Jiahang Su

In de afgelopen jaren heeft de bloei van op leren gebaseerde methoden een wedergeboorte teweeggebracht in de medische beeldanalyse. Klassieke methoden werden snel vervangen door allerlei op leren gebaseerde methoden. Dit proefschrift heeft methoden voor het bepalen van biomarkers in ischemische beroerten onderzocht. Zulke biomarkers kunnen bijv. gebruikt worden voor besluitvorming rond de behandeling. De eerste hoofdstukken van dit proefschrift gaan over het bepalen van een score voor collateralen; zowel het model ontwerp, het onderzoeken van de performance, en de klinische toepassing. In de laatste hoofdstukken van het proefschrift introduceren en evalueren we een generieke methode om de binaire segmentatie resultaten voor het segmenteren van buisvormige structuren, en een methode die de anterieure vaatbomen bepaalt in CTA beelden.

In Hoofdstuk 2 hebben we een model om de score voor collateralen te bepalen, ontworpen. Het model volgt de menselijke manier van scoren. De voorgestelde methode bestaat uit drie stappen. Eerst wordt via een atlas registratie het brein bepaald. Vervolgens wordt een 3D U-Net voor vaatsegmentatie toegepast. En tenslotte wordt de score bepaald door de mediaan van de ratio’s van vaatkenmerken van de geoccludeerde kant en de contra-laterale kant. Deze scores zijn reële getallen, en conversie naar een categorische schaal werd gedaan via regressie of een ‘random forest’ model. De nauwkeurigheid van de scores is geëvalueerd in de beelden van 270 patiënten, die op een willekeurige manier gekozen zijn uit een grote, multi-centrische verzameling van beelden (MR Clean Registry). De referentie scores waren bepaald door drie ervaren radiologen, en de automatische methode heeft resultaten die vergelijkbaar zijn met de menselijke scores. Voor het trainen van het vaatsegmentatie model was ook een handmatige annotatie van de vaten gemaakt.

In Hoofdstuk 3 hebben we een end-to-end model voor het bepalen van een collaterale score ontwikkeld. De methode beschouwt het bepalen van een collaterale score als een classificatie probleem; een Siamees model wordt gebruikt om kenmerken uit het beeld te halen, en de kant met de occlusie te vergelijken met de andere kant. Om de vergelijking makkelijk te maken, werd een atlas gebruikt om de linker en rechter hersenhelft te bepalen. De methode bepaalt hiermee een score met vier mogelijke waarden. De methode is geëvalueerd met beelden van MR Clean studie. De nauwkeurigheid van deze methode is vergelijkbaar met de methode uit hoofdstuk 2.

In Hoofdstuk 4 vergelijken we de resultaten van de methode uit hoofdstuk 2 met de scores die 29 radiologen en radiologen in opleiding hebben bepaald. Er was geen statistisch significant verschil in nauwkeurigheid tussen de scores van de radiologen en radiologen in opleiding enerzijds, en de automatische methode anderzijds.

In Hoofdstuk 5 onderzoeken we het beste tijdstip (na contrast toediening) voor het maken van een CTA afbeelding. We gebruiken hiervoor de methode uit hoofdstuk 2 en bepalen voor alle tijdstippen van een CTP beeld en van een mCTA beeld een collaterale score. Met behulp van deze scores worden de CTP en mCTA beelden langs de tijdsas naast elkaar gezet. De studie laat zien dat de collateralen score erg afhankelijk is van het moment waarop het beeld gemaakt wordt, dat dat moment voor mCTA beelden nauwkeurig gekozen kan worden, en dat, als we de collateralen score vergelijken met andere parameters van de patiënt voor een interventie, een CTP beeld geen toegevoegde waarde heeft: een CTA beeld genomen op het juiste moment is voldoende.

In Hoofdstuk 6 wordt een generieke methode om het resultaat van segmentatie van buisvormige structuren (zoals luchtwegen in de longen, en vaten in het brein) te verbeteren geïntroduceerd. Om de methode te leren een eerste segmentatie te verbeteren, wordt de methode getraind met beelden met synthetische fouten, gegenereerd door een GAN. Deze methode kan gebruikt worden als een toevoeging op een eerste segmentatie aanpak. De buisvormige structuren bepaald door deze methode zijn statistisch significant completer en hebben een betere onderlinge verbinding. In deze studie zijn de handmatige intekeningen gemaakt in hoofdstuk 2 gebruikt.

In Hoofdstuk 7 wordt een methode voor het bepalen van de anterieure vaatboom in de hersenen gepresenteerd. De methode bestaat uit drie delen: een deep reinforcement learning gebaseerde methode om een pad in een beeld te bepalen, een CNN gebaseerde methode om bifurcaties te detecteren, en een klassieke breedte-eerst methode om een boomstructuur te maken. Een maat om de afstand tussen twee krommen te bepalen is gebruikt als beloningsfunctie. We hebben de netwerk architectuur en het trainingsschema onderzocht. Daarnaast hebben we een methode voorgesteld om beter het trainingsproces van de DRL methode in de gaten te houden (en niet alleen te kijken naar de beloningsfunctie). De CNN gebaseerde bifurcatie detectie gebruikt een vergelijkbare architectuur, met een instelbare normalisatie na elke convolutie laag. De breedte-eerst boom constructie met de resultaten van een aantal DRL resultaten is uiteindelijk gebruikt om de vaatboom te bepalen. Deze toepassing was nieuw, en het resultaat is vergelijkbaar met andere methoden. Voor deze studie zijn handmatige annotaties van de vaatbomen in 125 subjects (een willekeurige selectie uit de MR Clean registry) gemaakt om de methode te trainen, en te evalueren.