Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning

Detalhes bibliográficos
Autor(a) principal: Silva, Bruno André Pires da
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/76561
Resumo: Dissertação de mestrado integrado em Engenharia Eletrónica Industrial e Computadores
id RCAP_3c5889e0704dd53a10fa960f113f0985
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/76561
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learningPectus excavatumComputer-aided diagnosisMedical image analysisDeep learningConvolutional neural networkDiagnóstico auxiliado por computadorAnálise de imagens médicasAprendizagem profundaRede neural convolucionalEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Engenharia Eletrónica Industrial e ComputadoresPectus excavatum (PE) is the most common congenital abnormality of the thoracic cage, characterized by the inward displacement of the sternum and the adjacent costal cartilages. To assess and quantify the patient’s severity, three standard indices are extracted from computed tomography (CT) images: the Haller index; the correction index; and the asymmetry index. Currently, there is no solution to automate the extraction of these indices. The focus of this thesis is to develop an automatic system that analyzes the CT of the patient and, as a result, provides the measurements and indices of PE with accuracy and reproducibility, saving healthcare professionals’ time and increasing measurements’ reproducibility, which may ultimately improve patients’ diagnosis and care. Through the use of deep learning, a framework was developed consisting of three stages. In the first two stages, two convolution neural networks (CNNs), based on the UNet++ architecture, were used to learn the CT images’ features in order to select the optimal CT slice to take the measurements and identify the relevant eight keypoints. The final stage relies on geometric rules to calculate the measurements and indices of PE from the identified keypoints. Both automatic and manual analyses were performed on 269 CTs of 92 patients. For comparative purposes, intra-observer, inter-observer, and intra-patient variability of the estimated indices were analyzed in a subset of patients. The developed system proved to be viable, showing a good agreement with the manual approach, with small bias and narrow limits of agreement (LOA), being the results comparable with the inter-observer agreement. In the intra-patient analysis, the proposed framework outperformed the expert, showing a higher reproducibility between indices extracted from distinct CTs of the same patient. The developed system achieved an average relative error against manually extracted values of 4.09%, 5.59% and 1.91% for the Haller, correction and asymmetry indices, respectively. The results are promising, supporting the feasibility of using the developed framework for the automatic and accurate quantification of PE severity in a clinical context.O Pectus Excavatum (PE) é a anormalidade congênita mais comum da caixa torácica, sendo caracterizada pela depressão do esterno e das cartilagens costais adjacentes. Para que seja avaliada e quantificada a gravidade da patologia num dado paciente, são calculados três índices a partir de imagens de tomografia computorizada (TAC): o índice de Haller; o índice de correção; e o índice de assimetria. Atualmente não existe solução para automatizar a extração destes índices. O foco desta tese consiste no desenvolvimento de um sistema automático que analisa a TAC do paciente e, como resultado, calcula as medidas e índices relativos ao PE com precisão e reprodutibilidade, minimizando desta forma o tempo despendido pelos profissionais de saúde e aumentando a reprodutibilidade das medidas, o que pode, em última análise, melhorar o diagnóstico e o cuidado dos pacientes. Por meio de técnicas de aprendizagem profunda, foi desenvolvida uma framework composta por três blocos. Nos primeiros dois blocos, duas redes neuronais convolucionais, baseadas na arquitetura UNet++, foram utilizadas para aprender as características das imagens da TAC e, assim, selecionar o corte axial da TAC ideal para extrair as medidas e identificar os oito pontos-chave para o cálculo destas. Na etapa final, através de regras geométricas, são calculadas as medidas e os índices do PE a partir dos oito pontos-chave identificados. A estratégia proposta foi validada com o recurso a 269 TACs de 92 pacientes, e comparada com a abordagem manual. Para fins comparativos, a variabilidade intra-observador, inter-observador e intrapaciente dos índices estimados foi analisada um subconjunto de pacientes. O sistema desenvolvido mostrou-se viável, apresentando uns limites de concordância estreitos com a abordagem manual, e com resultados comparáveis com a variabilidade inter-observador. Na análise intra-paciente, a framework proposta superou o especialista, obtendo uma maior reprodutibilidade entre índices extraídos de TACs distintas de um mesmo paciente. O sistema desenvolvido obteve, quando comparado com valores extraídos manualmente, um erro relativo médio de 4,09% para o índice de Haller, de 5,59% para o índice de correção e de 1,91% para o índice de assimetria. Os resultados são promissores, comprovando o potencial da framework desenvolvida para a quantificação precisa e automática da severidade do PE no contexto clínico.The work presented in this thesis was performed in the Life and Health Sciences Research Institute (ICVS, School of Medicine) and the Algoritmi Center (School of Engineering), University of Minho. Financial support was provided by National funds, through the Foundation for Science and Technology (FCT) - project UIDB/50026/2020 and UIDP/50026/2020.Fonseca, Jaime C.Queirós, Sandro Filipe MonteiroUniversidade do MinhoSilva, Bruno André Pires da20212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/76561eng202797813info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:30:30Zoai:repositorium.sdum.uminho.pt:1822/76561Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:25:42.075554Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
title Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
spellingShingle Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
Silva, Bruno André Pires da
Pectus excavatum
Computer-aided diagnosis
Medical image analysis
Deep learning
Convolutional neural network
Diagnóstico auxiliado por computador
Análise de imagens médicas
Aprendizagem profunda
Rede neural convolucional
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
title_full Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
title_fullStr Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
title_full_unstemmed Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
title_sort Automatic quantitative assessment of Pectus Excavatum severity using CT images and deep learning
author Silva, Bruno André Pires da
author_facet Silva, Bruno André Pires da
author_role author
dc.contributor.none.fl_str_mv Fonseca, Jaime C.
Queirós, Sandro Filipe Monteiro
Universidade do Minho
dc.contributor.author.fl_str_mv Silva, Bruno André Pires da
dc.subject.por.fl_str_mv Pectus excavatum
Computer-aided diagnosis
Medical image analysis
Deep learning
Convolutional neural network
Diagnóstico auxiliado por computador
Análise de imagens médicas
Aprendizagem profunda
Rede neural convolucional
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Pectus excavatum
Computer-aided diagnosis
Medical image analysis
Deep learning
Convolutional neural network
Diagnóstico auxiliado por computador
Análise de imagens médicas
Aprendizagem profunda
Rede neural convolucional
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado integrado em Engenharia Eletrónica Industrial e Computadores
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/76561
url http://hdl.handle.net/1822/76561
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 202797813
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132742067159040

Registros relacionados