APACS - Algorytmy
Powrót do strony głównej APACS
Założenia:
- Przez algorytm w APACS rozumiemy dobrze zdefiniowaną procedurę przetwarzania danych o charakterze "atomowym", tj. niepodzielną.
- Algorytmy będą docelowo wtyczkami do APACS Framework ale na razie będą rozwijane niezależnie, pobierając dane z i zapisując do plików.
- Jeden problem diagnostyczny może angażować wiele algorytmów. Nie możemy zakładać odpowiedniości jeden-do-jeden pomiędzy algorytmami a problemami diagnostycznymi.
- Możemy wstępnie zakładać że eksperyment związany z danym problem diagnostycznym będzie zazwyczaj polegał na sekwencji wywołań kilku algorytmów.
W projekcie APACS definiujemy następujące typy algorytmów:
- Processing: algorytmy przetwarzania obrazu (in: obraz, out: obraz)
- Feature: algorytmy estymacji pewnych cech (parametrów) z obrazu (in: obraz, out: wektor/lista cech)
- Classification: algorytmy klasyfikacji, tj. takie które na podstawie obrazów i/lub danych klinicznych generują wskazania o charakterze jakościowym
Realizacja techniczna poszczególnych algorytmów może polegać na:
- Adaptation: wykorzystaniu i dostosowaniu istniejącego oprogramowania do środowiska APACS
- Implementation: implementacji "od zera" istniejącego (np. opisanego w literaturze) algorytmu
- GPU implementation: implementacji "od zera" istniejącego (np. opisanego w literaturze) algorytmu na karcie graficznej
- New algorithm: wymyśleniu i zaimplementowaniu nowego algorytmu
Poniżej znajdą się specyfikacje poszczególnych algorytmów.
Algorytmy
TIV
- Typ: Processing and feature
- Realizacja: Implementation
- Cel: identyfikacja zawartosci czaszki TIV (total intracranial volume)
- In: kompletne badanie (wolumetryczne)
- Out: objętość
- Dane:
Rejestracja elastyczna
- Typ: Processing
- Realizacja: Implementation, na przykład:
- Cel: rejestracja (elastyczna) atlasu do posegmentowanego obrazu mózgu w KT.
- In: kompletne badanie (wolumetryczne) + atlas
- Out: obraz
- Dane:
Segmentacja objętości krwiaka śródmózgowego w udarze krwotocznym mózgu
- Typ: Processing and Feature
- Realizacja: New Algorithm
- Cel: identyfikacja obszaru zajętego przez krwiak śródmózgowy i obliczenie jego objętości
- In: Obraz KT głowy w formacie NIFTI
- Out: maska z lokalizacją przestrzenną krwiaka oraz jego objętość
- Dane: Obrazy tomografii komputerowej
- Literatura
- Liu B, Yuan Q, Liu Z, Li X, Yin X. Automatic segmentation of intracranial hematoma and volume measurement. Conf Proc IEEE Eng Med Biol Soc. 2008;2008:1214-7. PubMed PMID: 19162884.
- Liao CC, Xiao F, Wong JM, Chiang IJ. A multiresolution binary level set method and its application to intracranial hematoma segmentation. Comput Med Imaging Graph. 2009 Sep;33(6):423-30. Epub 2009 May 9. PubMed PMID: 19428217.
- Bardera A, Boada I, Feixas M, Remollo S, Blasco G, Silva Y, Pedraza S. Semi-automated method for brain hematoma and edema quantification using computed tomography. Comput Med Imaging Graph. 2009 Jun;33(4):304-11. Epub 2009 Mar 9. PubMed PMID: 19269786.
- Lin HL, Lo YC, Chen CC, Chiou SM, Lee HC, Huang HM, Cho DY. Three-dimensional reconstructed CT scanning for targeting hypertensive putaminal hemorrhage. J Clin Neurosci. 2008 Jun;15(6):693-6. Epub 2008 Apr 14. PubMed PMID: 18407499.
- klasyfikacja:
- lokalizacja zmian w układzie współrzędnych atlasu
- pomiar objętości zmian, w odniesieniu do [podobnych] przypadkow z historii
- uszkodzenie moze byc rozproszone
- ocena stopnia zagrożenia życia
Kryteria oceny:
- precyzja
- czas obliczeń (bardzo istotny w przypadku udaru)
Przewidywane etapy:
- identyfikacja obszaru mózgu (skull stripping z wykorzystaniem BET)
- segmentacja uszkodzen z podzialem na typy uszkodzen z uzyciem BALSAMu
- rejestracja obrazow perfuzyjnych w celu korekty ruchu w czasie trwania sekwencji
- rejestracja (elastyczna) atlasu do obrazu mózgu (z uzyciem szybkiego algorytmu)
- eksport dicomu i prezentacja wyniku na diagnostycznej stacji roboczej w ciagu 10 min od czasu otrzymania obrazu w formacie dicom
Optymalizacja wykrywania uszkodzenia u pacjentów z udarem niedokrwienym mózgu na podstawie obrazowania MRI
Cel: Szybka i rzetelna identyfikacja zmian niedokrwiennych na podstawie obrazu sekwencji dyfuzyjnej (DWI) i perfuzyjnej (DSC-PWI)
- segmentacja zmiany niedokrwiennej na podstawie DWI oraz identyfikacja obszarów z artefaktami podatnosci magnetycznej
- pomiar wielkości ogniska niedokrwiennego na DWI
- identyfikacja obszaru naczyniowego zajętego przez niedokrwienie na bazie atlasu naczyniowego rejestrowanego w trybie atlas do pacjenta oraz okreslenie wielkosc zajetego obszaru naczyniowego przez udar
- analiza przebiegu czasowego obrazu perfuzyjnego i obliczenie mapy time-to-peak (TTP)
- identyfikacja arterial input function (AIF) na bazie przestrzennej identyfikacji obszaru tętnicy środkowej mózgu
- obliczenie parametrow TTP (mediana, q1, q3, iqr, max) dla obszarow naczyniowych wyodrebnionych na podstawie atlasu unaczynienia
- dyskretyzacja obszaru mozgu dotknietego deficytem perfuzji na bazie kryterium czasu i porównania strona do strony
- obliczenie zbioru wspolnego dla obszaru dotknietego uszkodzeniem DWI i obszarem hipoperfuzji (zmniejszonej lub opoznionej perfuzji) oraz obliczenie obszaru hipoperfuzji bez zmian zaznaczonych w DWI (diffusion-perfusion mismatch)
Założenia/dane:
- dodatkowe źródło informacji: atlas obszarow unaczynienia mózgu i atlas strukturalny AAL lub inny
- zbiór uczący: 30 pacjentow (DWI + PWI)
Przewidywane etapy:
- identyfikacja obszaru mózgu (skull stripping z wykorzystaniem BET)
- rejestracja obrazow perfuzyjnych w celu korekty ruchu w czasie trwania sekwencji
- rejestracja (elastyczna) atlasu do obrazu mózgu (z uzyciem szybkiego algorytmu)
- prezentacja wyniku na diagnostycznej stacji roboczej w ciagu 10 min od czasu otrzymania obrazu w formacie dicom
CC
- Typ: Feature
- Realizacja: Implementation+Adaptation
- Cel: identyfikacja ciała modzelowatego na przekroju skroniowym środkowym i określenie jego długości, kształtu i grubości na przebiegu
- In:
- plik nifti z obrazem T1-zaleznym wolumetrycznym
- plik nifti z akwizycją skroniową t2-zależną
- Out: pole przekroju ciała modzelowatego, długość osi ciała modzelowatego, grubość CC na przebiegu ciała modzelowatego
- Kontynuacja rozwoju algorytmu opracowanego wspolnie z K. Gorgolewskim w 2008
- Dane:
- obrazy T1 3D GRE mózgu pacjentów z baz MS, OASIS, IXI, MIDAS, Connectome
- skroniowe akwizycje mózgu pacjentów ze stwardnieniem rozsianym
- Literatura
- Hasan KM, Kamali A, Kramer LA, Papnicolaou AC, Fletcher JM, Ewing-Cobbs L. Diffusion tensor quantification of the human midsagittal corpus callosum subdivisions across the lifespan. Brain Res. 2008 Aug 28;1227:52-67. Epub 2008 Jun 19. PubMed PMID: 18598682; PubMed Central PMCID: PMC2602603.
- Witelson SF. Hand and sex differences in the isthmus and genu of the human corpus callosum. A postmortem morphological study. Brain. 1989 Jun;112 ( Pt 3):799-835. PubMed PMID: 2731030.
- Lee SP, Cheng JZ, Chen CM, Tseng WY. An automatic segmentation approach for boundary delineation of corpus callosum based on cell competition. Conf Proc IEEE Eng Med Biol Soc. 2008;2008:5514-7. PubMed PMID: 19163966.
- He Q, Duan Y, Miles J, Takahashi N. A Context-Sensitive Active Contour for 2D Corpus Callosum Segmentation. Int J Biomed Imaging. 2007;2007:24826. PubMed PMID: 18320009; PubMed Central PMCID: PMC2246007.
- He Q, Christ SE, Karsch K, Moffitt AJ, Peck D, Duan Y. Detecting 3D Corpus Callosum abnormalities in phenylketonuria. Int J Comput Biol Drug Des. 2009;2(4):289-301. doi: 10.1504/IJCBDD.2009.030762. Epub 2009 Jan 4. PubMed PMID: 20090172.
- Magnotta VA, Heckel D, Andreasen NC, Cizadlo T, Corson PW, Ehrhardt JC, Yuh WT. Measurement of brain structures with artificial neural networks: two- and three-dimensional applications. Radiology. 1999 Jun;211(3):781-90. PubMed PMID: 10352607.
BHB [Black Hole Balsam]
- Typ: Processing/Feature
- Realizacja: Implementation/Adaptation
- Cel: Identyfikacja czarnych dziur w wolumetrycznych obrazach T1-zaleznych i FLAIR SPACE u pacjentow ze stwardnieniem rozsianym
- In:
- wolumetryczny obraz T1-zależny
- wolumetryczny obraz FLAIR SPACE
- Out: opis produktu
- Dane:
- opis projektu, z ktorego pochodza dane
- Literatura
Implementacja algorytmów analitycznych na GPU
Cel: realizacja szybkich algorytmów analizy obrazow KT/MRI w oparciu o architektury GPU.
Motywacje (scenariusze użycia):
- przyspieszenie realizacji eksperymentów obliczeniowych realizowanych w środowisku APACS (w tym scenariuszu algorytmy są wtyczkami do APACSa, ale operującymi zdalnie (APACS nie zakłada obecności GPU)),
- wspomaganie podejmowania decyzji klinicznych w warunkach zagrożenia życia pacjenta, gdy czas jest krytyczny.
Przykładowe przewidywane algorytmy:
- korejestracja przestrzenna mózg-atlas,
- korejestracja przestrzenna mózg-mózg,
- segmentacja obrazu.
code name [schemat algorytmu]
- Typ: Processing/Feature/Classification
- Realizacja: Implementation/Adaptation/New Algorithm
- Cel: opis celu
- In:
- typ danych I
- typ danych II
- Out: opis produktu
- Dane:
- opis projektu, z ktorego pochodza dane
- Literatura
Prezentacja wybranych zagadnien (np. NIFTI, DICOM)