Semiautomatické vyhledávání a charakterizace stenóz a uzávěrů plicních tepen u pacientů s chronickou tromboembolickou plicní hypertenzí

Abstract

Chronická tromboembolická plicní hypertenze (CTEPH) je závažné plicní onemocnění definované přítomností chronických krevních sraženin v plicních tepnách doprovázené těžkými zdravotními komplikacemi. Pro odhalení tohoto onemocnění je nezbytné mnohočetné procházení velkou sadou axiálních řezů z CTPA, což je pro radiologa obtížné a časově náročné. Velkou roli hraje zkušenost lékaře a také subjektivní faktory, jako únava, pozornost. Ve své diplomové práci jsem se zabývala vytvořením algoritmu pro semiautomatickou detekci stenóz a uzávěrů plicních tepen u pacientů s CTEPH, který je založen na implementaci sémantické segmentace pomocí hlubokých konvolučních neuronových sítí. Konkrétně se jedná o použití modelu DeepLab V3+ vloženého do architektury Xception. Ve své práci jsem se soustředila na stenózy a trombózy ve větších plicních tepnách. Pro realizaci diplomové práce byla použita anonymizovaná data pacientů s diagnózou CTEPH a jednoho zdravého pacienta z hlediska přítomnosti daného onemocnění. Statistická analýza výsledků je rozdělena do dvou částí: analýza vytvořeného algoritmu na základě porovnání výstupů s ground truth daty (ručně vyznačené reference) a analýza detekce patologií na nových datech na základě porovnání predikcí s referenčními snímky od lékaře. V 83 % případů navržený algoritmus správně odhalí přítomnou vaskulární patologii (senzitivita) a v 72 % přesně vybere případy, u nichž zkoumaná patologie nenastává (specificita). Spočtený Matthews korelační koeficient je 0,53. To znamená, že predikční schopnost je mírně pozitivní. Vytvořený algoritmus analýzy obrazu nabízí radiologovi ,,druhý názor" a mohl by umožnit zvýšení senzitivity diagnostiky CTEPH ve spolupráci s lékařem. Navržený model by mohl být součástí radiomické analýzy a to spolu s analýzou dalších patologických projevů CTEPH.

Chronic thromboembolic pulmonary hypertension (CTEPH) is a severe lung disease defined by the presence of chronic blood clots in the pulmonary arteries accompanied by severe health complications. It is necessary to go through a large set of axial sections from CTPA for diagnosing the disease, which is difficult and time consuming for the radiologist. The radiologist's experience plays a significant role, same as subjective factors such as attention and fatigue. In my Master's thesis I pursue the design and development of the algorithm for semiautomatic detection of pulmonary artery stenoses and clots for diagnosing CTEPH, which is based on the implementation of semantic segmentation using deep convolutional neural networks. Specifically, it is about the use of the DeepLab V3 + model embedded in the Xception architecture. Within my thesis I focused on stenoses and clots located in larger pulmonary arteries. Anonymized data of patients diagnosed with CTEPH and one healthy patient in the term of the presence of the disease were used for realization of the Master's thesis. Statistical analysis of the results is divided into two parts: analysis of the created algorithm based on comparison of outputs with ground truth data (manually marked references) and analysis of pathology detection on new data based on comparison of predictions with reference images from the radiologist. The proposed algorithm correctly detects present vascular pathology in 83 % of cases (sensitivity) and precisely selects cases where the investigated pathology does not occur in 72% of cases (specificity). The calculated Matthews correlation coefficient is 0.53. This means that the predictive ability of the algorithm is moderate positive. The designed and developed image analysis algorithm offers the radiologist a "second opinion" and it also could enable to increase the sensitivity of CTEPH diagnostics in cooperation with a radiologist. Therefore, the proposed model might be used as part of radiomic analysis, along with the analysis of other pathological manifestations of CTEPH.