Detection and Alignment of Vascular Structures in Intravascular Ultrasound using Pattern Recognition Techniques

Abstract

In this thesis, several methods for the automatic analysis of Intravascular Ultrasound (IVUS) sequences are presented, aimed at assisting physicians in the diagnosis, the assessment of the intervention and the monitoring of the patients with coronary disease. The basis for the developed frameworks are machine learning, pattern recognition and image processing techniques.

First, a novel approach for the automatic detection of vascular bifurcations in IVUS is presented. The task is addressed as a binary classification problem (identifying bifurcation and non-bifurcation angular sectors in the sequence images). The multiscale stacked sequential learning algorithm is applied, to take into account the spatial and temporal context in IVUS sequences, and the results are refined using a-priori information about branching dimensions and geometry. The achieved performance is comparable to intra- and inter-observer variability.

Then, we propose a novel method for the automatic non-rigid alignment of IVUS sequences of the same patient, acquired at different moments (before and after percutaneous coronary intervention, or at baseline and follow-up examinations). The method is based on the description of the morphological content of the vessel, obtained by extracting temporal morphological profiles from the IVUS acquisitions, by means of methods for segmentation, characterization and detection in IVUS. A technique for non-rigid sequence alignment - the Dynamic Time Warping algorithm - is applied to the profiles and adapted to the specific clinical problem. Two different robust strategies are proposed to address the partial overlapping between frames of corresponding sequences, and a regularization term is introduced to compensate for possible errors in the profile extraction. The benefits of the proposed strategy are demonstrated by extensive validation on synthetic and in-vivo data. The results show the interest of the proposed non-linear alignment and the clinical value of the method.

Finally, a novel automatic approach for the extraction of the luminal border in IVUS images is presented. The method applies the multiscale stacked sequential learning algorithm and extends it to 2-D+T, in a first classification phase (the identification of lumen and non-lumen regions of the images), while an active contour model is used in a second phase, to identify the lumen contour. The method is extended to the longitudinal dimension of the sequences and it is validated on a challenging data-set.

En esta tesis, se presentan métodos para el análisis automático de secuencias de Ultrasonido Intravascular (IVUS), destinados a ayudar a los médicos en el diagnóstico, la evaluación de la intervención y el seguimiento de los pacientes con enfermedad coronaria. La base para los métodos desarrollados son técnicas de aprendizaje automático, reconocimiento de patrones y procesamiento de imagen.

En primer lugar, se presenta un nuevo método para la detección automática de bifurcaciones vasculares en IVUS. La tarea se aborda como un problema de clasificación binaria (identificando los sectores angulares de bifurcación y de no-bifurcación en las imágenes de la secuencia). Se aplica el algoritmo de multiscale stacked sequential learning, para tener en cuenta el contexto espacial y temporal de las secuencias, y los resultados se refinan utilizando información a-priori acerca de las dimensiones de las ramificaciones y su geometría. El rendimiento obtenido es comparable a la variabilidad intra- e inter-observador.

A continuación, se propone un nuevo método para la alineación automática no rígida de secuencias de ecografía intravascular del mismo paciente, adquiridas en diferentes momentos (antes y después de la intervención, o al inicio del estudio y en exámenes de seguimiento). El método se basa en la descripción del contenido morfológico del vaso, que se obtiene mediante la extracción de perfiles temporales morfológicos de las adquisiciones de IVUS. Una técnica para la alineación no rígida de secuencias - Dynamic Time Warping - se aplica a los perfiles y se adapta al problema clínico. Se proponen dos diferentes estrategias para hacer frente a la superposición parcial entre los frame de las secuencias correspondientes. Los beneficios de la estrategia propuesta se demuestran por una amplia validación en datos sintéticos e in vivo.

Finalmente, se presenta un enfoque novedoso para la extracción automática de la frontera luminal en imágenes de IVUS. El método aplica el algoritmo de aprendizaje multiscale stacked sequential learning y lo extiende en 2-D+T, en una primera fase de clasificación (la identificación de regiones de lumen y no-lumen de las imágenes), mientras que un modelo de contorno activo se utiliza en una segunda fase, para identificar el contorno luminal.