Classification of cystic fibrosis lung disease patterns based on CT texture analysis and machine learning

Lung computed tomography (CT), with established scoring systems, is considered the reference imaging technique in CF lung disease to detect early structural alterations, with the advantage over pulmonary function tests (PFTs) to provide information on the regional distribution of the disease. Nevertheless, scoring systems are semi-quantitative and are not routinely applied in most clinics because they are time-consuming, subjective and require training. The aim of this work is to develop an automated algorithm to detect and quantify structural abnormalities in CT scans in patients affected by cystic fibrosis lung disease. The target is to distinguish various radiological patterns typical of this pathology: bronchiectasis, airway wall-thickening and mucus plugging. To this aim, pathological and healthy patterns were characterized through texture analysis, and a classifier was trained and tested on a dataset of manually delineated ROIs. The dataset was composed of 472 ROIs divided in 4 classes as follows: 79 airway wall­ thickening, 142 bronchiectasis, 86 mucous plugging, 165 healthy regions. Each ROI has been described with both standard features, i.e. first and second order statistics, and features related to the airways morphology and positioning, by implementing a supporting UNET for airways segmentation. Both a Bayesian and a Support Vector Machine (SVM) classifier have been implemented for comparison and different settings (ROIs size, features, hyper-parameters) have been tested to maximize algorithm performance. Each pattern was quantified in the whole lung in a group of patients with CF lung disease by sliding a window of 16x16 pixels and classifying the central 8x8 pixels and the results of this quantitative analysis were correlated with PFTs. The best performance was obtained for the SVM classifier (f1 score= 87.06 $pm$ 2.54% on the test-set). The results over the whole lung showed a significant correlation between the output of the model (BR%, AWT%, MP%) and the radiological scores. Moreover, significant correlations were found with PFTs.

La tomografia assiale computerizzata (TAC) toracica, con protocolli di valutazione definiti, è considerata la tecnica di imaging di riferimento per l'individuazione di anomalie strutturali precoci in fibrosi cistica polmonare, con il vantaggio rispetto ai test di funzionalità polmonare di fornire informazioni riguardo alla distribuzione spaziale della patologia. Tuttavia, i protocolli di valutazione sono semi-quantitativi e non sono effettuati regolarmente nella maggior parte delle cliniche poiché richiedono tempo, allenamento e sono soggettivi. Lo scopo di questa tesi è d'implementare un algoritmo completamente automatizzato per identificare e quantificare anomalie strutturali in TAC di pazienti affetti da fibrosi cistica polmonare. L'obiettivo è quello di distinguere vari pattern radiologici tipici di questa patologia: bronchiectasia, inspessimento delle pareti delle vie aeree e presenza di muco. A questo scopo, pattern patologici e fisiologici sono stati caratterizzati tramite analisi di texture, e un classificatore è stato alleato e testato su un dataset di regioni di interesse (ROIs) manualmente delineate. Il dataset è composto da 472 ROIs divise in 4 classi come segue: 79 regioni con inspessimenti delle pareti delle vie aeree, 142 con bronchiectasie, 86 con presenza di muco e 165 sane. Ogni ROI è stata descritta con caratteristiche comuni, i.e. statistiche del primo e secondo ordine, e caratteristiche relative alla posizione e morfologia delle vie aeree, con il supporto di una UNET per la loro segmentazione. Un modello Bayesiano e uno basato su SVM sono stati implementati per un confronto, e differenti configurazioni (dimensione delle ROIs, caratteristiche e iperparametri) sono state testate per massimizzare la performance dell'algoritmo. Ogni pattern è stato quantificato all'interno dell'intero polmone in un gruppo di pazienti affetti da fibrosi cistica polmonare facendo scorrere una finestra di 16x16 pixels e classificando la regione di 8x8 pixels al suo centro. I risultati dell'analisi quantitativa sono stati correlati con i test di funzionalità polmonare. La miglior performance è stata ottenuta dal classificatore basato su SVM (f1 score= 87.06 $pm$ 2.54% sul test-set). I risultati dell'analisi sull'intero volume polmonare hanno mostrato correlazioni significative fra l'output del modello (BR%, AWT%, MP%) e i punteggi radiologici. Inoltre, sono state individuate correlazioni significative anche con i test di funzionalità respiratoria.