Image analysis and deep learning to support endovascular repair of abdominal aortic aneurysms

dc.contributor
Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
dc.contributor.author
López-Linares, Karen
dc.date.accessioned
2019-07-03T11:23:19Z
dc.date.available
2020-06-10T02:00:10Z
dc.date.issued
2019-06-11
dc.identifier.uri
http://hdl.handle.net/10803/667102
dc.description.abstract
An abdominal aortic aneurysm (AAA) is a focal dilation of the aorta that may lead to its rupture. The most common treatment for AAAs is endovascular aneurysm repair (EVAR). EVAR implies lifelong postoperative surveillance using Computed Tomography Angiography (CTA), due to the potential appearance of complications. This thesis sets the basis for intelligent CTA image analysis to support post-operative follow-up of AAAs, providing clinicians with valuable information to prognose the behavior of the aneurysm. First, novel pre-operative and post-operative AAA segmentation approaches are developed, based on Convolutional Neural Networks (CNN). Initially, 2D AAA detection and segmentation CNNs are proposed. Then, segmentation is extended to 3D to increase segmentation accuracy. Precise AAA segmentation is the basis for a good AAA follow-up. It allows to measure aneurysm volume, which is thought to be a better indicator for aneurysm rupture than the current AAA diameter measurements. Furthermore, it enables more complex analyses of AAA morphology and deformations. Subsequently, a methodology for post-operative CTA time-series registration and aneurysm biomechanical strain analysis is also proposed. From these strains, quantitative image-based descriptors are extracted and correlated with the long-term patient prognosis. The extracted descriptors are the basis for possible future imaging biomarkers to be used in clinical practice to assess patient prognosis and to enable informed decision making after EVAR. Finally, the technological developments in the thesis are applied to solve complex segmentation problems in other clinical domains, such as pectoral muscle segmentation from mammograms and pulmonary artery segmentation from CT scans. Validation of the 3D AAA segmentation approach proposed in this thesis is being carried out with the aim of integrating it in a commercial product.
dc.description.abstract
El aneurisma de aorta abdominal (AAA) es una dilatación focal de la aorta que puede provocar su ruptura. El tratamiento habitual es la reparación endovascular (EVAR), que conlleva un seguimiento postoperatorio de por vida en base a imágenes de angiografía por tomografía computarizada (CTA) para detectar posibles complicaciones. Esta tesis establece la base para el análisis inteligente de imágenes CTA para apoyar el seguimiento postoperatorio de los AAA, proporcionando a los profesionales médicos información valiosa para predecir el comportamiento del aneurisma. Primero, se han desarrollado algoritmos de segmentación de AAA a partir de CTA preoperatorias y postoperatorias, basados en redes neuronales convolucionales (CNN). Inicialmente, se han propuesto CNNs 2D para la detección y la segmentación de AAAs. Posteriormente, el algoritmo de segmentación se ha extendido a 3D para mejorar su precisión, ya que ésta es la base para un buen seguimiento. Permite medir el volumen del aneurisma, que se considera un mejor indicador de riesgo de ruptura del AAA que la aproximación actual en base a su diámetro. Además, permite realizar análisis más complejos de la morfología y las deformaciones del AAA. Una vez obtenida la segmentación, se ha propuesto una metodología para el registro de series de CTA postoperatorias y el subsiguiente análisis biomecánico de las deformaciones del aneurisma. Dichas deformaciones se han cuantificado mediante descriptores de imagen y se han correlacionado con el pronóstico del paciente a largo plazo. Los descriptores extraídos establecen la base para el desarrollo de futuros biomarcadores de imagen que puedan ser utilizados en la práctica clínica para evaluar el pronóstico del paciente y para dar soporte al médico en sus decisiones tras una intervención EVAR. Por último, la experiencia adquirida en la tesis ha permitido aplicar algunas de las tecnologías para la resolución de problemas de segmentación complejos en otros ámbitos médicos, como la segmentación del músculo pectoral en mamografías o la segmentación de la arteria pulmonar en CTA. Actualmente, se está llevando a cabo la validación del algoritmo de segmentación de AAA 3D propuesto en esta tesis, con el objetivo de integrarlo en un producto comercial.
dc.format.extent
246 p.
dc.format.mimetype
application/pdf
dc.language.iso
eng
dc.publisher
Universitat Pompeu Fabra
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-sa/4.0/
dc.rights.uri
http://creativecommons.org/licenses/by-sa/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Endovascular aneurysm repair
dc.subject
Abdominal aorta
dc.subject
Image analysis
dc.subject
Segmentation
dc.subject
Deep learning
dc.subject
Convolutional neural network
dc.subject
Post-operative follow-up
dc.subject
Holistically nested edge detection
dc.subject
Artery
dc.subject
Image biomarkers
dc.title
Image analysis and deep learning to support endovascular repair of abdominal aortic aneurysms
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
62
dc.contributor.authoremail
karen.lopezlinares01@estudiant.upf.edu
dc.contributor.director
González Ballester, Miguel Ángel
dc.contributor.director
Macía, Iván
dc.embargo.terms
12 mesos
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
Programa de doctorat en Tecnologies de la Informació i les Comunicacions


Documents

tkllr.pdf

45.72Mb PDF

Aquest element apareix en la col·lecció o col·leccions següent(s)