among all 20 rings. The validation of the method was performed on a 3D COP coming from the segmentation of IVOCT images. It has been observed a good overlap of the structures of the two images, especially in the distal zone (from the first to about the tenth ring), where there is a correct correspondence between the two stents, which demonstrates the success of both the rigid and non-rigid transformations. In the proximal region (from about the eleventh ring up to the end), a good global deformation is observed, in particular in the radial direction of the stent, although the registration locally resulted a little worse, since there is no perfect correspondence between the two geometries. The Mann-Whitney statistical test on the distances computed for this method is significantly worse compared to the IVOCT-μCT registration by Bologna. However, the order of magnitude is the same and the distance between the medians is about 40 μm. The possible causes to which this result can be attributed, might be: the non-uniformity of the IVOCT rings, that reduces the quality of local registration; from possible effects due to the relative twist among the rings in the IVOCT, that are due to catheter motion artifacts and that are not completely recovered in the local registration; the relatively low number of control points for the B-spline local registration. Despite such limitations, the proposed method offers an important advantage over other from the literature. In fact, the semi-automaticity and the relative speed make the algorithm a good alternative to the manual procedure stent reconstruction previously seen, such as in Migliori et al., where a manual morphing is applied, which requires a time of application well above the two days required in the proposed method. In conclusion, this study showed that the reconstruction of the stent geometry from IVOCT images through morphing can be automatized and sped up. This will surely facilitate the process of creating 3D models for CFD simulations, which will help understanding the link between hemodynamics and ISR insurgence.

Tra le patologie cardiovascolari più ricorrenti ci sono quelle coronariche (CD, dall’inglese coronary disease). L’aterosclerosi ha un ruolo importante nell’insorgenza di tali patologie; essa consite nella formazione di placche contenenti grassi, calcio e cellule muscolari lisce in corrispondenza della tunica intima. La degenerazione dello stato del vaso dovuto all’accumularsi di tali sostanze può portare alla stenosi (ingrossamento del lume del vaso) o trombosi (spaccatura della placca in particelle con conseguente circolazione nel sangue). Questi, dopo un periodo di tempo, possono causare infarti o ictus al paziente. La tecnica più usata per curare l’aterosclerosi è l’angioplastica con palloncino, con successivo impianto di stent. Le principali problematiche che possono nascere da questo impianto riguardano soprattutto il fenomeno di ristenosi (o ISR, dall’inglese In-Stent Restenosis) e trombosi. Il primo, consiste in una crescita anomala di tessuto fibroso attorno alle maglie della protesi vascolare; il secondo, come già accennato precedentemente, nella rottura dei coaguli formatisi sulla superficie del dispositivo.L’individuazione preventiva dell’ISR è importante per non causare peggioramenti nello stato di salute del paziente. Un’analisi dettagliata attraverso acquisizioni di immagini del complesso coronaria-stent e successive costruzioni di modelli possono aiutare i medici, permettendo di predire possibili effetti a lungo termine. È infatti emerso dalla letteratura che una delle principali cause della ristenosi può essere dovuta all’alterazione della circolazione sanguigna causata dall’inserimento dello stent. L’impianto del dispositivo, infatti, genera zone di ricircolo oppure zone a basso sforzi di taglio, che possono portare all’insorgenza di ristenosi. Per questo motivo, lo studio della fluidodinamica, attraverso simulazioni computerizzate (CFD, computational fluid dynamics) su modelli tridimensionali dello stent in-vivo, possono aiutare a risalire a monte del problema. La ricostruzione di modelli tridimensionali di stent in-vivo può essere ottenuto con tecniche di imaging. Tra queste, grande importanza è la tomografia a coerenza ottica intravascolare (IVOCT, dall’ inglese IntraVascular Optical Coherence Tomography). Tale tecnica è basata sull’utilizzo di raggi infrarossi e consente di ottenere immagini con risoluzione di 10-20 μm, circa dieci volte maggiore rispetto ad altre tecniche tradizionalmente utilizzate nella pratica clinica. L’elevata risoluzione permette di distinguere in maniera dettagliata le sezioni del dispositivo (strut), consentendo a sua volta, da queste immagini di sezioni, di ricostruire la geometria tridimensionale dello stent, anche nel caso di geometrie complesse.In letteratura si possono già trovare alcuni algoritmi di ricostruzione della geometria dello stent. La maggior parte di questi, partono dalla segmentazione delle immagini OCT. Come nel caso di Migliori et al., in cui le immagini segmentate generano nuvole di punti (COP, dall’inglese Cloud Of Points) che verranno utilizzate per guidare un processo di morphing di un modello CAD (dall’inglese Computer Aided Design) dello stent indeformato. In altri lavori, come in Ellwein et al., la geometria dello stent in-vivo è ottenuta attraverso l’utilizzo di un modello idealizzato che viene fatto aderire alla geometria riscostruita del lume attraverso l’allineamento delle immagini IVOCT rispetto ad una linea guida, ottenuta da scansioni di micro-tomografia computerizzata (micro-CT o μCT, dall’inglese Micro-Computed Tomography). Sottraendo in seguito da questa operazione il lume ricostruito, si ottiene una stima della geometria dello stent. L’uso di modelli non idealizzati è alla base del metodo di ricostruzione adottato da diversi autori. In questi lavori, i punti dello stent e i contorni del lume sono delineati manualmente in ogni immagine IVOCT e successivamente, connessi attraverso tecniche di interpolazione. In O’Brien et al., si sfrutta di nuovo la nuvola di punti (come in Migliori et al.), alla quale si applica un fitting di uno stent con geometria nota, che verrà poi deformata usando tecniche di interpolazione; successivamente, allo scheletro deformato della protesi vascolare, viene costruita la vera struttura attraverso il metodo di swept cross-section. Il metodo proposto in questa tesi, basato sulla registrazione di immagini tridimensionali, mira ad automatizzare, almeno in parte, il lavoro di ricostruzione, velocizzando in questo modo il processo; in contrasto con gli altri metodi, nei quali la geometria dello stent è ottenuto spesso attraverso una procedura non automatizzata che richiede maggiori tempi di elaborazione, come nel caso del morphing manuale. Inoltre, diversamente da alcuni algoritmi (Ellwein et al.), questo metodo utilizza modelli di stent geometrici non ideali, ma provenienti da segmentazione di immagini IVOCT con caratteristiche e geometrie note. Il metodo proposto per la ricostruzione della geometria dello stent è stato sviluppato utilizzando MATLAB (versione 2017, Mathworks, Natick, MA, USA). In aggiunta, viene utilizzato anche PARAVIEW (versione 5.5, Kitware, Clifton Park, NY, USA) come software di rendering grafico per avere un confronto dei risultati della ricostruzione. L’algoritmo si basa sulla registrazione dell’immagine tridimensionale (ottenuta da un modello CAD) dello stent non deformato sull’immagine proveniente dalla segmentazione di immagini IVOCT ed esporatate come nuvola di punti (ottenute dal lavoro di tesi di Marco Bologna). Il campione usato per questa prova è lo XIENCE V (Abbot Vascular, Santa Clara, CA, USA), uno stent metallico con diametro di 3 mm e lunghezza nominale effettiva di 28 mm. La procedura di ricostruzione parte con la conversione della nuvola di punti e del modello CAD in immagini tridimensionali, rispettivamente attraverso un’interpolazione B-spline e una tecnica che si basa su triangolazione. Ottenute le immagini, queste vengono nuovamente binarizzate, dato che durante la loro creazione, tale proprietà era stata persa. Successivamente, per diminuire il volume di calcolo, vengono ridotti i voxels (con valore nullo) più esterni allo stent, lasciando un margine di 20 (voxels) per permettere maggior spazio di manovra durante la fase di registrazione. La procedura di creazione della geometria del dispositivo sfrutta la registrazione d’immagini tridimensionali, considerando l’immagine proveniente da IVOCT come fissa e quella dal modello come mobile. La registrazione si basa fondamentalmente su trasformazioni rigide (traslazione e rotazione) e non rigide (deformazioni basate su interpolazione B-Spline). In aggiunta a queste, vi sono anche lo scaling e una trasformazione lineare affine. La registrazione sfrutta degli algoritmi provenienti da Insigth Tool Kit (ITK) [19], una libreria open source per l’image processing, e rielaborate in forma di eseguibili da Eros Montin. In queste eseguibili è possibile selezionare tra varie metriche da ottimizzare: Mean Square Error (MSE), Normal Gradient Fields (NGF) e Mutual Information (MI). Il calcolo di queste funzioni ad ogni iterazione tiene conto della bontà di sovrapposizione delle immagini e attraverso la discesa del gradiente, tale sovrapposizione viene ottimizzata riaggiornando i parametri di registrazione (3 per traslazione, 6 per rototraslazione, 3 per scaling e 12 per affine). In questa sperimentazione sono stati usati come metriche MSE e MI. La procedura è suddivisa in due parti: registrazione globale e locale. Tale suddivisione è dovuta all’impossibilità di applicare la registrazione non-rigida (attraverso la B-Spline) sull’intero immagine di stent per l’enorme volume di calcoli richiesto. Perciò, si è proceduto prima ad allineare l’immagine intero del modello rispetto a quello dell’IVOCT attraverso una traslazione e rototrasalazione. Successivamente, entrambe le immagini sono suddivise in 20 anelli (rings), e per ogni anello mobile (CAD) rispetto al corrsipondente fisso (IVOCT), si applicano le seguenti trasformazioni: i) scaling, ii) traslazione, iii) rototraslazione, iv) affine, v) B-Spline. Il ricongiungimento degli anelli, per ottenere l’immagine registrata dello stent, viene effettuato sfruttando i campi vettoriali (VF, dall’inglese vector fields) che erano stati salvati, per ogni anello, in ogni trasformazione. In tale procedura, la VF dell’n-esimo anello, per ogni trasformazione viene ricongiunta allo stent ricostruito parzialmente all’iterazione precedente. In questo modo si ottengono, alla fine del processo di registrazione di tutti gli anelli, cinque VF per lo stent intero, corrispondenti alle cinque trasformazioni. Il modello finale è ottenuto applicando all’immagine iniziale dello stent le cinque VF nello stesso ordine di trasformazione definito in precedenza. Per valutare la qualità dell’algoritmo si è cercato di confrontare la registrazione con un altro processo analogo tra un altro modello 3D dello stesso caso (ottenuto mediante μCT) e l’immagine IVOCT di riferimento. Per prima cosa, è stata creata una superficie 3D dall’immagine dello stent deformato. È stato poi utilizzato il software MIMICS (Materialise, Leuven, Belgium) per calcolare la centerline (termine usato per definire lo scheletro dello stent) del modello registrato, ottenuta sotto forma di COP. Tale centerline è stata confrontata con la nuvola di punti contenente i centroidi delle strut nelle immagini IVOCT. Da ogni punto della COP dell’IVOCT è stata calcolata la distanza rispetto al punto più vicino della COP della centerline ottenuta dal CAD. Queste distanze sono state poi confrontate con quelle provenienti dalla tesi di Bologna. Il confronto tra le due distribuzioni è stato fatto attraverso un test statistico (Mann-Whitney). In aggiunta, è stata analizzata anche la bontà di registrazione per ogni anello facendo un confronto tra tutti e 20 gli anelli. La validazione del metodo è stata eseguita su un campione di nuvola di punti proveniente dalla segmentazione di immagini IVOCT.Si può osservare una buona sovrapposizione delle strutture delle due immagini, in particalore nella zona distale (dal primo a circa il decimo ring), dove vi è una giusta corrispondenza tra le due immagini, a dimostrazione della buona riuscita sia della trasformazione rigida che non rigida. Nella zona prossimale (da circa l’undicesimo ring fino alla fine), si osserva comunque una buona deformazione globale, in particolare nella direzione radiale dello stent; ma non c’è una perfetta corrispondenza tra le due geometrie. Il test statistico di Mann-Whitney sulle distanze ha dimostrato che le distanze tra punti corrispondenti nei due stent sono significativamente maggiori rispetto alla registrazione tra IVOCT e μCT da parte di Bologna. La differenza però non è netta, visto che l’ordine di grandezza è il medesimo e la distanza tra le mediane è di circa 40 μm. Questo risultato potrebbe essere attribuito a diverse cause: la non-uniformità dei ring IVOCT in direzione longitudinale, che influisce sulla qualità della registrazione locale; possibili effetti dovuti alla rotazione relativa tra i rings nell’IVOCT, dovuti ad artefatti da movimento del catetere OCT che non vengono completamente recuperati nella registrazione; il basso numero di control points per la registrazione non-rigida B-Spline. Nonostante le problematiche evidenziate, questo metodo può esibire in confronto ai metodi disponibili in letteratura un vantaggio notevole. Infatti, la semi automaticità e la relativa velocità nell’ottenere i risultati rendono l’algoritmo una valida alternativa alle procedure manuali di ricostruzione dello stent visti precedentemente, come ad esempio in Migliori et al., dove si applica un morphing manuale, che richiede un tempo di applicazione ben superiore ai circa due giorni richiesti nel metodo proposto. In conclusione, questo studio ha dimostrato che la ricostruzione della geometria dello stent da immagini IVOCT attraverso il morphing può essere automatizzata e velocizzata, facilitando enormemente il processo di creazione di modelli 3D per le simulazioni CFD, che daranno informazioni fondamentali sul legame tra emodinamica e insorgenza della ristenosi.