Image analysis and deep learning to support endovascular repair of abdominal aortic aneurysms
Loading...
Document Type
Document Version
Author
Director
González Ballester, Miguel Ángel
Macía, Iván
Macía, Iván
Tutor
Other authors
Publication Date
Pages
246 p.
Embargo date
License
Citation
López-Linares, K. Image analysis and deep learning to support endovascular repair of abdominal aortic aneurysms. Universitat Pompeu Fabra; 2019. handle: http://hdl.handle.net/10803/667102
This citation was generated automatically.
Citation
Doctoral program
Programa de doctorat en Tecnologies de la Informació i les Comunicacions
Abstract
An abdominal aortic aneurysm (AAA) is a focal dilation of the aorta that may lead to its rupture. The most common treatment for AAAs is endovascular aneurysm repair (EVAR). EVAR implies lifelong postoperative surveillance using Computed Tomography Angiography (CTA), due to the potential appearance of complications. This thesis sets the basis for intelligent CTA image analysis to support post-operative follow-up of AAAs, providing clinicians with valuable information to prognose the behavior of the aneurysm. First, novel pre-operative and post-operative AAA segmentation approaches are developed, based on Convolutional Neural Networks (CNN). Initially, 2D AAA detection and segmentation CNNs are proposed. Then, segmentation is extended to 3D to increase segmentation accuracy. Precise AAA segmentation is the basis for a good AAA follow-up. It allows to measure aneurysm volume, which is thought to be a better indicator for aneurysm rupture than the current AAA diameter measurements. Furthermore, it enables more complex analyses of AAA morphology and deformations. Subsequently, a methodology for post-operative CTA time-series registration and aneurysm biomechanical strain analysis is also proposed. From these strains, quantitative image-based descriptors are extracted and correlated with the long-term patient prognosis. The extracted descriptors are the basis for possible future imaging biomarkers to be used in clinical practice to assess patient prognosis and to enable informed decision making after EVAR. Finally, the technological developments in the thesis are applied to solve complex segmentation problems in other clinical domains, such as pectoral muscle segmentation from mammograms and pulmonary artery segmentation from CT scans. Validation of the 3D AAA segmentation approach proposed in this thesis is being carried out with the aim of integrating it in a commercial product.
El aneurisma de aorta abdominal (AAA) es una dilatación focal de la aorta que puede provocar su ruptura. El tratamiento habitual es la reparación endovascular (EVAR), que conlleva un seguimiento postoperatorio de por vida en base a imágenes de angiografía por tomografía computarizada (CTA) para detectar posibles complicaciones. Esta tesis establece la base para el análisis inteligente de imágenes CTA para apoyar el seguimiento postoperatorio de los AAA, proporcionando a los profesionales médicos información valiosa para predecir el comportamiento del aneurisma. Primero, se han desarrollado algoritmos de segmentación de AAA a partir de CTA preoperatorias y postoperatorias, basados en redes neuronales convolucionales (CNN). Inicialmente, se han propuesto CNNs 2D para la detección y la segmentación de AAAs. Posteriormente, el algoritmo de segmentación se ha extendido a 3D para mejorar su precisión, ya que ésta es la base para un buen seguimiento. Permite medir el volumen del aneurisma, que se considera un mejor indicador de riesgo de ruptura del AAA que la aproximación actual en base a su diámetro. Además, permite realizar análisis más complejos de la morfología y las deformaciones del AAA. Una vez obtenida la segmentación, se ha propuesto una metodología para el registro de series de CTA postoperatorias y el subsiguiente análisis biomecánico de las deformaciones del aneurisma. Dichas deformaciones se han cuantificado mediante descriptores de imagen y se han correlacionado con el pronóstico del paciente a largo plazo. Los descriptores extraídos establecen la base para el desarrollo de futuros biomarcadores de imagen que puedan ser utilizados en la práctica clínica para evaluar el pronóstico del paciente y para dar soporte al médico en sus decisiones tras una intervención EVAR. Por último, la experiencia adquirida en la tesis ha permitido aplicar algunas de las tecnologías para la resolución de problemas de segmentación complejos en otros ámbitos médicos, como la segmentación del músculo pectoral en mamografías o la segmentación de la arteria pulmonar en CTA. Actualmente, se está llevando a cabo la validación del algoritmo de segmentación de AAA 3D propuesto en esta tesis, con el objetivo de integrarlo en un producto comercial.
El aneurisma de aorta abdominal (AAA) es una dilatación focal de la aorta que puede provocar su ruptura. El tratamiento habitual es la reparación endovascular (EVAR), que conlleva un seguimiento postoperatorio de por vida en base a imágenes de angiografía por tomografía computarizada (CTA) para detectar posibles complicaciones. Esta tesis establece la base para el análisis inteligente de imágenes CTA para apoyar el seguimiento postoperatorio de los AAA, proporcionando a los profesionales médicos información valiosa para predecir el comportamiento del aneurisma. Primero, se han desarrollado algoritmos de segmentación de AAA a partir de CTA preoperatorias y postoperatorias, basados en redes neuronales convolucionales (CNN). Inicialmente, se han propuesto CNNs 2D para la detección y la segmentación de AAAs. Posteriormente, el algoritmo de segmentación se ha extendido a 3D para mejorar su precisión, ya que ésta es la base para un buen seguimiento. Permite medir el volumen del aneurisma, que se considera un mejor indicador de riesgo de ruptura del AAA que la aproximación actual en base a su diámetro. Además, permite realizar análisis más complejos de la morfología y las deformaciones del AAA. Una vez obtenida la segmentación, se ha propuesto una metodología para el registro de series de CTA postoperatorias y el subsiguiente análisis biomecánico de las deformaciones del aneurisma. Dichas deformaciones se han cuantificado mediante descriptores de imagen y se han correlacionado con el pronóstico del paciente a largo plazo. Los descriptores extraídos establecen la base para el desarrollo de futuros biomarcadores de imagen que puedan ser utilizados en la práctica clínica para evaluar el pronóstico del paciente y para dar soporte al médico en sus decisiones tras una intervención EVAR. Por último, la experiencia adquirida en la tesis ha permitido aplicar algunas de las tecnologías para la resolución de problemas de segmentación complejos en otros ámbitos médicos, como la segmentación del músculo pectoral en mamografías o la segmentación de la arteria pulmonar en CTA. Actualmente, se está llevando a cabo la validación del algoritmo de segmentación de AAA 3D propuesto en esta tesis, con el objetivo de integrarlo en un producto comercial.
Keywords
Endovascular aneurysm repair, Abdominal aorta, Image analysis, Segmentation, Deep learning, Convolutional neural network, Post-operative follow-up, Holistically nested edge detection, Artery, Image biomarkers
Subjects
62 - Engineering. Technology
Publisher
Universitat Pompeu Fabra
