Delineation of brain structures from functional positron emission tomography images

Abstract

Väitöskirjatyössä kehitettiin automaattinen tietokonemenetelmä rakenteiden tunnistamiseen kolmiulotteisista funktionaalisista kuvista. Funktionaaliset kuvat kuvaavat elimistön aineenvaihduntaa ja täten eroavat anatomisista rakennetta esittävistä kuvista. Positroniemissiotomografia (PET) on funktionaalinen kuvantamismenetelmä, jolla mitataan esimerkiksi sokerin kulutusta aivokudoksessa. Se perustuu jonkin elimistön oman aineenvaihduntaan osallistuvan molekyylin merkitsemiseen radioaktiivisella merkkiaineella. Hajoamisesta aiheutuva säteily pystytään mittaamaan kehon ulkopuolelta PET-kameralla. Mitatuista säteilyprofiileista muodostetaan tietokoneen avulla kolmiulotteisia kuvia, jotka kuvaavat mitattua merkkiainekertymää kudoksessa. Yksilölliset vaihtelut aineenvaihdunnassa ovat suuria. PET-kuvantaminen tuottaa kohinaisia kuvia, joissa kohteet ovat usein epäselviä eivätkä vastaa anatomiaa. Tästä johtuen kohteiden pintojen rajaaminen on tarkkuutta vaativaa ja aikaa vievää käsityötä eikä anatomisille kuville käytettyjä automaattisia menetelmiä voida suoraan hyödyntää. Automatisointi on tarpeen esimerkiksi kohteiden vertailua varten, jotta kuvista rajattavat kohteet saadaan määritettyä eri yksilöistä mahdollisimman samanlaisilla kriteereillä. Myös funktionaalisten ja anatomisten kuvien yhdistämiseen tarvitaan mahdollisimman tarkkaa kohteiden erottelua funktionaalisista kuvista. Tutkimus on ensimmäinen, jossa pintoja etsitään kolmiulotteisesti funktionaalisista aivokuvista.

Aluksi tutkimuksessa kehitettiin PET-aivokuville sopiva häviötön kuvantiivistysmenetelmä, josta on hyötyä automaattisessa hajautetussa kuvankäsittelyjärjestelmässä. Rakenteiden etsintää tutkittiin ensiksi käyttäen kaksiulotteisia menetelmiä päätyen mukautuviin malleihin. Mukautuva malli mukautuu automaattisesti kuvassa olevaan kohteeseen sen intensiteettiarvojen perusteella. Anatomisille kuville käytetyt mukautuvat mallit eivät sopineet kohteiden tunnistamiseen kohinaisista PET-aivokuvista. Tässä työssä kehitettiin ja sovellettiin uutta kolmiulotteista mukautuvaa mallia etsimällä aivopintaa sekä harmaan ja valkoisen aineen välistä rajapintaa sokerin kulutusta kuvaavista aivokuvista. Löydetyn aivopinnan perusteella kuvassa oleva aivorakenne jaettiin vasempaan ja oikeaan puoliskoon. Prosessi on täysin automaattinen. Aivopinnan ja jaon osalta menettelyä testattiin menestyksellisesti myös välittäjäainekuviin.

Tutkimuksessa kehitetty pintojen etsintämenetelmä avaa uusia mahdollisuuksia kolmiulotteisten rakenteiden automaattiseen tunnistamiseen funktionaalisista kuvista. Menetelmää voidaan käyttää suurten kuvamäärien tarkempaan luokitteluun ja analysointiin lääketieteellisissä tutkimuksissa. Tästä on hyötyä esimerkiksi lääketutkimuksessa.

Positron emission tomography (PET) imaging is a unique method for studying biochemical processes involved in living species. It provides quantitative infor-mation about the processes at a cellular level, which is needed, for example in diagnosis of a disease and the development of new drugs. Quantitative information can be determined from PET images by extracting volumes of interest. In order to collect large databases of the functional data derived from PET, new automatic methods for image analysis are required. The delineation of PET images is a challenging task due to noise and individual data contents in PET images. It has not gained attention that it deserves.

This study proposes a new lossless image compression method and novel approaches to delineate brain surfaces from PET brain images. First, a low com-plexity lossless image compression method was developed for noisy PET brain images. Next, a user-guided software using intensity values of image was devel-oped and utilized to determine quantitative values from the PET brain images. Next, a two-dimensional deformable model and the corresponding anatomical references from MR images were applied to delineate cortical surfaces from PET brain images. Deformable models are advanced delineation methods entailing geometric shape and evolution rules, which connect the model to data providing its adaptation to the salient features in an image. This method was able to improve the registration alignment and correct differences between the anatomical and functional structures. However, proper segmentation of volumetric PET images required a new three-dimensional deformable surface model which was developed in close collaboration with this study. It uses a global optimization to avoid the initialization problem common with deformable models. The new method was applied to extract surfaces from images in PET brain studies with 18FDG and 11C-Raclopride radiopharmaceuticals. The delineation procedure was fully automatic, repeatable and considerably faster than the entirely manual delineation methods applied with PET images. Consequently, the coarse cortical structures for the hemispheres were determined in an iterative way and no anatomical references or user interactions were required in the process.

This study contributes novel approaches for semi-automatic and fully automatic surface delineation from PET brain images. In addition, an image compres-sion procedure for PET brain images is proposed. These provide new possibilities for developing fully automatic applications for neurological image analysis and databases.