Image analysis techniques have been broadly used in computer aided diagnosis tasks in recent years. Computer-aided image analysis is a popular tool in medical imaging research and practice, especially due to the development of different imag- ing modalities and due to the increased volume of image data. Image segmenta- tion, a process that aims at identifying and separating regions of an image, is crucial in many medical applications, such as in identification (delineation) of anatomical structures and pathological regions, providing objective quantitative assessment and monitoring of the onset and progression of the disease. Multidetector CT (MDCT) allows acquisition of volumetric datasets with almost isotropic voxels, enabling visualization, characterization and quantification of the entire extent of lung anatomy, thus lending itself to characterization of Interstitial Lung Diseases (ILDs), often characterized by non uniform (diffuse) distribution in the lung volume. Interpretation of ILDs is characterized by high inter and intra- observer variability, due to lack of standardized criteria in assessing its complex and variable morphological appearance, further complicated by the increased vol- ume of image data being reviewed. Computer-Aided Diagnosis (CAD) schemes that automatically identify and char- acterize radiologic patterns of ILDs in CT images have been proposed to improve diagnosis and follow-up management decisions. These systems typically consist of two stages. The first stage is the segmentation of left and right Lung Parenchyma (LP) region, resulting from lung field segmentation and vessel tree removal, while the second stage performs classification of LP into normal and abnormal tissue types. The segmentation of Lung Field (LF) and vessel tree structures are crucial preprocessing steps for the subsequent characterization and quantification of ILD patterns. Systems proposed for identification and quantification of ILDpatterns havemainly exploited 2D texture extraction techniques, while only a few have investigated 3D texture features. Specifically, texture feature extraction methods that have been exploited towards lung parenchyma analysis are: first order statistics, grey level co-occurrence matrices, gray level run length matrices, histogram signatures and fractals. The identification and quantification of lung parenchyma into normal and abnormal tissue type has been achieved by means of supervised classification tech- niques (e.g. Artificial Neural Networks, ANN, Bayesian classifier, linear discrimi- nant analysis (LDA) and k-Nearest Neighboor (k-NN). However, the previously proposed identification and quantification schemes in- corporate preprocessing segmentation algorithms, effective on normal patient data. In addition the effect of the preprocessing stages (i.e. segmentation of LF and ves- sel tree structures) on the performance of ILD characterization and quantification schemes has not been investigated. Finally, the complex interaction of such automated schemes with the radiologists remains an open issue. The current thesis deals with identification and quantification of ILD in lung CT. The thesis aims at optimizing all major steps encountered in a computer aided ILD quantification scheme, by exploiting 3D texture feature extraction techniques and supervised and unsupervised pattern classification schemes to derive 3D disease segments. The specific objectives of the current thesis are focused on: • Development of LF segmentation algorithms adapted to pathology. • Development of vessel tree segmentation adapted to presence of pathology. • Development of ILD identification and quantification algorithms. • Investigation of the interaction of an ILD identification and quantification scheme with the radiologist, by an interactive image editing tool. / Η Διάμεση Νόσος (ΔΝ) του πνεύμονα αποτελεί το 15% των παθήσεων του πνεύμονα που εμφανίζονται στην κλινική πρακτική. Η ΔΝ επηρεάζει κυρίως το πνευμονικό παρέγχυμα και εμφανίζεται στις εικόνες Υπολογιστικής Τομογραφίας (ΥΤ) του πνεύμονα με την μορφή διάχυτων περιοχών χαρακτηριστικών προτύπων υφής που παρεκκλίνουν από αυτό του φυσιολογικού παρεγχύματος. Η Πολυτομική Υπολογιστική Τομογραφία (ΠΥΤ) επιτρέπει την απόκτηση τρισδιάστατων απεικονίσεων με σημαντική μείωση του χρόνου λήψης και αποτελεί την απεικονιστική τεχνική επιλογής για την ποσοτικοποίηση και τη διάγνωση της ΔΝ. Η διάγνωση της ΔΝ χαρακτηρίζεται από μειωμένη διαγνωστική ακρίβεια χαρακτηρισμού και ακρίβεια ποσοτικοποίησης έκτασης ακόμα και για τον έμπειρο ακτινολόγο, αλλά και από χαμηλή επαναληψιμότητα. Η δυσκολία διάγνωσης οφείλεται στη μειωμένη ικανότητα του ανθρώπινου παράγοντα ως προς το καθορισμό έκτασης των προτύπων υφής λόγω ομοιότητας ακτινολογικής εμφάνισης τους σε συνδυασμό με το φόρτο εργασίας του ακτινολόγου και τον αυξημένο όγκο δεδομένων της ΠΥΤ. Αυτοματοποιημένα συστήματα ανάλυσης εικόνας μπορούν να αντιμετωπίσουν τα παραπάνω προβλήματα παρέχοντας σημαντική υποβοήθηση στο έργο της διάγνωσης και παρακολούθησης της νόσου. Η ανάπτυξη αυτοματοποιημένων συστημάτων ανάλυσης εικόνας για υποβοήθηση διάγνωσης στην ΥΤ του πνεύμονα έχει αποτελέσει θέμα εκτεταμένης έρευνας την τελευταία δεκαετία με ένα μικρό τμήμα της να επικεντρώνεται στο χαρακτηρισμό και ποσοτικοποίηση της έκτασης της ΔΝ. Σημαντικά στάδια προεπεξεργασίας των συστημάτων αυτών αποτελούν οι τμηματοποίησεις των Πνευμονικών Πεδίων (ΠΠ) και του αγγειακού δένδρου για τον καθορισμό του προς ανάλυση όγκου του πνευμονικού παρεγχύματος. Τα έως σήμερα προταθέντα συστήματα αυτόματης ανίχνευσης και ποσοτικοποίησης της έκτασης της ΔΝ αξιοποιούν κυρίως μεθόδους ανάλυσης δισδιάστατης (2Δ) υφής εικόνας, ενώ μόνο δύο μελέτες έως σήμερα έχουν αξιοποιήσει ανάλυση 3Δ υφής. Συγκεκριμένα, μέθοδοι ανάλυσης υφής εικόνας που έχουν αξιοποιηθεί είναι: στατιστική 1ης τάξης (ιστόγραμμα), μήτρες συνεμφάνισης αποχρώσεων του γκρι (Grey level Co-occurrence Matrices), μήτρες μήκους διαδρομής απόχρωσης του γκρι (Gray Level Run Length Matrices), υπογραφές ιστογράμματος και Fractals. Ο χαρακτηρισμός και η ποσοτικοποίηση περιοχών του πνευμονικού παρεγχύματος που αντιστοιχούν σε φυσιολογικό παρέγχυμα και υποκατηγορίες παθολογίας υλοποιείται με μεθόδους επιβλεπόμενης ταξινόμησης προτύπων όπως: τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks, ΑΝΝ), Bayesian ταξινομητής, ανάλυση γραμμικού διαχωρισμού ( Linear Discriminant Analysis, LDΑ) και ταξινομητής πλησιέστερου γείτονα (k-Nearest Neighboor, k-NN). Στα έως σήμερα προταθέντα συστήματα, η τμηματοποίηση των ΠΠ υλοποιείται με συμβατικές μεθόδους τμηματοποίησης με βάση τις αποχρώσεις του γκρί (τιμές έντασης) εικονοστοιχείων. Ανοικτό ζήτημα παραμένει και η αξιολόγηση της επίδρασης των σταδίων προ-επεξεργασίας (τμηματοποίηση ΠΠ και αγγειακού δένδρου) στην ακρίβεια συστημάτων χαρακτηρισμού και ποσοτικοποίησης της έκτασης της ΔΝ. Τέλος, η αξιολόγηση της αλληλεπίδρασης αυτόματων συστημάτων ποσοτικοποίησης και ακτινολόγου στη λήψη αποφάσεων χαρακτηρισμού και ποσοτικοποίησης της έκτασης που αφορούν την ΔΝ δεν έχει διερευνηθεί. Η παρούσα διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη ολοκληρωμένου συστήματος ανάλυσης εικόνας το οποίο χαρακτηρίζει και ποσοτικοποιεί την έκταση περιοχών με ΔΝ σε απεικονίσεις ΠΥΤ θώρακος, στοχεύοντας στη βελτιστοποίηση όλων των σταδίων του, καθώς και στην αξιολόγηση της συμβολής του συστήματος στην λήψη διαγνωστικών αποφάσεων. Για το σκοπό αυτό διερευνώνται τεχνικές 3Δ ενίσχυσης εικόνας, 3Δ τμηματοποίησης εικόνας καθώς και 3Δ χαρακτηριστικά υφής εικόνας σε συνδυασμό με επιβλεπόμενα και μη επιβλεπόμενα συστήματα ταξινόμησης. Συγκεκριμένα η συμβολή της παρούσας διατριβής επικεντρώνεται στα ακόλουθα: • Ανάπτυξη μεθόδων τμηματοποίησης των ΠΠ και του αγγειακού δένδρου παρουσία παθολογίας. • Διερεύνηση της συμβολής αλγορίθμων εξαγωγής 3Δ υφής εικόνας στην ακρίβεια μεθόδων ταξινόμησης προτύπων ΔΝ. • Βελτιστοποίηση μεθόδων χαρακτηρισμού και ποσοτικοποίησης έκτασης με χρήση τεχνικών επιβλεπόμενης και μη επιβλεπόμενης ταξινόμησης. • Αξιολόγηση της επίδρασης των σταδίων προεπεξεργασίας στην ακρίβεια συστημάτων ποσοτικοποίησης. • Αξιολόγηση της συμβολής συστημάτων ποσοτικοποίησης στη διάγνωση της ΔΝ.