Segmentation of lungs on CT: tools to aid Radiotherapy planning

Abstract

O planeamento da radioterapia desempenha um papel decisivo na gestão do tratamento do cancro. Múltiplos efeitos secundários advêm da exposição de tecido normal à radiação durante a terapia, desde cansaço a outros tipos de cancro. De modo a minimizar esta exposição, é necessário fazer o contorno dos órgãos em risco. No entanto, esta é uma tarefa tipicamente executada manualmente, fatia a fatia, e, portanto, demorada esuscetível a erros humanos e grandes variações intra e inter-individuais. Deste modo, este estudo tem como objetivo ajudar os clínicos numa tarefa tão difícil e repetitiva como esta, através da implementação de algoritmos para a delimitação de pulmões não-patológicos. Neste projeto, dois algoritmos de segmentação para pulmões são apresentados para exames de Tomografia Computorizada: o algoritmo iterativo de region growing e uma Rede Neuronal Convolucional U-Net. Um deles é baseado em técnicas de processamento de imagem, como a projeção de intensidades e o region growing. Esta pipeline começa por isolar cada pulmão. Depois, três técnicas para colocação da semente são exploradas. Por último, uma alteração no algoritmo standard de region growing é criada, permitindo que este descubra automaticamente o valor do parâmetro de threshold mais adequado para cada caso. O outro algoritmo é um modelo de deep learning com uma arquitetura em U-Net, que explora as capacidades das Redes Neuronais Convolucionais para encontrar padrões escondidos presentes nos pulmões sem exigir a extração e seleção de features. Os resultados obtidos para as três técnicas de posicionamento da semente foram, respetivamente, 74%, 74% e 92% de DICE para o algoritmo Iterativo de Region Growing. Os resultados para o modelo U-Net foram 91% para a mesma métrica.No futuro, mais testes poderiam ser feitos em bases de dados maiores e mais diversas, estudando o efeito de operações morfológicas nos resultados e de técnicas de optimização de hiperparâmetros da rede neuronal.

Radiotherapy planning plays a decisive role in cancer’s treatment management. Many side effects come from the exposure of normal tissue to radiation during therapy, all the way from small acute side effects such as tiredness, to long term sequelae, like another type of cancer. To minimize this exposure, it is necessary to contour the organs at risk. However, this task is typically performed manually on a slice-by-slice basis, being consequently very time-consuming and susceptible to high intra and inter-subject variance and human errors. In this way, this line of work aims to help the clinicians in this difficult and repetitive task by implementing algorithms that delineate non-pathological lungs. In this project, two lung segmentation algorithms are presented for Computed Tomography scans: the Iterative Region Growing algorithm and a U-Net Convolutional Neural Network model. One relies on image processing techniques, as intensity projection and region growing. This pipeline starts by isolating each lung. Then, three techniques for seed placement are explored. Lastly, an update on the traditional region growing algorithm is developed, allowing it to automatically discover the best threshold parameter value for each case. The other algorithm is a U-Net deep learning architecture model, that takes advantage of the distinctive ability of Convolutional Neural Networks to find hidden patterns present in the lungs without requiring feature extraction and selection. The results obtained for the three different techniques for seed placement were, respectively, 74%, 74% and 92% of DICE with the Iterative Region Growing algorithm. The results for the U-Net model were 91% for the same metric.Future work includes more tests on bigger and more diverse databases, analyzing the effect of morphology operations on the results and the effect of the hyperparameter optimization techniques on the network.