RT Dissertation/Thesis
T1 Contributions to the quantitative analysis of dynamic PET studies using clustering approaches
A1 Mateos-Pérez, José M.
AB Dynamic positron emission tomography (PET) is a widespread medical imaging technique thatallows the quantification of different physiological parameters within the body and yields moreinformation that the one provided by a single, static image. Quantification of these studiesinvolves obtaining the input function, that is, the amount of tracer present in arterial blood atany given point in time, and the tissue time-activity curve (TAC) for the tissue or organ understudy. The subjacent biological processes are modelled as the tracer exchange rates between thearterial activity source and a compartmental model; this mathematical approach allows toquantify different biological aspects (metabolic rates, blood flow, specific receptor binding) in anon-invasive way.Typically, arterial and tissue TACs are extracted from the image data by drawing a ROI overthe areas of interest, either over the PET image or over some anatomical imaging modality, suchas CT, and in some cases acquire some blood samples to correct the input function formetabolites, partial volume effects or other different sources of distortion that may bias the finalresult. While this ROI delineation is done normally by an experienced operator, this process isvery slow and, more importantly, subjective and non-replicable. Furthermore, ROI delineationover registered anatomical images may group together regions that look identical in the CTimage but have different underlying kinetics.These reasons have motivated the development of automatic segmentation or TAC extractionalgorithms, of which there are several examples in the medical imaging literature. Most of theproposed methods involve the use of unsupervised machine learning algorithms or the directapplication of dimensionality reduction techniques, such as PCA or SVD. This thesis studies the feasibility of supervised algorithms to extract the activity curves of dynamic studies basedsolely on the knowledge acquired about the kinetics of similar ones. Our experiments on threeswine studies showed that the segmentation was successful and the obtained TACs allowed thecomputation of the kinetic analysis and obtained smaller errors in the kinetic parametersobtained from the mathematical model than the manual segmentations. Said supervisedalgorithms are not common in the literature but we have shown that they can be a viable optionfor very specific subset of cases.One of the problems of the published automatic segmentation algorithms is the general lack ofpublished source codes or even binary distributions. As has been studied in the literature, thispresents a problem by itself, as it forces other researchers to re-implement said algorithms. Thiswork presents the development of an open framework for dynamic imaging clustering thatincludes the most commonly used algorithms and that can be easily extended by third partiesthrough the use of its public API. The code for said framework has been published with a freesoftware license to allow it to be modified by external researchers and adapt it to their needs. It has been developed as an ImageJ plugin to take advantage to all the imaging analysisfunctionalities already presented in said platform.Using this framework, we also present an improvement of the classical leader-followeralgorithm. This unsupervised algorithm groups image voxels with similar TACs according to athreshold set by the user and creates as many clusters as necessary to form homogeneousregions. Due to the nature of the partial volume distortions that need to be removed from thefinal TACs as much as possible, the proposed method implements a two-step leader-followermodification. In this case, the image voxels are clustered according to both a similarity metricand a distance metric; particularly, the cosine similarity and the Euclidean distance were chosenfor our tests. This algorithm successfully segmented all of the evaluated 24 mice imagingstudies, yielding quantitative parameters after the kinetic modelling that were not significantlydifferent from those obtained via manual delineation and maintained the differences betweenthe three tracers used in this experiment. --------------------------------------------------------
AB La tomografía por emisión de positrones (PET) es una técnica de imagen médica ampliamenteutilizada que permite la cuantificación de diferentes parámetros fisiológicos dentro del cuerpo yarroja más información que la que puede obtenerse mediante una única imagen estática. Lacuantificación de estos estudios necesita la obtención de la función de entrada, esto es, lacantidad de trazador presente en sangre arterial a lo largo del tiempo, y la curva de actividad(TAC) del tejido u órgano bajo estudio. Los procesos biológicos subyacentes se modelan comolas velocidades de intercambio de trazador entre la fuente de actividad arterial y un modelocompartimental; esta aproximación matemática permite cuantificar diferentes aspectosbiológicos (metabolismo, flujo sanguíneo, fijación a receptores específicos) de una forma noinvasiva.Típicamente, la función de entrada y la TAC de los tejidos se extraen directamente de la imagenmediante el trazado de una región de interés (ROI), bien sobre la imagen PET directamente osobre alguna modalidad de imagen que presente información anatómica, como el CT, y enalgunos casos requiere la obtención de muestras de sangre para corregir en la función de entradael efecto de metabolitos, efectos de volumen parcial u otras fuentes de distorsión que puedensesgar el resultado final. Aunque este proceso de delineación lo realiza habitualmente unoperador experimentado, este proceso es lento, subjetivo y no replicable. Además, ladelineación de ROIs sobre imágenes anatómicas registradas puede agrupar regiones queaparecen idénticas en la imagen de CT pero tienen diferentes comportamientos cinéticos.Estas razones han motivado el desarrollo de algoritmos de segmentación automática oextracción de TAC, de los cuales hay múltiples ejemplos en la literatura de imagen médica. Lamayoría de los métodos propuestos son implementaciones de algoritmos de unsupervisedmachine learning, o aprendizaje máquina no supervisado, o la aplicación directa de técnicas de reducción de dimensionalidad, como análisis de componentes principales (PCA) odescomposición en valores singulares (SVD). Esta tesis doctoral estudia la posibilidad deemplear algoritmos supervisados para extraer las curvas de actividad de estudios dinámicosbasándose únicamente en el conocimiento adquirido en la cinética de estudios similares. Laexperimentación con tres estudios porcinos mostró que la obtención de las TACs fue exitosa, yestos datos permitieron el cálculo de los parámetros cinéticos, obteniendo errores en el ajustematemático menores que los obtenidos mediante una segmentación manual. Este tipo dealgoritmos supervisados no son comunes en la literature pero hemos demostrado que pueden seruna opción viable para un subconjunto de casos específico.Uno de los problemas de los algoritmos de segmentación automática publicados en la literaturaes la carencia general de código fuente o incluso distribuciones binarias. Como ya se haestudiado en la literature, esto presenta un problema, al forzar a investigadores de otrasinstituciones a reimplementar dichos algoritmos. Este trabajo presenta un marco de desarrollo para algoritmos de clustering aplicados a imagen médica dinámica que incluye los algoritmosmás comúnmente utilizados y que puede ser extendido fácilmente mediante terceros a través deluso de su interfaz de programación (API) pública. El código para dicho marco de desarrollo hasido publicado con una licencia libre para permitir su modificación por investigadores externosy su adaptación a sus necesidades. Se ha programado como un plugin de la plataforma deanálisis de imagen ImageJ para aprovechar todas las ventajas y funcionalidades de análisis yapresentes en dicha plataforma.Empleando este marco de desarrollo, finalmente presentamos una mejora sobre un algoritmoclásico leader-follower. Este algoritmo no supervisado agrupa vóxeles de la imagen con TACssimilares de acuerdo a un umbral establecido por el usuario, y crea tantos clusters, o grupos,necesaarios para formar regiones homogéneas. Debido a los efectos de volumen parcial, quedeben ser eliminados de las TACs finales lo máximo posible, el método propuesto implementauna modificación del leader-follower en dos pasos. En este caso, los vóxeles de la imagen seagrupan de acuerdo a una métrica de similitud (coseno) y una métrica de distancia (Euclídea).El algoritmo segmentó con éxito 24 imágenes dinámicas de ratón, ofreciendo parámetroscuantitativos tras el modelado cinético que no fueron diferentes de forma significativa de losobtenidos a través de la delineación manual y manteniendo las diferencias observadas entre lostres trazadores empleados en este experimento.
YR 2014
FD 2014-05
LK https://hdl.handle.net/10016/19727
UL https://hdl.handle.net/10016/19727
LA eng
NO Mención Internacional en el título de doctor
DS e-Archivo
RD 1 sept. 2024