Analyzing the progression of pathologies in medical images
Lade...
Dateien
Datum
2025
Autor:innen
Betreuer:innen
Zeitschriftentitel
ISSN der Zeitschrift
Bandtitel
Verlag
Zusammenfassung
Medical image analysis is a key component of modern healthcare, required not only for diagnosis, but also for treatment planning and disease monitoring. The number of medical images acquired every day is constantly increasing and with it the need for automated tools to process, segment and interpret these images efficiently and reliably. Over the past decade, deep learning-based approaches, especially convolutional neural networks, have revolutionized the field providing unprecedented performances for almost all medical image analysis tasks, including semantic segmentation and image registration. However, the training of deep neural networks needs vast amounts of data, whereas most annotated medical datasets are small. The manual delineation of anatomical and pathological structures needs expert knowledge, and is both time-consuming and error-prone. These problems are even more severe in the analysis of disease progression, where not just one image but several have to be analyzed together. Furthermore, pathologies exhibit higher variability than anatomical structures and occupy comparatively small image areas, further increasing the data demands for training.
This dissertation aims to develop deep learning-based algorithms for the automatic analysis of medical time series image data, focusing on pathological progression over time, such as retinal fluid in optical coherence tomography and brain lesions in magnetic resonance imaging. The main goal is to segment pathologies across all time points in order to monitor disease progression. Expert segmentations are typically unavailable for extensive time series data, requiring weakly supervised or fully unsupervised methods. Therefore, longitudinal registration of medical images is investigated as a tool for pathology tracking and unsupervised segmentation.
To achieve the goals described, the present work follows three complementary research directions. First, unsupervised clustering is used to segment individual images. Second, registration-based approaches are developed for the joint analysis of longitudinal data with simultaneous segmentation of non-correspondences that reflect evolving or disappearing pathologies. Third, registration approaches inspired by metamorphosis models are used to model the formation of new pathologies. To improve the plausibility of the resulting deformations, these models are designed to separate displacements of anatomical structures from volumetric changes of the pathologies.
The methods presented in this thesis enable the unsupervised segmentation of pathological structures, without relying on manually generated pathology segmentations. By leveraging weak supervision through anatomical labels and exploiting temporal information in longitudinal data, the proposed approaches can identify disease-related changes in an unsupervised manner. Overall, this work provides novel, annotation-efficient strategies for the automated analysis of medical image time series data, with the potential to support clinical workflows in the assessment of disease progression.
Beschreibung
Die medizinische Bildverarbeitung ist eine zentrale Komponente der modernen Gesundheitsversorgung, die nicht nur zur Diagnosestellung, sondern auch zur Behandlungsplanung und Krankheitsüberwachung benötigt wird. Die täglich aufgenommene Menge medizinischer Bilder steigt stetig und damit wird auch der Bedarf an Algorithmen größer, die diese Bilder automatisiert, effizient und zuverlässig segmentieren und interpretieren können. In den letzten zehn Jahren hat das Deep Learning, insbesondere in Form von Faltungsnetzwerken, die medizinische Bildverarbeitung revolutioniert, indem es bis dahin unerreichte Leistungen in Aufgaben wie der semantischen Segmentierung und der Bildregistrierung erzielt hat. Das Training tiefer neuronaler Netze erfordert jedoch sehr große Datenmengen, während medizinische Datensätze häufig nur in begrenztem Umfang und mit wenigen Annotationen verfügbar sind. Anatomische oder pathologische Strukturen manuell zu segmentieren, ist eine zeitaufwändige und fehleranfällige Aufgabe, die zudem Expertenwissen erfordert. Diese Probleme sind bei der Analyse von Krankheitsverläufen noch verstärkt, da nicht nur ein Bild, sondern mehrere gemeinsam ausgewertet werden müssen. Zudem zeigen Pathologien eine größere Variabilität als anatomische Strukturen und nehmen dabei gleichzeitig meist nur kleine Bildbereiche ein, was den Datenbedarf für das Netzwerktraining zusätzlich erhöht.
In der vorliegenden Dissertation werden Deep-Learning-Algorithmen für die automatisierte Analyse medizinscher Bildzeitreihen entwickelt, wobei der Fokus auf der Untersuchung von Pathologieveränderungen über die Zeit liegt. Dabei werden insbesondere retinale Fluide in Aufnahmen der optischen Kohärenztomografie untersucht sowie Gehirnläsionen in Magnetresonanztomografiebildern. Das Hauptziel der Arbeit ist die Segmentierung von Pathologien für alle Zeitpunkte, um Krankheitsverläufe zu überwachen. Für umfangreiche Zeitreihendaten liegen typischerweise keine manuellen Segmentierungen von medizinischen Experten vor, sodass Methoden benötigt werden, die schwach überwacht oder vollständig unüberwacht trainiert werden können. Ein zentraler Fokus der Dissertation liegt daher auf der zeitlichen Registrierung medizinischer Bilder, wobei die Registrierung als Werkzeug für die Pathologieverfolgung und unüberwachte Segmentierung dient.
Um die beschriebenen Ziele zu erreichen, nutzt diese Arbeit drei sich ergänzende Forschungsansätze. Erstens wird unüberwachtes Clustering verwendet, um einzelne Bilder zu segmentieren. Zweitens werden Registrierungsansätze für die gemeinsame Auswertung von Bildern verschiedener Zeitpunkte entwickelt. Diese Methoden sind in der Lage, gleichzeitig mit der Registrierung nicht-korrespondierende Bereiche, welche neu auftretende oder verschwindende Pathologien widerspiegeln, zu segmentieren. Drittens werden von Metamorphosemodellen inspirierte Registrierungsalgorithmen eingesetzt, um die Entstehung neuer Pathologien zu modellieren. Zur Verbesserung der Realitätsnähe der resultierenden Deformationsfelder werden die Modelle so konzipiert, dass sie Volumenveränderungen der Pathologien ermöglichen, während die umgebende Anatomie durch die Pathologien verschoben wird.
Die in dieser Arbeit vorgestellten Methoden ermöglichen die unüberwachte Segmentierung pathologischer Strukturen, ohne auf manuell erstellte Pathologiesegmentierungen angewiesen zu sein. Durch die Nutzung einer schwachen Überwachung mittels anatomischer Annotationen sowie die Auswertung zeitlicher Informationen in longitudinalen Bilddaten können die vorgeschlagenen Ansätze krankheitsbedingte Veränderungen auf unüberwachte Weise identifizieren. Insgesamt liefert diese Arbeit neuartige, annotationseffiziente Strategien für die automatisierte Analyse medizinischer Bildzeitreihendaten, die das Potenzial haben, klinische Arbeitsabläufe bei der Beurteilung von Krankheitsverläufen zu unterstützen.
Schlagwörter
Optical coherence tomography, Optische Kohärenztomografie, Bildregistrierung, Image registration, Deep Learning, Zeitreihenanalyse, Longitudinal analysis, Unsupervised segmentation, Unüberwachte Bildsegmentierung, Pathologieerkennung, Pathology detection
Zitierform
Institut/Klinik
Institut für Medizinische Informatik