Rimozione di artefatti in immagini TC per la radioterapia Politecnico di Bari Facoltà di Ingegneria Corso di Laurea Specialistica in Ingegneria Informatica Dipartimento di Elettrotecnica ed Elettronica Tesi di Laurea in Informatica Medica Rimozione di artefatti in immagini TC per la radioterapia
Sommario Obiettivo La Radioterapia Tomografia Computerizzata Tecniche di elaborazione delle immagini Reti neurali artificiali Tecniche di rimozione degli artefatti Analisi dei risultati Conclusioni e sviluppi futuri
Obiettivo L’obiettivo è individuare e rimuovere all’interno di immagini mediche artefatti derivanti dalla presenza di elementi metallici. Sono stati considerati 2 casi di studio: Immagini TC di pazienti con protesi. Immagini TC per la radioterapia del tumore della mammella. Sono stati infine valutati i risultati nella pianificazione dei trattamenti radioterapici.
La Radioterapia La radioterapia è una terapia consistente nell'utilizzo di radiazioni ionizzanti per scopi medici, in particolare nel trattamento di tumori o il controllo di cellule maligne, che potrebbero svilupparsi in tumori. Il trattamento prevede di solito l’irradiazione esterna, per mezzo di una macchina che si chiama acceleratore lineare. Scopo della radioterapia è erogare una dose nota di radiazione a un ben definito volume, danneggiando il meno possibile i tessuti sani circostanti.
Fasi della radioterapia Nei trattamenti radioterapici la somministrazione della dose al volume bersaglio (tumore) è il risultato di un processo articolato in diverse fasi successive: Dosimetria di base (taratura dell’acceleratore); Acquisizione di immagini TC per la localizzazione del tumore, del volume bersaglio, degli organi critici, delle strutture anatomiche. Elaborazione del piano di trattamento e calcolo della dose; Simulazione del trattamento; Posizionamento del paziente sul lettino e successivo trattamento;
Radioterapia del tumore della mammella Lo scopo principale della radioterapia sulla mammella è quello della sterilizzazione di microscopici focolai tumorali eventualmente presenti nella ghiandola mammaria. Nella fase di set-up del paziente vengono applicati degli elementi metallici (reperi). Le immagini ottenute dalla scansione TC vengono inviate alla console del TPS (PLATO) per la definizione dei volumi bersaglio e delle dosi.
Tomografia Computerizzata (TC) La TC è una metodica di diagnostica che permette di ottenere immagini di sezioni (slice) dell'oggetto in esame. La generazione delle immagini si sviluppa nelle seguenti fasi: Acquisizione dei dati Proiezioni Algoritmo di ricostruzione Visualizzazione delle immagini
DICOM Digital Imaging and Communication in Medicine DICOM è lo standard vigente per le immagini e i dati medici, definendone architetture, operazioni e formati di storing. DICOM realizza un esplicito e dettagliato modello di descrizione di una serie di "oggetti" (paziente, immagine,..) che formano il dato radiologico, e di come essi sono tra loro collegati. In un file dicom coesistono vari elementi: immagini anche multiframe, livelli di overlay alle immagini, dati relativi al paziente o comunque di interesse medico, informazioni tecniche per la corretta gestione del file.
File DICOM L’header di un file dicom è una sequenza di elementi, costituiti da: attributo (tag), tipo (VR), lunghezza, e valore (Value field) Esistono centinaia di tag, annualmente aggiornati, i tipi sono circa trenta, ed è possibile inoltre innestare elementi tra loro.
Un tipico File DICOM
Elaborazione delle immagini Mira all’interpretazione ed alla classificazione del contenuto delle immagini. La pre-elaborazione consiste di un insieme di tecniche volte all’esaltazione di caratteristiche per l’estrazione di informazioni (Segmentazione). E’ possibile individuare 3 classi: Trasformazione (DFT-2D) Miglioramento (Image Enhancement) Histogram Processing Filtraggio spaziale e frequanziale Operatori morfologici Ricostruzione (Image Restoration)
Filtraggio delle immagini Il filtraggio delle immagini è utile per molte applicazioni, come eliminazione del rumore, smoothing, sharpening ed estrazione dei contorni (edge detection). I filtri utilizzati sono: Filtraggio laplaciano (dominio spaziale) Filtraggio passa – alto (dominio delle frequenze) Il processo utilizzato per applicare un filtro ad un’immagine è conosciuto come convoluzione, che può essere applicato sia nel dominio dello spazio che delle frequenze.
Filtraggio delle immagini Filtraggio Laplaciano Il filtraggio derivativo, in particolare il filtraggio Laplaciano, calcola la derivata seconda dell’immagine, il cui segno dice se il pixel appartiene al versante chiaro o a quello scuro del contorno. Una sua approssimazione è data da: La maschere che permettono l’implementazione del filtro sono:
Filtraggio delle immagini Filtraggio passa - alto Vi sono diverse tipologie di filtraggio passa – alto che si differenziano per il particolare filtro utilizzato : Filtraggio passa – alto ideale Filtraggio passa – alto Butterworth Filtraggio passa – alto gaussiano
Segmentazione Con l’operazione di segmentazione dell’immagine si individuano le parti di interesse (ROI). La tecnica di segmentazione utilizzata in questo lavoro è il Thresholding. Il risultato della segmentazione di un’immagine I(x,y) è un’immagine binaria Ib(x, y) tale che sia soddisfatta la condizione:
Reti neurali artificiali Le Reti Neurali nascono dall’idea di poter riprodurre alcune delle funzioni e capacità del cervello umano. Reti biologiche vs Reti artificiali
Proprietà Capacità di apprendere da esempi Capacità di generalizzare (risposte simili in corrispondenza di esempi simili a quelli su cui sono state addestrate) Capacità di astrarre (risposte corrette in corrispondenza di esempi diversi da quelli su cui sono state addestrate) Insensibilità al rumore (capacità di generalizzare anche in presenza di dati alterati o incerti)
Reti Feed-Forward Le reti feed-forward multistrato sono così chiamate perché il flusso di informazioni tra i neuroni procede in modo unidirezionale. I neuroni sono organizzati in sottoinsiemi, detti strati (layer). Nelle reti multistrato (MLP) abbiamo tre tipologie di strati: Strato d’ingresso Strati intermedi (hidden layers) Strato d’uscita
Apprendimento supervisionato L’algoritmo di apprendimento è di tipo iterativo e prende il nome di Error Backpropation (EBP). Si possono distinguere le seguenti fasi: Inizializzazione casuale dei pesi Repeat 1. Presentazione in ingresso del campione di training set e calcolo dell’output 2. Calcolo dei pesi dei neuroni d’uscita in base al gradiente 3. Calcolo dei pesi dei neuroni degli strati intermedi Until (Goal o massimo numero di epoche raggiunto)
Caso di studio Il lavoro è finalizzato ad utilizzare le tecniche precedentemente descritte per la rimozione di artefatti in immagini mediche. Un artefatto è, in generale, una qualsiasi distorsione o errore presente all’interno di un’immagine che non è correlata con il soggetto in esame. Nelle immagini mediche abbiamo diverse tipologie di artefatti, tra cui quelli derivanti dalla presenza di oggetti metallici. Protesi Reperi
Problemi correlati Caso 1: Protesi Caso 2: Reperi le zone d’ombra possono nascondere eventuali patologie; le striature rendono difficile la diagnosi clinica da parte del medico. Caso 2: Reperi Formazione di hot spot di dose all’ingresso dei campi e di zone sottodosate più in profondità; Errori nella determinazione delle curve di isodose e del dosaggio da somministrare al paziente.
Rimozione degli artefatti Possiamo distinguere due categorie di algoritmi: Basati sull’elaborazione dei sinogrammi (Trasformata di Radon) Artefatti prodotti da protesi Basati sull’elaborazione diretta dell’immagine (Image Reconstruction) Artefatti prodotti da reperi Gli algoritmi che descriveremo sono stati implementati in Matlab 7.4.
Elaborazione dei sinogrammi L’algoritmo implementato per l’elaborazione dei sinogrammi prevede i seguenti passi: Segmentazione della protesi (Thresholding) Calcolo della trasformata di Radon dell’immagine di partenza Individuazione dei canali di proiezione della protesi all’interno del sinogramma e rimozione di questi Interpolazione di ciascuna proiezione Calcolo della trasformata inversa di Radon del sinogramma ottenuto Aggiunta dei pixel della protesi precedentemente segmentata
Elaborazione dei sinogrammi Risultati L’algoritmo è stato testato su un dataset di 264 immagini. Notiamo diversi cambiamenti: Rimozione delle zona d’ombra vicino la protesi Rimozione delle striature Aumento della luminosità dell’immagine Smoothing dell’immagine dovuto alla trasformazione Incremento della qualità dell’immagine
Rimozione dei reperi Il problema principale in campo radioterapico è la presenza dei reperi, che risultano necessari alla definizione del volume target. Possibili soluzioni: Acquisizione di immagini con e senza reperi, ma non sempre possibile perché causerebbe danni al paziente. Elaborazione delle immagini al fine di ricostruire la parte interessata: Algoritmi di filtraggio spaziale puntuali (filtri di media). Ricostruzione mediante Reti Neurali Supervisionate.
Algoritmo di ricostruzione Segmentazione dei reperi Rimozione della regione segmentata Selezione dei pixel circostanti l’area da ricostruire (Training set) Addestramento della rete neurale e validazione Ricostruzione dei pixel rimossi (Simulazione della rete neurale)
Differenze rispetto ai lavori precedenti I lavori precedenti si basavano su una rimozione dei reperi mediante approccio neurale utilizzando informazioni derivati da immagini acquisite senza reperi. Queste immagini non sono quasi mai disponibili per i problemi prima esposti. L’algoritmo proposto in questo lavoro cerca di ricostruire la zona interessata con la consapevolezza di non avere a disposizione queste immagini. La ricostruzione avviene mediante analisi attraverso reti neurali della zona circostante il repere.
Segmentazione dei reperi L’algoritmo di ricostruzione prevede una fase di segmentazione automatizzata. Essa si suddivide nei seguenti passi: Calcolo del Laplaciano. Filtraggio passa - alto (Gaussiano). Somma dei due filtraggi con l’immagine di partenza (Sharpening). Thresholding iterativo dell’immagine normalizzata. Operazioni morfologiche per una definizione migliore della regione.
La rete neurale Se visualizziamo l’immagine in 3D, essa può essere vista come una funzione tridimensionale z = f(x,y), in cui ciascun punto (x,y,z) rappresenta un pixel. La rete neurale viene ad assumere la funzione di interpolatore non lineare nel dominio spaziale dell’immagine. z x y
Architettura della rete neurale La rete è strutturata nel seguente modo: 2 ingressi (x,y) 2 strati nascosti (5,12) 1 uscita (z) Il training set è rappresentato dai pixel che circondano il repere segmentato. Il validation set è costituito da alcuni pixel all’interno dell’area segmentata precedentemente, selezionati mediante thresholding. x z … y …
Fase di apprendimento x z … y … Nella fase di apprendimento vengono presentati in ingresso alla rete i pixel del training set. Questa fase si conclude quando si verifica una delle seguenti condizioni: viene raggiunto il goal, cioè un errore quadratico medio inferiore a 1x10-4, valore fissato sperimentalmente; viene raggiunta una variazione di errore in una finestra temporale di 500 epoche inferiore a 1x10-6. Dopo l’apprendimento la rete neurale sarà in grado di assegnare i valori CT rimossi, in base all’andamento nel vicinato considerato. x z … y …
Risultati Abbiamo considerato 6 serie di immagini di casi di radioterapia della mammella. Notiamo i seguenti cambiamenti: Il repere scompare del tutto La zona ricostruita presenta continuità con la regione circostante Ci sono striature presenti al di sopra del repere, regione che non viene considerata nella pianificazione dei trattamenti.
Risultati sui piani di trattamento
Risultati sui piani di trattamento Istogramma dose-volume (DVH) differenziale In presenza di reperi Con reperi rimossi
Analisi dei risultati I risultati ottenuti ci mostrano come la rimozione dei reperi porti grandi benefici alla definizione del trattamento: Mette in evidenza gli errori commessi dal software PLATO nel calcolo delle isodosi; Riduce il valore massimo di dose somministrata; Incrementa il valor minimo di dose; Garantisce omogeneità nella distribuzione delle isodosi.
Conclusioni Sviluppi futuri La rimozione degli artefatti risulta essere il problema più importante nel campo della radiologia, per i numerosi benefici che comporta. Le reti neurali hanno rappresentato ancora una volta un valido strumento intelligente per l’image processing in applicazioni cliniche. Sviluppi futuri Sviluppo di ulteriori algoritmi per l’elaborazione delle immagini nel dominio delle proiezioni (sinogrammi), facendo possibilmente uso dei dati grezzi. Progettazione di software che possibilmente integri l’algoritmo implementato nel TPS.