Unsupervised learning for texture based prediction on longitudinal medical imaging data

Abstract

Die Idiopathischelungenfibrose ist eine schwere und tödliche Krankheit. Die mediane Überlebenszeit liegt bei Patienten ohne Behandlung zwischen 3-5 Jahren. Daher sind die Früherkennung und das Fortschreiten der Krankheit für die Analyse von entscheidender Bedeutung, aber diese Aufgabe kann eine Herausforderung sein, da diese Ergebnisse von- einander abweichen. Die Methode besteht aus sieben Schritten: Bildsegmentierung, Merk- malsextraktion, Merkmalsclusterung mithilfe von Bag of Visual Words, Bildregistrierung innerhalb eines Patienten, Identifizierung von Markern für das Fortschreiten der Krank- heit, ein Übergangsnetzwerk für das Fortschreiten der Krankheit und Ergebnisvorhersage. Die Bildsegmentierung ist notwendig, um das Lungenvolumen aus den Computertomo- grafiescans zu erhalten. Durch Übersegmentierung wird jedes Voxel auf ein Supervoxel der Größe 0,5cm3 statt 0,7mm3 reduziert. Jedes Supervoxel wird einem bestimmten Lungenmustertyp zugewiesen. Anhand der Häufigkeit der gegebenen Lungenmustertypen im Klassifikationsmodell haben wir eine Reihe von Krankheitsmuster-Marker-Kandidaten erkannt. Die Marker-Indikatoren wurden in einem Wiederholbarkeits-Setup mit 20 Zu- fallsläufen gefunden. Für vier Kandidaten mit der höchsten Stabilitätseinstufung ergibt die Überlebensvorhersage unterschiedliche Ergebnisse für Gruppen mit ähnlichen Mus- tersignaturen, für einen Validierungsdatensatz liefert das Ergebnis eine gleichwertige Aussage.

Idiopathic pulmonary fibrosis (IPF) is a severe and lethal disease. The median survival outcome is between 3-5 years for patients without a treatment. Therefore, early detection and quantification of disease progression are essential for the steering of treatment. Treatment decisions are challenging, since we don’t understand the relationship between present disease appearance, outcome and treatment response, yet. In this thesis we develop and evaluate a methodology to quantitatively assess changes associated with IPF, and to predict future outcome based on imaging data for patients. The methodology consists of 7 steps, image segmentation, features extraction, features clustering using Bag of Visual Words, intra-patient image registration, identification of disease progression markers, a transition network related to disease progression, and outcomes prediction. Image segmentation is necessary to obtain the lung volume from the computer tomography scans. Over-segmentation is applied to reduce each voxel to a supervoxel of size 0.5cm3 instead of 0.7mm3. Each supervoxel is assigned to a given lung pattern type. We recognized a set of disease pattern marker candidates through the frequency rate of the given lung pattern types in the classification model. The marker indicators were found in a repeatability setup with 20 random runs. For four top stability ranked candidates, the outcome survival prediction yields dierent outcomes for groups with similar pattern signatures, for a validation dataset, the result delivers an equivalent statement.