Studio preliminare sulle tecniche di segmentazione per la quantificazione di lesioni oncologiche in tomografia ad emissione di positroni

Aims of the thesis This thesis concerns lesion segmentation in FDG-PET images for their precise quantification. The aim of the thesis was the comparison of the most known segmentation algorithms which have been adapted and optimized for the application to FDG-PET images. With this purpose the code has been adapted to image features adapting the parameters of the available algorithms. The analysis has addressed two patients with lesions respectively in the breast and in the neck isolated and with a low noise background that permitted us to focus on segmentation parameters and avoid deblurring and denoising pre-processing algorithms. Introduction PET imaging, with radioactive tracer 18F-FDG (a glucose fluorinated analogue), plays a fundamental role in oncology. Glucose is taken up by tissues following cellular metabolic activity; FDG, being recognized as glucose, is taken up in the same way. FDG-PET allows localization of tissue regions with abnormal metabolism respect to the surrounding tissue. Usually cancer lesions display higher glucose, and FDG, uptake, compared to healthy tissue, due to accelerated metabolism for abnormal cellular reproduction. Functional informations obtained by FDG-PET can be fundamental for cancer diagnosis and are also used for staging and therapies monitoring. PET images are usually noisier and with lower spatial resolution than MRI or CT images. Because of these and other factors the lesion volume definition, obtained often by manual delineation, and hence the estimation of the total lesion activity, in clinical practice is subject to great intra- and inter-observer variability. Activity and volume estimation of lesions in PET is an evolving field, lacking of a gold standard, so far. The application of automatic or semi-automatic segmentation algorithms can reduce the variability of experts responses, allowing, in the near future, the selection of a golden standard to be used for new lesion segmentation methods. The first chapters of this thesis show some introductory features of FDG-PET in quantitative oncology and the importance of joining PET images and anatomical data from, as example, CT scanner during diagnosis and localization of tumors. Materials and Methods We used the software toolkit ITK to apply segmentation algorithms on FDG-PET images. ITK offers a range of algorithms for multidimensional segmentation implemented in C++ language, those are initially studied and tested on anatomical images from CT and MRI. Using patients' datasets we have used the algorithms on volumes of interest (VOI) defined around the addressed lesions to avoid that the algorithms, especially those performing global segmentation like statistical and watershed based algorithms, extract volumes with high metabolic activity like cardiac muscle. While in clinical practice the segmentations on PET are typically executed on bidimensional slices, we took advantage of the multidimensional nature of the ITK implementation to segment volumes. Working slice by slice gives different results, for example when connected regions are segmented. The volumetric approach is preferable also because of the use of lesions segmentation in radiotherapy: in fact in radiotherapy treatment the radiation dose is quantified on volume delineation, that is less reliable if made slice by slice instead of in three dimension. We have focused on different algorithm classes, from region based algorithms to clustering, and, between those cited in the literature, we have chosen those providing acceptable results on the considered lesions, in order to provide a wide range of applicable strategies. The analysis concerned the following aims: optimization and adaptation of some segmentation ITK algorithms on tridimensional PET images with single lesion; comparison of the segmentations obtained with these algorithms on the same lesion varying the parameters; qualitative comparison of the optimized segmentations on two different images with single lesion. Results Watershed transformation was the segmentation algorithm that provided the best satisfying and homogeneous results, among the selected algorithm set, with little action on the parameters adaptation. Although this kind of segmentation suffers notoriously from over-segmentation, we had acceptable results on both the datasets using a 50% level of the maximum depth. The Confidence-Connected method, based on confidence intervals, displayed highly variable underestimate or overestimate results; although this algorithm uses several parameters, like the seed, a coefficient that controls the range of the interval, and the number of iterations. The Connected-Threshold method can give good results but requires the minimal intensity of the voxels to be included in the segmentation, so it needs a direct operator control. The clustering method k-means is hardly modulated because its output is determined by the classes number k, with little sensitivity to the initialization. This behavior normally is a strength point of the algorithm; however, it does not permit adaptation when clustering fails; unless, the number of classes is augmented and a subsequent supervised grouping is performed. The Gaussian Mixture Model suffers from the same problems of th k-means. Conclusions The preliminary results of this thesis indicate that the chosen segmentation strategy is critical to the evaluation of lesion volume in FDG-PET and hence to the assessment of lesion total uptake. Watershed transform can provide reasonable results, if properly tuned. Further investigation on various lesion cases with different features and backgrounds are needed in order to establish a satisfying standard in lesion segmentation, which would provide an accepted tool for reproducible and comparable results in different laboratories. Software codes as ITK offer a powerful and flexible mean for the comparison and assessment of different strategies and algorithms.

Obiettivi La tesi affronta il tema della segmentazione di lesioni all’interno di immagini FDG-PET per una accurata quantificazione delle stesse. Scopo della tesi è stato il confronto dei più noti algoritmi di segmentazionie adattati e ottimizzati per l’applicazione a immagini FDG-PET. A tal fine è stato applicato il codice parametrizzato alle caratteristiche delle immagini adattando i parametri degli algoritmi disponibili. L’analisi ha riguardato due pazienti con lesioni rispettivamente alla mammella e al collo isolate e con un background non particolarmente rumoroso che ci ha permesso di concentrarci sui parametri di segmentazione e di evitare algoritmi di pre-processing di deblurring e denoising. Introduzione L'imaging PET, con l'utilizzo del radiotracciante 18F-FDG (analogo fluorurato del glucosio), ha un importante ruolo in campo oncologico. Il glucosio si distribuisce nei tessuti in base all'attività metabolica cellulare; il FDG, venendo riconosciuto come glucosio, si distribuisce allo stesso modo . La FDG-PET permette quindi di localizzare le zone tessutali con un metabolismo anomalo rispetto al resto del tessuto. Le lesioni tumorali in genere hanno una maggiore captazione di glucosio, e così di FDG, rispetto al tessuto in cui sono presenti, a causa del metabolismo accelerato per far fronte ad esempio all'anomala riproduzione cellulare. Le informazioni di carattere funzionale ottenute mediante la FDG-PET possono essere fondamentali nella diagnosi dei tumori e sono usate anche per controllarne la stadiazione e monitorare i risultati delle terapie. Le immagini PET sono tipicamente più rumorose e con minore risoluzione spaziale rispetto a immagini MRI o CT. Per questi ed altri fattori la definizione dei volumi tumorali, ottenuta spesso mediante delineazioni manuali, e quindi la stima dell'attività totale del tumore, nella pratica clinica è soggetta a forti variabilità inter-osservatore e intra-osservatore. La stima dell'attività e del volume della lesione in PET è un campo in evoluzione, tuttora privo di standard di riferimento. L'uso di algoritmi di segmentazione automatici o semi-automatici può diminuire la variabilità dei responsi specialistici, permettendo, nel prossimo futuro, la scelta di un golden standard a cui fare riferimento per nuovi metodi di segmentazione delle lesioni. I primi capitoli di questa tesi espongono alcune caratteristiche introduttive della FDG-PET in oncologia quantitativa e l'importanza di affiancare alle immagini PET anche i dati anatomici provenienti ad esempio da scanner CT durante la diagnosi e la localizzazione dei tumori. Materiali e Metodi Per applicare algoritmi di segmentazione ad immagini FDG-PET abbiamo utilizzato il pacchetto software ITK. Questo offre una serie di algoritmi per la segmentazione a più dimensioni implementati in linguaggio C++, che sono stati inizialmente studiati e testati su immagini anatomiche provenienti da sistemi CT e MRI. Usando dei dataset di pazienti abbiamo applicato tali algoritmi a volumi di interesse (VOI, volume of interest) definiti intorno alla lesione di interesse per evitare che gli algoritmi, specialmente quelli che operano segmentazioni globali come gli algoritmi statistici e gli algoritmi basati su watershed, estraessero volumi ad alta attività metabolica come il muscolo cardiaco. Mentre nella pratica clinica le segmentazioni su PET avvengono tipicamente su slice bidimensionali, abbiamo approfittato della natura multidimensionale dell'implementazione fornita da ITK per segmentare volumi. Operare fetta per fetta o sul volume 3D porta a risultati diversi, ad esempio quando si desidera ottenere regioni connesse. L'approccio volumetrico è da considerarsi preferibile anche in vista dell'utilizzo delle segmentazioni delle lesioni in ambito radioterapico: nelle cure radioterapiche infatti la dose di radiazioni viene calcolata dai volumi delineati, i quali sono meno affidabili se contornati slice per slice invece che in tre dimensioni. Ci siamo concentrati su differenti classi di algoritmi, dai region based agli algoritmi di clustering, e, tra quelli citati in letteratura, ne abbiamo scelti alcuni che hanno dato risultati accettabili sulle lesioni prese in esame, in modo da avere un insieme di strategie differenti a disposizione. L'analisi ha considerato i seguenti obiettivi: ottimizzazione e adattamento di alcuni algoritmi di segmentazione di ITK a immagini PET tridimensionali con singola lesione; confronto delle segmentazioni ottenute mediante tali algoritmi su una stessa lesione al variare dei parametri; confronto qualitativo delle segmentazioni ottimizzate su due differenti immagini con lesione singola. Risultati Tra gli algoritmi scelti l'algoritmo che ha dato risultati soddisfacenti e omogenei con un intervento minimo sull'adattamento dei parametri è stata la segmentazione con trasformata Watershed. Sebbene tale tipo di segmentazione soffra notoriamente di sovrasegmentazione, usando un livello del 50% del massimo della profondità si è avuto un risultato accettabile su entrambi i dataset. Il metodo Confidence-Connected, che usa intervalli di confidenza, sebbene abbia differenti tipi di parametri, come il punto iniziale, un coefficiente che modula la larghezza dell'intervallo, e il numero di iterazioni, su questo tipo di dati ha presentato risultati fortemente variabili di sottostima o sovrastima. Il metodo Connected-Threshold può dare buoni risultati ma richiede in input la minima intensità dei voxel da includere nella segmentazione, quindi necessita di un controllo dell'operatore alquanto diretto. Il metodo di clustering k-means è poco modulabile in quanto il risultato è legato al numero di classi k prescelto con minima sensitività rispetto alla inizializzazione; questa caratteristica costituisce normalmente un punto di forza, ma non consente un adattamento là dove la clusterizzazione fallisce, a meno di non aumentare il numero di classi, con un successivo raggruppamento supervisionato. Il metodo Gaussian Mixture Model soffre degli stessi problemi del k-means. Conclusioni I risultati preliminari di questa tesi indicano che la scelta di una strategia di segmentazione è critica per la valutazione del volume lesionale in FDG-PET e quindi nella stima della captazione totale della lesione. La trasformata watershed è in grado di fornire risultati accettabili se propriamente tarata. Ulteriori ricerche sono necessarie su lesioni differenti con differenti caratteristiche e su vari background, al fine di stabilire uno standard soddisfacente nella segmentazione di lesioni, che fornisca uno strumento accettato per risultati riproducibil e comparabili fra differenti laboratori. Codici software come ITK offrono uno strumento potente e flessibile per il confronto e la valutazione di varie strategie e algoritmi.