Krzysztof Krawiec


Home

Research:

edit SideBar

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.
  1. klasyfikacja:
    1. lokalizacja zmian w układzie współrzędnych atlasu
    2. pomiar objętości zmian, w odniesieniu do [podobnych] przypadkow z historii
    • uszkodzenie moze byc rozproszone
  2. ocena stopnia zagrożenia życia

Kryteria oceny:

  1. precyzja
  2. czas obliczeń (bardzo istotny w przypadku udaru)

Przewidywane etapy:

  1. identyfikacja obszaru mózgu (skull stripping z wykorzystaniem BET)
  2. segmentacja uszkodzen z podzialem na typy uszkodzen z uzyciem BALSAMu
  3. rejestracja obrazow perfuzyjnych w celu korekty ruchu w czasie trwania sekwencji
  4. rejestracja (elastyczna) atlasu do obrazu mózgu (z uzyciem szybkiego algorytmu)
  5. 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)

  1. segmentacja zmiany niedokrwiennej na podstawie DWI oraz identyfikacja obszarów z artefaktami podatnosci magnetycznej
  2. pomiar wielkości ogniska niedokrwiennego na DWI
  3. identyfikacja obszaru naczyniowego zajętego przez niedokrwienie na bazie atlasu naczyniowego rejestrowanego w trybie atlas do pacjenta oraz okreslenie wielkosc zajetego obszaru naczyniowego przez udar
  4. analiza przebiegu czasowego obrazu perfuzyjnego i obliczenie mapy time-to-peak (TTP)
  5. identyfikacja arterial input function (AIF) na bazie przestrzennej identyfikacji obszaru tętnicy środkowej mózgu
  6. obliczenie parametrow TTP (mediana, q1, q3, iqr, max) dla obszarow naczyniowych wyodrebnionych na podstawie atlasu unaczynienia
  7. dyskretyzacja obszaru mozgu dotknietego deficytem perfuzji na bazie kryterium czasu i porównania strona do strony
  8. 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:

  1. identyfikacja obszaru mózgu (skull stripping z wykorzystaniem BET)
  2. rejestracja obrazow perfuzyjnych w celu korekty ruchu w czasie trwania sekwencji
  3. rejestracja (elastyczna) atlasu do obrazu mózgu (z uzyciem szybkiego algorytmu)
  4. 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

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
    • referencje

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
    • referencje

Prezentacja wybranych zagadnien (np. NIFTI, DICOM)


Powered by PmWiki