Feature extraction from optical coherence tomography images for tissue classification

Abstract

Ένα μεγάλο ποσοστό καρκίνων πηγάζει από το επιθήλιο των οργάνων του σώματος. Πριν γίνουν επεμβατικοί, στα στάδια της δυσπλασίας και του καρκινώματος in situ, τα πρώιμα καρκινικά κύτταρα αλλάζουν την επιθηλιακή δομή. Πιο συγκεκριμένα, ο αριθμός των κυττάρων, και συνεπώς των πυρήνων, αυξάνεται. Οι πυρήνες γίνονται μεγαλύτεροι και υπερχρωματικοί, χαρακτηριστικά προφανή κατά την ιστολογική εξέταση. Επί του παρόντος, αυτές οι πρώιμες ανωμαλίες είναι ανιχνεύσιμες μόνο με ιστοπαθολογία ή, μη επεμβατικά, με τεχνικές οπτικής απεικόνισης όπως συνεστιακή ή μικροσκοπία πολλαπλών φωτονίων. Δυστυχώς, καμία από τις δύο τεχνικές δεν έχει εφαρμοστεί κλινικά λόγω πολυπλοκότητας και περιορισμένης διείσδυσης. Πρόσφατα, χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης για την ανίχνευση ανωμαλιών και την εύρεση περιοχών που χρειάζονται περαιτέρω εξέταση, αυξάνοντας έτσι την ακρίβεια και την αποτελεσματικότητα της διάγνωσης. Η Τομογραφία Οπτικής Συνοχής (OCT) είναι μια μη επεμβατική τεχνική ιατρικής απεικόνισης με αυξανόμενη χρήση στη διάγνωση, σε τομείς όπως η οφθαλμολογία, η καρδιολογία, η γαστρεντερολογία κ.λπ. Αντίθετα με τους υπέρηχους, λόγω της υψηλής ταχύτητας του φωτός, χρησιμοποιούνται συμβολομετρικές τεχνικές για την ανίχνευση του φωτός που οπισθοσκεδάζεται από τη μικροδομή των ιστών. Το κύριο πλεονέκτημα της είναι ότι διαθέτει ευκρίνεια παρόμοια με αυτή της ιστοπαθολογίας (1-20μm) σε πραγματικό χρόνο καθιστώντας την πολύ ελκυστική στις περιπτώσεις όπου βιοψίες δύσκολα μπορούν να εκτελεστούν.Όταν αξιοποιηθεί πλήρως, η OCT θα μπορούσε να βελτιώσει σημαντικά τον τρόπο διάγνωσης και θεραπείας. Εκτός από την απεικόνιση της μικροδομής, η OCT μπορεί επίσης να παρέχει πρόσθετες πληροφορίες σχετικά με την κυτταρική σύσταση του ιστού. Εκτός από την εκτίμηση του πυρηνικού μεγέθους, που επιδείχθηκε νωρίτερα, η διασπορά και ο δείκτης διάθλασης μπορούν επίσης να εξαχθούν από τις εικόνες OCT και μπορούν να χρησιμεύσουν ως διαγνωστικά σημαντικοί βιοδείκτες. Επιπλέον, η ανάπτυξη ενός πλήρως αυτοματοποιημένου αλγορίθμου για τμηματοποίηση των εικόνων και εξαγωγή χαρακτηριστικών μπορεί να ενισχύσει περαιτέρω το κλινικό δυναμικό της OCT. Αυτή η διατριβή ολοκληρώνεται με σύγκριση διαφόρων αλγορίθμων ταξινόμησης ML, οι οποίοι χρησιμοποιούν χαρακτηριστικά εικόνας OCT, ως προς την ικανότητά τους να διακρίνουν και να αναγνωρίζουν ανωμαλίες στον ιστού του ανθρώπινου οισοφάγου σε πρώιμο στάδιο, κάτι που θα μπορούσε να βελτιώσει σημαντικά την καταπολέμηση των οισοφαγικών παθήσεων όπως το αδενοκαρκίνωμα.

A large proportion of cancers originates from the epithelium of various organs throughout the human body. Before they become invasive, at stages known as dysplasia and carcinoma in situ, early cancer cells alter the epithelial structure. More specifically, the number of cells, and therefore the number of nuclei, increases. The nuclei become bigger and become hyperchromatic, features that are obvious during histological examination. Currently, these early abnormalities are only detectable by histopathology or, non-invasively, by optical imaging techniques such as confocal or multi-photon microscopy. Unfortunately, neither of the two techniques has been clinically implemented due to complexity and limited penetration issues. Recently, machine learning (ML) algorithms have been employed to review medical images, detect abnormalities, and find regions that need further examination, thus increasing the accuracy and efficiency of diagnostic procedures. Optical Coherence Tomography (OCT) is a noninvasive medical imaging technique with increasing use in the diagnosis of disease, in areas such as ophthalmology, cardiology, gastroenterology etc. Images are formed by measuring light backscattered from the tissue microstructures. However, unlike ultrasound (US), because of the high speed of light, interferometric techniques are utilized to detect the signal. The main advantage of OCT is that it can perform imaging at a resolution similar to that of histopathology (1-20μm), in real time, making it very attractive for applications where conventional biopsies cannot be performed. When fully exploited, OCT could significantly enhance the way doctors and researchers diagnose and treat disease. In addition to imaging the micro-structure, OCT can also provide additional information regarding the constituents and stage of the cellular components of the tissue. In addition to the estimation of the nuclear size, which was demonstrated earlier, dispersion and index of refraction can also be extracted from the OCT images and can serve as diagnostically important biomarkers. Moreover, the development of a fully automated algorithm for tissue segmentation and feature extraction can further enhance the clinical potential of OCT. This thesis concludes with a comparison of various ML classification algorithms, which use OCT image features, for their ability to distinguish and recognize human esophagus tissue abnormalities at early stage, something that will improve the fight against esophageal diseases such as adenocarcinoma.