radioterapia - Prof. Vito Bevilacqua

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:
1. Dosimetria di base (taratura dell’acceleratore);
2. Acquisizione di immagini TC per la localizzazione del tumore, del
volume bersaglio, degli organi critici, delle strutture anatomiche.
3. Elaborazione del piano di trattamento e calcolo della dose;
4. Simulazione del trattamento;
5. 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.
2 f 2 f
2
 f  2  2
x
y
 Una sua approssimazione è data da:
2 f   f ( x  1, y)  f ( x  1, y)  f ( x, y  1)  f ( x, y  1)  4 f ( x, y)
 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
0 if D(u, v)  D0
H (u, v)  
1 if D(u, v)  D0
 Filtraggio passa – alto Butterworth
H (u , v) 
1
1  [ D0 / D(u , v)]2 n
 Filtraggio passa – alto gaussiano
H(u,v) 1 eD
2
(u,v)/ 2 2
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:
 g 0 se I ( x, y )  T
I ( x, y )  
b
 g1 se I ( x, y )  T
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
 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:
1.
2.
3.
4.
5.
6.
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:
1.
2.
3.
4.
5.
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.
z
x
y
 La rete neurale viene ad assumere la funzione di interpolatore non lineare nel
dominio spaziale dell’immagine.
Architettura della rete neurale
La rete è strutturata nel seguente modo:
 2 ingressi (x,y)
 2 strati nascosti (5,12)
 1 uscita (z)
x
…
z
…
y
 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.
Fase di apprendimento
 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
 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.