Optimizing the accuracy of tumor segmentation in PET for radiotherapy planning using blind deconvolution method

Abstract

Tümör segmentasyon doğruluğu, radyoterapinin etkinliğini büyük ölçüde etkiler. Segmentasyon doğruluğunun artması, sağlıklı dokuları korurken hedef hacime en yüksek radyasyon dozunu sağlamak için önemlidir. Bu tez, PET tümör segmentasyon hatalarını minimize edebilecek bir yöntem sunmayı amaçlamaktadır. Bu nedenle, tümör bölgelerinde, Kontrast-Gürültü oranları ile parametreleri optimize edilen kör dekonvolüsyon metodu kullanılmıştır. 3-boyutlu görüntüler üzerinde dekonvolüsyon öncesinde yeniden örnekleme yapılmıştır. Gerçek tümör hacimleri bilinen, üç veri seti üzerinde (fantom, klinik PET görüntüleri içerisine yerleştirilmiş küçük tümörler ve simüle edilmiş klinik PET görüntüleri), çeşitli otomatik bölütleme algoritmaları test edilmiştir. Kullanılan tümörlerin hacimleri, üç veri seti için sırasıyla 0.49-26.34 cc, 0.64-1.52 cc ve 40.38-203.84 cc arasında değişmektedir. Görüntü işlemede yaygın olarak kullanılan MATLAB, MIPAV ve ITK-SNAP yazılımları kullanılmı¸stır. Ölçülen ortalama hacim hataları, sınıflandırma tekniğine sahip aktif kontur segmentasyon metodu ile fantomun tüm lezyonları için ortalama %95.85'ten %3.37'ye, klinik PET görüntüleri içerisine yerleştirilmiş simüle geometrik lezyonlar için %815.67'den %17.45'e ve büyük lezyonlara sahip klinik PET görüntüleri için %32.61'den %6.80'e düşmüştür. Tümör temelli dekonvolüsyon metodunun kullanımıyla hesaplama süresi ortalama 10 kattan fazla azalmıştır. Kontrast-Gürültü oranı ve tümör dayalı dekonvolüsyon, farklı boyutlardaki homojen ve heterojen tümörler için segmentasyon doğruluğunu geliştirme potansiyeline sahiptir. İyileştirme, küçük tümörler için çok önemlidir. Algoritma, tüm görüntünün dekonvolüsyonuna göre düşük hesaplama süresi sağlamakta ve yaygın olarak kullanılan yazılım araçları ile uygulanabilmektedir.

Tumor segmentation accuracy greatly affects the effectiveness of radiotherapy procedures. Maximizing the segmentation accuracy has high medical significance in order to deliver the highest radiation dose to the target volume while protecting the healthy tissues. This dissertation aims to present an optimized method to minimize errors in the automated segmentation of tumors in PET images. Blind deconvolution was implemented in a region of interest encompassing the tumor with an iteration number determined from Contrast-to-Noise Ratios. The images were resampled. Several automatic segmentation algorithms were tested on three datasets: phantom, simulated geometric lesions inserted in real images, and simulated clinical images with real heterogeneous tumors for which ground truth was known. The volumes of the tumors were 0.49-26.34 cc, 0.64-1.52 cc, and 40.38-203.84 cc respectively for the three datasets. The widely available software tools MATLAB, MIPAV, and ITK-SNAP were used. With the use of the active contour with classification technique, the mean errors were reduced from 95.85% to 3.37%, from 815.63% to 17.45%, and from 32.61% to 6.80% for all the lesions of the phantom dataset, the simulated dataset, and the large lesions of the clinical PET dataset respectively. The computational time was reduced by a factor of more than 10 by the use of region of-interest-based deconvolution. Contrast-to-Noise Ratio and Region-of-Interest based deconvolution have the potential to improve delineation accuracy for different sizes of homogeneous and heterogeneous tumors. Improvement is very important for smaller tumors. The algorithm may provide reduced computational time with respect to full deconvolution and can be implemented using widely available software tools.