Brain vascular segmentation plays a fundamental role in several fields such as diagnosis, prognosis and surgical planning of various diseases that require the visualization of particular brain areas (as in the case of epilepsy). This segmentation becomes even more complex in procedures such as stereoelectroencephalography (SEEG), in which the neurosurgeons need an optimal view of the vascular tree in order to avoid side effects such as hemorrhage that can be fatal for the patient. Currently, the brain vessel segmentation is performed by processing angiographic images with semi-automatic techniques that involve several intermediate steps such as including recordings of multimodal imaging modalities, processing and finally manual thresholding. This multi-step procedure is both time-consuming, and it can also be prone to errors in the acquisition process or in the post-processing pipeline. In this work, a brain vasculature segmentation method based on an 3D Adversarial Neural Network architecture is proposed. With respect to other deep learning based methods, this architecture blends the segmentation potential of the Fully Convolutional Neural Networks (FCNNs) with the ability to improve the segmentation performance with the discriminative part of the Generative Adversarial Networks (GAN). In order to validate our approach, different FCNN architectures were investigated such as U-net, Residual U-net, MultiResU-net, and Nested U-net. The results of the comparison among our proposed method, the best FCNN architecture and the current state-of-art method for vessel segmentation (Frangi filter), indicate that the proposed approach achieved better results. In fact, for our method, the Dice Similarity Coefficient (DSC) obtained score is 85.8% with an interquartile range (IQR) of 19.9%; on the other hand; for the to the most promising architectures among the investigated ones, the DSC score obtained is 79.8% with an IQR of 30.1%; for the Frangi filter the DSC score obtained is 60.2% with an IQR of 9.2%. Hence, this dissertation proposes an instrument to attempt at reducing the time required to plan the vascular segmentation (from about 30 minutes to 1 minute), its dependence upon the operator and the types of images needed to generate the segmented image, thus avoiding an excessive dose of X-rays administered to the patient and the corresponding image co-registration errors.

La segmentazione vascolare del cervello ricopre un ruolo fondamentale in diversi campi medicali come la diagnosi, la prognosi e la pianificazione chirurgica di varie patologie che necessitano la visualizzazione di particolari zone cerebrali (come nel caso dell'epilessia). Questa segmentazione diventa ancora più complessa in procedure come la stereoelettroencefalografia (SEEG), in cui i neurochirurghi necessitano di una visione ottimale dell'intera struttura vascolare al fine di operare nel migliore modo possibile, evitando emorragie che potrebbero essere fatali per il paziente. Attualmente, la segmentazione dei vasi cerebrali viene eseguita mediante il processamento di immagini angiografiche con delle tecniche semi-automatiche che coinvolgono diversi passaggi intermedi, come ad esempio la co-registrazione di differenti modalità di imaging, il processamento ed il thresholding manuale finale. Queste procedure multi-step risultano, però, più dispendiose in termini di tempo ed inoltre possono essere soggette ad errori nel processo di acquisizione dell'immagine o nella fase di post-processamento. Questo lavoro propone un metodo di segmentazione dei vasi cerebrali basato su un'architettura neurale avversaria 3D. Rispetto ad altri metodi di Deep Learning, questa architettura combina il potenziale di segmentazione delle Fully Convolutional Neural Network (FCNN), con la capacità discriminatoria delle Generative Adversarial Network (GAN), raggiungendo superiore accuratezza nella segmentazione. Per convalidare il nostro approccio, sono state studiate diverse architetture FCNN come la U-net, la Residual U-net, la MultiResU-net e la Nested U-net e confrontate con l'innovativo metodo proposto. Il confronto dei risultati tra il nostro metodo proposto, la migliore architettura FCNN ed il metodo di stato dell'arte per la segmentazione delle vasi (Frangi filter), hanno dimostrato che l'approccio proposto ci permette di ottenere risultati migliori. Infatti, il nostro metodo raggiunge un risultato di Dice Similarity Coefficient (DSC) e di intervallo interquartile rispettivamente del 85.8% e del 19.9%; mentre il risultato in termini di DSC ottenuto dalla rete migliore FCNN è del 79.8% con un IQR del del 30.1%; infine con il filtro Frangi otteniamo un risultato di DSC ottenuto del 60.2% con un IQR del 9.2%. Quindi, questa tesi offe uno strumento per ridurre il tempo richiesto per la pianificazione della segmentazione vascolare (da ~ 30 minuti ad 1 minuto), la sua dipendenza dall’operatore ed i tipi di immagini necessarie per generare l’immagine segmentata, evitando così una dose eccessiva di raggi X somministrata al paziente.

Brain vasculature segmentation for SEEG pre-operative planning via adversarial neural network approach

CICERI, TOMMASO
2018/2019

Abstract

Brain vascular segmentation plays a fundamental role in several fields such as diagnosis, prognosis and surgical planning of various diseases that require the visualization of particular brain areas (as in the case of epilepsy). This segmentation becomes even more complex in procedures such as stereoelectroencephalography (SEEG), in which the neurosurgeons need an optimal view of the vascular tree in order to avoid side effects such as hemorrhage that can be fatal for the patient. Currently, the brain vessel segmentation is performed by processing angiographic images with semi-automatic techniques that involve several intermediate steps such as including recordings of multimodal imaging modalities, processing and finally manual thresholding. This multi-step procedure is both time-consuming, and it can also be prone to errors in the acquisition process or in the post-processing pipeline. In this work, a brain vasculature segmentation method based on an 3D Adversarial Neural Network architecture is proposed. With respect to other deep learning based methods, this architecture blends the segmentation potential of the Fully Convolutional Neural Networks (FCNNs) with the ability to improve the segmentation performance with the discriminative part of the Generative Adversarial Networks (GAN). In order to validate our approach, different FCNN architectures were investigated such as U-net, Residual U-net, MultiResU-net, and Nested U-net. The results of the comparison among our proposed method, the best FCNN architecture and the current state-of-art method for vessel segmentation (Frangi filter), indicate that the proposed approach achieved better results. In fact, for our method, the Dice Similarity Coefficient (DSC) obtained score is 85.8% with an interquartile range (IQR) of 19.9%; on the other hand; for the to the most promising architectures among the investigated ones, the DSC score obtained is 79.8% with an IQR of 30.1%; for the Frangi filter the DSC score obtained is 60.2% with an IQR of 9.2%. Hence, this dissertation proposes an instrument to attempt at reducing the time required to plan the vascular segmentation (from about 30 minutes to 1 minute), its dependence upon the operator and the types of images needed to generate the segmented image, thus avoiding an excessive dose of X-rays administered to the patient and the corresponding image co-registration errors.
EL HADJI, SARA
CARDINALE, FRANCESCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
29-apr-2020
2018/2019
La segmentazione vascolare del cervello ricopre un ruolo fondamentale in diversi campi medicali come la diagnosi, la prognosi e la pianificazione chirurgica di varie patologie che necessitano la visualizzazione di particolari zone cerebrali (come nel caso dell'epilessia). Questa segmentazione diventa ancora più complessa in procedure come la stereoelettroencefalografia (SEEG), in cui i neurochirurghi necessitano di una visione ottimale dell'intera struttura vascolare al fine di operare nel migliore modo possibile, evitando emorragie che potrebbero essere fatali per il paziente. Attualmente, la segmentazione dei vasi cerebrali viene eseguita mediante il processamento di immagini angiografiche con delle tecniche semi-automatiche che coinvolgono diversi passaggi intermedi, come ad esempio la co-registrazione di differenti modalità di imaging, il processamento ed il thresholding manuale finale. Queste procedure multi-step risultano, però, più dispendiose in termini di tempo ed inoltre possono essere soggette ad errori nel processo di acquisizione dell'immagine o nella fase di post-processamento. Questo lavoro propone un metodo di segmentazione dei vasi cerebrali basato su un'architettura neurale avversaria 3D. Rispetto ad altri metodi di Deep Learning, questa architettura combina il potenziale di segmentazione delle Fully Convolutional Neural Network (FCNN), con la capacità discriminatoria delle Generative Adversarial Network (GAN), raggiungendo superiore accuratezza nella segmentazione. Per convalidare il nostro approccio, sono state studiate diverse architetture FCNN come la U-net, la Residual U-net, la MultiResU-net e la Nested U-net e confrontate con l'innovativo metodo proposto. Il confronto dei risultati tra il nostro metodo proposto, la migliore architettura FCNN ed il metodo di stato dell'arte per la segmentazione delle vasi (Frangi filter), hanno dimostrato che l'approccio proposto ci permette di ottenere risultati migliori. Infatti, il nostro metodo raggiunge un risultato di Dice Similarity Coefficient (DSC) e di intervallo interquartile rispettivamente del 85.8% e del 19.9%; mentre il risultato in termini di DSC ottenuto dalla rete migliore FCNN è del 79.8% con un IQR del del 30.1%; infine con il filtro Frangi otteniamo un risultato di DSC ottenuto del 60.2% con un IQR del 9.2%. Quindi, questa tesi offe uno strumento per ridurre il tempo richiesto per la pianificazione della segmentazione vascolare (da ~ 30 minuti ad 1 minuto), la sua dipendenza dall’operatore ed i tipi di immagini necessarie per generare l’immagine segmentata, evitando così una dose eccessiva di raggi X somministrata al paziente.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
tesi_tommaso_ciceri.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 3.69 MB
Formato Adobe PDF
3.69 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/153772