Η εισαγωγή της Μαγνητικής Τομογραφίας (ΜΤ) στην κλινική πρακτική και η συμπληρωματική πληροφορία που δίνει η Φασματοσκοπία Μαγνητικού Συντονισμού (ΦΜΣ) συνιστά μια από τις πιο σημαντικές εξελίξεις στη διάγνωση ασθενών με καρκίνο εγκεφάλου [1]. Παρ’ όλα αυτά, οι εικόνες ΜΤ είναι συχνά δύσκολο να ερμηνευθούν από τους ειδικούς λόγω [2] α/ της υποκειμενικότητας και περιορισμένης εμπειρίας του παρατηρητή στην εκτίμηση εικόνων που παράγει η σχετικά νέα αυτή τεχνολογία, β/ των ποικίλων κλινικών χαρακτηριστικών των όγκων (π.χ. τύπος, διαβάθμιση κακοήθειας κλπ.) και γ/ της ιδιαιτερότητας των όγκων στην αντίθεση που παρουσιάζουν με τον περιβάλλοντα ιστό. Μόνο λιγοστές μελέτες έχουν διεξαχθεί για να χαρακτηρίσουν ιστούς εγκεφάλου μέσω της ανάλυσης ποσοτικών χαρακτηριστικών από εικόνες εγκεφάλου ΜΤ [3, 4]. Ενώ έχει ήδη τονιστεί η αναγκαιότητα συσχετισμού της διαγνωστικής και προγνωστικής πληροφορίας που προέρχεται από εικόνες ΜΤ και σήματα ΦΜΣ στη διεθνή βιβλιογραφία [5], υπάρχουν λιγοστές ανάλογες αναφορές για τον σχεδιασμό και υλοποίηση συστήματος Η/Υ αυτόματης διάγνωσης όγκων εγκεφάλου κάνοντας συνδυασμό ποσοτικής πληροφορίας προερχόμενης από εικόνες ΜΤ και σήματα ΦΜΣ [6, 7]. Οι στόχοι της παρούσας διατριβής εστιάζονται στα παρακάτω: - στη μελέτη, ανάπτυξη και η υλοποίηση υπολογιστικού συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου μέσω της ποσοτικής ανάλυσης εικόνων ΜΤ το οποίο θα βελτιώνει την ακρίβεια ταξινόμησης σε σχέση με ήδη υπάρχοντα συστήματα [4, 8, 9], όπως αυτά περιγράφονται στην διεθνή βιβλιογραφία μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου καθώς και μεταξύ γλοιωμάτων και μηνιγγιωμάτων με την χρήση δέντρου ιεραρχικής απόφασης δύο επιπέδων. Επιπλέον, στην ανάδειξη πως η χρήση ενός μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων των χαρακτηριστικών υφής έχει ως αποτέλεσμα την βελτίωση της ακρίβειας ταξινόμησης του ταξινομητή πιθανοκρατικού νευρωνικού δικτύου. - στην επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης όγκων του εγκεφάλου χρησιμοποιώντας α/ ογκομετρικές ποσοτικές παραμέτρους εικόνων ΜΤ, β/ ταξινομητή μηχανών διανυσμάτων στήριξης μαζί με τη μεθοδολογία συνάθροισης αποτελεσμάτων ταξινόμησης από τυχαιοποιημένα δείγματα κατηγοριών δημιουργημένων με επαναδειγματοληψία για κάθε κόμβο δέντρου ιεραρχικής απόφασης δύο επιπέδων όπου στο πρώτο επίπεδο πραγματοποιήθηκε διαχωρισμός μεταξύ πρωτογενών και δευτερογενών όγκων εγκεφάλου και στο δεύτερο και μεταξύ γλοιωμάτων και μηνιγγιωμάτων και γ/ έναν τροποποιημένο πυρήνα ακτινικής συνάρτησης βάσης για τον ταξινομητή μηχανών διανυσμάτων στήριξης ο οποίος περιλαμβάνει την τεχνική μη-γραμμικού πολυωνυμικού μετασχηματισμού ελάχιστων τετραγώνων με στόχο την βελτίωση της ακρίβειας ταξινόμησης. - στην περαιτέρω επέκταση και την βελτίωση του συστήματος αυτόματης ταξινόμησης με την εισαγωγή χαρακτηριστικών προερχόμενων από σήματα ΦΜΣ ώστε να διερευνηθεί εάν η χρήση του μπορεί να βελτιώσει τα αποτελέσματα ταξινόμησης μεταξύ μηνιγγιωμάτων και μονήρων μεταστάσεων. Τέλος κάνοντας μια περίληψη, η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση μεθόδων και αλγορίθμων για την επεξεργασία και ανάλυση ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών για την διάγνωση του τύπου των όγκων εγκεφάλου. Τα πιο βασικά συμπεράσματα που απορρέουν από την παρούσα διατριβή είναι τα ακόλουθα: α/ Το σύστημα ταξινόμησης των τύπων των όγκων εγκεφάλου που σχεδιάστηκε και υλοποιήθηκε αυξάνει τα ποσοστά ορθής ταξινόμησης σε σχέση με τα υπάρχοντα. β/ Η κωδικοποίηση των ιδιοτήτων της υφής που προέρχεται από τον σύνολο του όγκου παρέχει επιπρόσθετη πληροφορία στο σύστημα ταξινόμησης αυξάνοντας τα ποσοστά επιτυχούς διαχωρισμού. γ/ Τα χαρακτηριστικά φασματοσκοπίας μαγνητικού συντονισμού αποτελούν επιπρόσθετη αξία στο χαρακτηρισμό του τύπου των όγκων εγκεφάλου μιας και οδήγησαν στην αύξηση του ποσοστού επιτυχούς διαχωρισμού του συστήματος ταξινόμησης. / The process of brain tumor characterization requires a rather intricate assessment of the various Magnetic Resonance (MR) image and spectroscopic features and is typically performed by experienced radiologists. Despite the inherently subjective nature of many of the decisions associated with this process, an expert radiologist is able to perform this task with a significant degree of precision and accuracy. However, in the effort to deliver more effective treatment, clinicians are continuously seeking for greater accuracy in the pathological characterization of brain tissues. The aim of the present thesis was to design, implement, and evaluate a software classification system for discriminating between different brain tumor types on Magnetic Resonance Imaging (MRI), employing textural and spectroscopic features. The clinical material consisted of sixty seven T1-weighted post-contrast MR brain images (21 metastases, 19 meningiomas, and 27 gliomas), obtained from patients with verified and untreated intracranial tumors. Thirty-six 2-dimensional textural features (2D), from the image histogram and the co-occurrence and run-length matrices, were extracted from each one of 67 MR-images. Similarly, an equal number of 3-dimensional textural features (3D) were also calculated in the attempt to maximize classification performances. Finally, MR-spectroscopy features were also incorporated for improving classification accuracies. Classification methods employed included i/ a modified Probabilistic Neural Network (PNN) and Support Vector Machines (SVM) algorithms, incorporating a non-linear Least Squares Features Transformation (LSFT) into the classifiers and ii/ an ensemble classification scheme employing the LSFT-SVM classifier. The LSFT improved classifiers’ performances, increased class separability, and resulted in dimensionality reduction. For evaluating the performance of the designed classification schemes, evaluations were performed by means of the external cross validation process, which is considered indicative of the generalization performance of the designed classification system to ‘unseen’ cases. It was found that the LSFT features transformation enhanced the performance of the PNN and SVM algorithms, achieving classification accuracies of 73.48 % in distinguishing metastatic from primary tumors and 88.67% in discriminating gliomas from meningiomas. When volumetric 3-dimensional features were employed, these results improved to 88.18% for discriminating between metastatic and primary tumors and 97.33% for distinguishing gliomas from meningiomas. The textural features employed in the design of the optimum classification scheme were associated primarily with image texture homogeneity. Finally, when MR-spectroscopy features were also incorporated, classification accuracy was boosted up from 95% in discriminating meningiomas from metastasis to 100%. The MR-image features that participated in the optimum feature vector were related to the degree of homogeneity, the amount of randomness and the dispersion of the gray-tone intensity values within the texture of the tumor. These textural characteristics are related to textural parameters that physicians employ in diagnosis and they were proportional to the textural imprint of brain tumors, i.e. gliomas have heterogeneous texture while meningiomas appear to be homogeneous in MR imaging. The MR-spectroscopy feature that participated in the optimum feature vector was the Choline (Cho) / N-Acetyl Aspartate (NAA) metabolite integral ratio. It was found that both meningiomas and metastases are characterized from low concentrations of NAA while meningiomas exhibit higher concentrations of Cho than metastases, which could be attributed to increased synthesis of tumor cell membranes. Finally, the proposed system might be of value as an assisting tool for brain tumor characterization on volumetric MRI series.

L'Elastographie par Résonance Magnétique (ERM) est une technique d'imagerie permettant de caractériser in vivo les propriétés biomécaniques des tissus de façon non invasive. Dans ce contexte, la première partie de cette thèse s'intéresse à comparer les propriétés viscoélastiques obtenues par ERM avec une technique de rhéologie haute-fréquence, pouvant atteindre des fréquences de sollicitation mécanique communes à l'ERM, contrairement à ce qui est classiquement fait dans la littérature. Pour effectuer les mesures ERM, le dispositif d'excitation mécanique et la séquence IRM ont été développés et un algorithme de reconstruction des propriétés viscoélastiques, fondé sur l'inversion de l'équation de Helmholtz, a été implémenté et évalué en simulation. La comparaison ERM/rhéologie a ensuite été effectuée, d'abord sur des fantômes de plastisol présentant différentes propriétés viscoélastiques, puis sur des échantillons de foies bovins. Dans les deux cas, les résultats ont montré un bon accord entre les valeurs obtenues en ERM et celles issues de la rhéologie. Le second volet de ces travaux s'attache à présenter une nouvelle stratégie d'acquisition en ERM. Les séquences d'ERM conventionnelle utilisent des gradients oscillants afin d'encoder la propagation de l'onde. Ces gradients peuvent cependant restreindre les applications, en raison des limitations de leur fréquence de commutation et de leur amplitude maximale. Nous proposons ici d'encoder directement la propagation de l'onde à l'aide d'impulsions RF générées par la théorie du Contrôle Optimal (CO), combinées à un gradient constant. Une première expérience simple de contrôle de la phase par impulsions RF est présentée, consistant à créer des motifs de distribution spatiale de cette phase, en l'absence de propagation d'onde. Puis, des impulsions RF adaptées à l'ERM ont été générées : les images de phase obtenues ont été comparées avec celles acquises par ERM conventionnelle. Les propriétés viscoélastiques reconstruites dans les deux cas sont similaires, validant ainsi cette nouvelle méthode d'acquisition. / Magnetic Resonance Elastography is a non-invasive imaging method enabling in vivo characterization of viscoelastic properties of biological tissues. The first part of this thesis deals with the comparison of viscoelastic properties obtained with MRE and with a high-frequency rheometer having a large excitation frequency range. This large frequency range enables common frequency range to MRE, unlike the comparisons usually performed in the literature. To perform MRE measurements, the excitation device and the MRE sequence were developed and an algorithm reconstructing the viscoelastic properties based on an inversion of Helmholtz equation was implemented and evaluated through simulation. The comparison between MRE/rheology was then performed, first on plastisol phantoms with different viscoelastic properties, and then on bovine liver samples. In both cases, results show a very good agreement between values obtained with MRE and those coming from rheology. The second part of this work presents a new acquisition method for MRE. Conventional MRE sequences use oscillating gradients to encode the wave propagation into the phase image. However, these gradients can restrict MRE applications, as their switching frequencies as well as maximal amplitude are limited. The new acquisition strategy we propose in this thesis encodes the wave propagation directly with RF pulses generated with Optimal Control Theory (OCT), in combination with a constant gradient. An initial experiment of phase control with RF pulses is presented, consisting in creating non-trivial spatial phase patterns in MRI phase images, in the absence of wave propagation. Then, RF pulses adapted to the MRE problem are generated with OCT and phase images obtained with these pulses are compared with conventional MRE acquisitions. Viscoelastic properties reconstructed from these two techniques are similar, validating thus this new acquisition method.