On how to optimize medical image analysis : the Chimera Approach

Digital image analysis and, in particular, medical image analysis has become the focus of a considerable number of research studies both in industry and academia. Moreover, the constant improvement in the acquisition machinery and digitalization process generates a massive amount of data that should be analyzed daily to extract relevant information for the diagnostic process. Indeed, data observation and analysis time are the de facto bottleneck of the clinical practice. Unfortunately, pure human analysis is unfeasible in a reasonable time, given the large amount of healthcare data. Therefore, the introduction of automated workflow for the analysis of such data is becoming of great interest to speed up diagnosis and reduce the workload of physicians. Additionally, given the applicative scenario delivering accurate, fast, and efficient solutions is becoming central. In this scenario, two orthogonal paths can be considered and are followed by this dissertation: one pushes toward new algorithmic solutions, and the other revolves around identifying the most suitable hardware substrate for a given task. In the first path falls the introduction of Deep Learning models to perform the most repetitive task, such as segmenting images; the second path, on the other hand, explores the introduction of hardware accelerators, like Graphics Processing Units and Field Programmable Gate Arrays, to improve the processing. In this context, this dissertation presents Chimera, an approach for optimizing medical image analysis procedures dealing with the pre-processing and processing such images. More specifically, it focuses on two widely employed pre-processing steps: image registration and segmentation. At the same time, the processing part focuses on radiomics, which is central to the creation of in-vivo and non-invasive pipelines for cancer detection and characterization. Starting from the Chimera approach's description and focusing on the benefits that it introduces, this thesis dives into the description of the three proposed solutions. First, it proposes an open-source Hardware/Software toolchain to deploy accurate, fast, and efficient image registration pipelines transparently employing hardware accelerators. Then, proceeding in the pre-processing path, the dissertation proposed an open-source framework for accelerating the inference stage of different segmentation Convolutional Neural Networks. Finally, Chimera proposes a methodology and tool for identifying, segmenting and characterizing cancer in a non-invasive fashion, exploiting the radiomic approach.The dissertation then concludes by describing the benefits of optimizing specific compute-intensive and widely employed medical image analysis procedures and examines possible research directions to push medical imaging optimization further.

L'analisi di immagini e, in particolare, l'analisi di immagini mediche è diventata il fulcro di un numero considerevole di studi di ricerca sia in campo industriale che nel mondo accademico. Inoltre, il costante miglioramento dei macchinari di acquisizione e del processo di digitalizzazione permette la generazione di un'enorme quantità di dati che devono essere analizzati quotidianamente per estrarre informazioni rilevanti al processo diagnostico. L'osservazione dei dati e il tempo necessario alla loro analisi sono il principale collo di bottiglia della pratica clinica. Sfortunatamente, la pura analisi manuale di questi dati non è realizzabile in un tempo ragionevole, vista la grande quantità di immagini generate. Pertanto, l'introduzione di soluzioni automatiche per l'analisi di tali dati è diventata di grande interesse sia per accelerare la diagnosi che per ridurre il carico di lavoro dei medici. Inoltre, dato il campo applicativo, la creazione di soluzioni accurate, rapide ed efficienti sta diventando centrale. In questo contesto infatti si possono identificare due percorsi ortogonali tra loro che vengono seguiti anche da questa dissertazione: uno spinge verso l’introduzione di nuove soluzioni algoritmiche e l'altro si focalizza sull'identificazione del substrato hardware più adatto per una determinata procedura. Nel primo caso rientra l'introduzione di modelli di Deep Learning atti a svolgere i compiti più ripetitivi, come la segmentazione delle immagini; il secondo percorso, invece, esplora l'introduzione di acceleratori hardware, come Graphics Processing Unit e Field Programmable Gate Array, per migliorare l’elaborazione delle immagini. In questo contesto, questa dissertazione presenta Chimera, un approccio che si concentra sull’ottimizzare le procedure di analisi di immagini mediche e, nel dettaglio, delle procedure di pre-processing e processing di tali immagini. Andando più nel dettaglio, questa tesi si concentra su due fasi di pre-processing ampiamente utilizzate: la registrazione e la segmentazione. Allo stesso tempo, la parte di processing si concentra sulla radiomica, che è fondamentale per la creazione di strumenti non invasivi per l’identificazione e la caratterizzazione del tumore. Partendo dalla descrizione di Chimera e concentrandosi sui benefici che esso introduce, questa tesi procede focalizzandosi sulla descrizione delle tre soluzioni proposte. Chimera propone una toolchain Hardware/Software open-source per la generazione di soluzioni di registrazione di immagini accurate, veloci ed efficienti utilizzando in modo trasparente acceleratori hardware. Quindi, procedendo nell’ambito del pre-processing, questa tesi propone un framework open-source per accelerare la fase di inferenza di diverse Reti Neurali Convoluzionali di segmentazione. Infine, Chimera propone una metodologia e uno strumento per identificare, segmentare e caratterizzare il cancro in modo non invasivo, sfruttando l'approccio radiomico. La tesi si conclude quindi descrivendo i vantaggi dell'ottimizzazione di specifiche procedure di analisi di immagini mediche computazionalmente intensive e ampiamente utilizzate. Inoltre esamina le possibili direzioni di ricerca per migliorare ulteriormente l'ottimizzazione nel campo dell’analisi di immagini mediche.