Giessener Elektronische Bibliothek

GEB - Giessener Elektronische Bibliothek

Erstellung quantitativer Imaging-Biomarker zur Detektion von fibrosiertem Lungengewebe im HR-CT

Schläfer, Johannes Till


Zum Volltext im pdf-Format: Dokument 1.pdf (8.556 KB)


Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:hebis:26-opus-138902
URL: http://geb.uni-giessen.de/geb/volltexte/2018/13890/

Bookmark bei del.icio.us


Freie Schlagwörter (Deutsch): HR-CT , Lungenfibrose , Biomarker , computer-assistiert
Universität Justus-Liebig-Universität Gießen
Institut: Klinik für Diagnostische und Interventionelle Radiologie
Fachgebiet: Medizin
DDC-Sachgruppe: Medizin
Dokumentart: Dissertation
Sprache: Deutsch
Tag der mündlichen Prüfung: 06.11.2018
Erstellungsjahr: 2018
Publikationsdatum: 05.12.2018
Kurzfassung auf Deutsch: Ziel dieser Arbeit war die Erstellung von Imaging-Biomarkern, die robust zwischen fibrosiertem und gesundem Lungengewebe im HR-CT unterscheiden können. Mit Hilfe morphologischer Bildverarbeitungsverfahren sollten die Charakteristika von fibrosiertem Lungengewebe verstärkt und numerisch ausgewertet werden.
Hierfür wurden HR-CT-Bilddaten von 78 Patienten mit fibrosiertem Lungengewebe und 23 Patienten mit unauffälligem Lungenparenchym untersucht. Zu Beginn erfolgte eine semiautomatische Segmentierung der Schnittbilder, um anschließend die für fibrosiertes Lungengewebe typischen morphologischen Charakteristika hervorzuheben. Da diese Merkmale bei Lungengesungen nicht vorliegen, führt diese Bearbeitung zu einer Verstärkung der Unterschiede zwischen Patienten mit Lungenfibrose und Lungengesunden. Dazu erfolgte nach der Segmentierung im zweiten Schritt eine Binarisierung durch drei festgelegte Schwellenwertbereiche, um morphologische Charakteristika des Lungengewebes hervorzuheben. Im dritten Schritt wurden diese Merkmale durch vier verschiedene Kombinationen aus Closing- und Opening-Strukturelementen verstärkt.
Die Ergebnisse zeigen für alle vier erstellten Parameter statistisch hoch signifikante Gruppenunterschiede. Zur Klassifizierung der insgesamt 39 Datenreihen wurden, auf einer logistischen Regressionsanalyse basierend, die AUC-Werte der ROC-Kurven bestimmt. Eine erste Auswertung erfolgte nach der Binarisierung und eine zweite Auswertung nach der Verstärkung der morphologischen Charakteristika durch Closing- und Opening-Operationen. Schon nach der Binarisierung zeigten sich AUC-Werte bis zu 0,976. Der analysierte Schwellenwertbereich S3-500; -200 HE brachte für die meisten Parameter die prädiktivsten Werte hervor. Der Parameter Cluster-Pixel/CT-Seg-Pixel im Schwellenwertbereich S3 mit einem 5×5 Pixel großem Closing- und einem 3×3 Pixel großem Opening-Strukturelement erreichte einen maximalen AUC-Wert von 0,989.
Durch den ersten Arbeitsschritt der Binarisierung konnte im Schwellenwertbereich S3 robust zwischen den Gruppen mit fibrosiertem und gesundem Lungengewebe unterschieden werden. Die Verstärkung der morphologischen Charakteristika konnte eine zusätzliche Verbesserung der AUC-Werte erzielen. Eingebettet in ein Konzept, wie z. B. von Radiomics, stellt dieses Modell einen funktionierenden und robusten Imaging-Biomarker dar.
Kurzfassung auf Englisch: The purpose of this study was the creation of imaging biomarkers to distinguish patients with pulmonary fibrosis and healthy subjects in high-resolution CTs. Intensification of characteristics of pulmonary fibrosis, based on morphological image processing, was performed and evaluated numerically.
Datasets of 78 patients with the diagnosis of pulmonary fibrosis and 23 healthy subjects were studied and compared. At first semiautomatic lung parenchyma segmentation was performed. After that, the segmented images were used to isolate and to enhance specif- ic morphological fibrosis characteristics. Next, binary images were created for each of three different Hounsfield unit (HU) threshold ranges. To intensify the morphological fibrosis characteristics, basic image processing methods like morphological opening and closing were applied, leading to different, parameterized image variations of the normal and the fibrotic group.
Statistical analysis shows significant differences, between both patient groups, for all parameter settings. In order to find the best parameter settings, a logistic regression analysis was implemented and the values of the area under the receiver operator charac- teristic (ROC) curve (AUC) were computed. A first group comparison was performed after the binarization of the images and a second comparison after the enhancement of the specific fibrosis characteristics by the closing and opening operations. Based on the analysis of binary image, AUC values of up to 0,976 could be found. The threshold range of -500 to -200 HU lead to the highest AUC values. Application of the morpho- logical image processing operations lead to a slight increase up to AUC values being 0,989.
These findings suggest that the evaluated image processing operations can serve as a valuable numerical image marker for a reproducible, and observer independent differen- tiation between normal and fibrotic lung parenchyma. The concept fits well into the current radiomics philosophy.
Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand