Thesis (Ph.D.)--University of Western Australia, 2004.

Η διαχείριση της πληροφορίας που προέρχεται από εικόνες ιστοπαθολογίας μικροσκοπίου (βιοψίες) αποτελεί διεργασία υψηλής πολυπλοκότητας που αξιοποιείται για την εξαγωγή διαγνωστικών και προγνωστικών συμπερασμάτων από τον ιστοπαθολόγο. Η πολυπλοκότητα αυτή πηγάζει από τον τεράστιο όγκο βιολογικών οντοτήτων που περιέχονται στο δείγμα βιοψίας αλλά και στις μεταξύ τους πολυσύνθετες αλληλεπιδράσεις. Οι πιο σύγχρονες μέθοδοι τεχνητής νοημοσύνης προτείνουν εναλλακτικές προσεγγίσεις για την επίλυση των προβλημάτων υψηλής πολυπλοκότητας αυτού του τύπου. Ανάμεσα όμως στην είσοδο (δεδομένα) και έξοδο (αποτέλεσμα) των ‘έξυπνων’ υπολογιστικών συστημάτων, κρύβεται η μεθοδολογία και στρατηγική επεξεργασίας και ανάλυσης της διαθέσιμης πληροφορίας. Κατά το στάδιο αυτό οι παράμετροι ελέγχου διαχωρίζονται και συσχετίζονται μεταξύ τους ΄τυφλά’ (π.χ. με νευρωνικά δίκτυα, ασαφή λογική) σύμφωνα με συγκεκριμένα μαθηματικά κριτήρια (π.χ. πιθανοκρατικά, ελάχιστων τετραγώνων κ.α.) χωρίς όμως να λαμβάνουν υπόψη την ‘ευρετική’ (heuristic) του ειδικού με αποτέλεσμα να παρουσιάζουν πεπερασμένη ακρίβεια, μεγάλο χρόνο υλοποίησης, αδυναμία γενίκευσης. Έτσι, η απόδοση των συστημάτων αυτών εξαρτάται από το μέγεθος και ποιότητα (θορυβώδη, ελλιπή δεδομένα κ.α.) των δεδομένων, το πλήθος των συνδυασμών των ποσοτικών χαρακτηριστικών που περιγράφουν τα δεδομένα, τον καθορισμό των πλούσιων σε πληροφορία χαρακτηριστικών, την σημαντικότητα των επιμέρους χαρακτηριστικών και των μαθηματικών κριτηρίων ταξινόμησης. Για παράδειγμα πολλά χαρακτηριστικά περιγράφουν καλύτερα την υπό μελέτη διεργασία αλλά η εξαγωγή των πλούσιων σε προγνωστική πληροφορία χαρακτηριστικών απαιτεί πολλούς συνδυασμούς και μεγάλη υπολογιστική ισχύ. Επίσης πολλά χαρακτηριστικά σημαίνει εξειδίκευση του συστήματος στα δεδομένα εκπαίδευσης και αδυναμία εφαρμογής σε άγνωστα δεδομένα. Η παρούσα διατριβή διαπραγματεύεται τον σχεδιασμό, ανάπτυξη και υλοποίηση νέων μεθόδων επεξεργασίας και ανάλυσης ιατρικών εικόνων, επικεντρώνοντας ειδικότερα στην εφαρμογή των μεθόδων αυτών σε υπολογιστικό σύστημα μικροσκοπίας για την διάγνωση όγκων εγκεφάλου τύπου αστροκυττώματος. / Even though histological diagnosis is fundamentally important for patient's management, the potential of diagnostic errors in astrocytomas grading still remains substantially high, ranging from 25% to 40% in routine conditions. Diagnostic errors originate mainly from the lack of experience of experts; rare cancers low prevalence and their biological complexity hinder the establishment of concrete criteria able to predict tumours' behaviour, and, thus, to administrate proper treatments. The latter might explain the fact that a/ although promising treatments have been proposed, death rates have not been yet reduced and b/ the cost of rare cancers management still remains one of the highest healthcare economic burdens in Europe and worldwide. The aim of this thesis was to design, develop and implement new computerized methods to improve manual and computer-assisted malignancy grading of astrocytomas. Scientific objectives comprised: a/ develop a reliable and accurate segmentation algorithm for nuclei detection in routinely stained with H&E histopathological images of astrocytomas, b/ investigate and quantify modifications in nuclei morphology and texture with respect to the degree of tumour abnormality of astrocytic tumours, c/ evaluate whether quantitative analysis of cell nuclei by computer-assisted image analysis could assist the routinely performed malignancy grading of astrocytomas using conventional means, d/ investigate potential modifications in chromatin distribution, which might be used to improve the diagnostic evaluation of cases that histopathologists have difficulty in reaching definite diagnosis (i.e. 'intermediate' grade tumours), e/ support more reliable separation of high grade tumours into clinically meaningful subgroups of patients with grade III and grade IV tumours. For realizing the above objectives, a computer-assisted microscopy system was designed, built and implemented. The system was developed using novel methodologies that integrated state-of-art pattern recognition algorithms for microscopy image segmentation and classification. In addition, new classification techniques have been introduced. The usefulness of the proposed methods has been validated experimentally.

Breast cancer is among the well-researched type compared to other common types of cancer. However, there still remain important open issues for investigation. One of these issues is the clarification of the importance of certain biological factors, such as histological tumour grade and estrogens reception (ER) status, to clinical management of the disease. Until now, histological grading and ER status assessment is based on the visual evaluation of breast tissue specimens under the microscope. More specifically, grading is determined on the visual estimation of certain histological features, on H&E (Hematoxylin & Eosin) stained specimens according to the World Health Organization (WHO) guidelines, whereas ER-status is assessed as the percentage of expressed nuclei on immunohistochemically stained (IHC) specimens as suggested by the American Society of Clinical Oncology (ASCO) protocol. Recent studies have attempted to examine whether histological tumour grade relates to ER status. Such a relation seems to be of importance in the various treatment strategies followed in breast tumours. However, the quantification of ER status presents certain weaknesses: a) there is a lack of consensus among experts regarding the protocol to be followed for calculating the ER status; b) an exact estimate of the ER status is difficult to be obtained, since the latter would require manual counting of positively expressed nuclei. In clinical practice often a gross estimate is obtained by the histopathologists through visual inspection on representative specimen areas. Consequently, the evaluation of ER status, which has been considered by previous studies as the key measure for assessing the correlation between ERs and tumour grade, is prone to the physician’s subjective estimation. Therefore, more reliable methods are needed. This thesis has been carried out in the search of such alternative, more reliable, methods. Accordingly, the aims of the present thesis are: (i) to develop a reliable segmentation methodology for detection of ER-expressed nuclei in breast cancer tissue images stained with IHC, (ii) to objectively quantify ER status in breast cancer tissue images stained with IHC, (iii) to investigate potential correlation between ER status and histological grade by combining information from IHC and H&E stained breast cancer tissue images obtained from the same patient, (iv) to establish evidence for linking chromatin texture variations with textural variations on ER-expressed nuclei, (v) to investigate the potential of the proposed hybrid supervised pattern recognition strategies to other challenging fields of medical image processing and analysis. To address the above issues and in search of reliable methods for quantitatively assessing ER status and its correlation with histological grade based, a novel hybrid (unsupervised-supervised) pattern recognition methodology has been designed, developed and implemented for the analysis of breast cancer tissue images. Moreover, it will be shown that proper modification of the proposed methodology may result to generalize pixel classification approach suitable for processing and analysis of medical images other than microscopic such as Computed Tomography Angiography images. / Σε σχέση με άλλες μορφές καρκίνου, ο καρκίνος του μαστού είναι μεταξύ των ευρέως μελετημένων τύπων καρκίνου, ωστόσο, υπάρχουν ακόμη σημαντικά ανοικτά ζητήματα προς διερεύνηση. Ένα από αυτά τα είναι ο προσδιορισμός της σπουδαιότητας ορισμένων βιολογικών παραγόντων, όπως ο βαθμός διαφοροποίησης της κακοήθειας (ΒΔΚ) του όγκου και το επίπεδο έκφρασης των Οιστρογονικών Υποδοχέων (ΟΥ), στην κλινική διαχείριση της νόσου. Μέχρι τώρα, η εκτίμηση του ΒΔΚ του όγκου και της έκφρασης των ΟΥ είναι βασισμένη στην οπτική αξιολόγηση ιστολογικών δειγμάτων, τα οποία λαμβάνονται από αντιπροσωπευτικές περιοχές του μαστού, στο μικροσκόπιο. Συγκεκριμένα, σύμφωνα με τις οδηγίες του Παγκόσμιου Οργανισμού Υγείας, ο ΒΔΚ του όγκου καθορίζεται από την οπτική εκτίμηση ορισμένων ιστολογικών χαρακτηριστικών γνωρισμάτων σε ιστολογικά δείγματα που έχουν υποστεί χρώση Αιματοξυλίνης - Ηωσίνης (Heamatoxylin & Eosin-Η&Ε), ενώ σύμφωνα με τις οδηγίες της Αμερικάνικης Εταιρείας Κλινικής Ογκολογίας, η έκφραση των ΟΥ πρέπει να εκτιμάται ως το εκατοστιαίο ποσοστό των εκφρασμένων πυρήνων σε δείγματα βαμμένα με ανοσοϊστοχημικές τεχνικές (Immunohistochemistry-IHC). Πρόσφατες μελέτες έχουν προσπαθήσει να εντοπίσουν εάν υπάρχει σύνδεση μεταξύ του ΒΔΚ του όγκου και της έκφρασης των ΟΥ στον όγκο, συσχετίζοντας τον ΒΔΚ από εικόνες με χρώση H&E με τον ποσοστό των εκφρασμένων ΟΥ σε δείγματα IHC. Αυτή η συσχέτιση φαίνεται να είναι σημαντική στις διάφορες ακολουθούμενες στρατηγικές για τη θεραπεία του καρκίνου του μαστού. Εντούτοις, ο προσδιορισμός της έκφρασης των ΟΥ παρουσιάζει ορισμένες αδυναμίες: α) υπάρχει σημαντική μεταβλητότητα μεταξύ των ειδικών σχετικά με το πρωτόκολλο που ακολουθείται για τον υπολογισμό της έκφρασης των ΟΥ, β) είναι δύσκολο να εκτιμηθεί με ακρίβεια η έκφραση των ΟΥ, δεδομένου ότι θα απαιτούσε τη μέτρηση του συνόλου των θετικά εκφρασμένων πυρήνων από τον ειδικό ιστοπαθολόγο. Στην κλινική πράξη, λαμβάνεται συνήθως μια χονδρική εκτίμηση από τον ιστοπαθολόγο, μέσω μικροσκοπίου, παρατηρώντας αντιπροσωπευτικές περιοχές των δειγμάτων όπου υπάρχει μεγάλη συγκέντρωση εκφρασμένων πυρήνων σε ΟΥ. Ως εκ τούτου, η αξιολόγηση της έκφρασης των ΟΥ, που έχει θεωρηθεί από προηγούμενες μελέτες ως βασική μέτρηση για τη συσχέτιση μεταξύ ΟΥ και του βαθμού διαφοροποίησης των όγκων, είναι επιρρεπής στην υποκειμενικότητα του ειδικού. Για τον λόγο αυτό απαιτούνται πιο αξιόπιστες μέθοδοι. Η παρούσα διατριβή πραγματοποιήθηκε σε αναζήτηση εναλλακτικών, πιο αξιόπιστων μεθόδων. Έτσι οι στόχοι της παρούσας διατριβής είναι: (i) η ανάπτυξη μιας αξιόπιστης μεθοδολογίας τμηματοποίησης ιστολογικών εικόνων μικροσκοπίας επεξεργασμένες με χρώση IHC για τον εντοπισμό των πυρήνων που εκφράζουν τους ΟΥ για την αντικειμενική ποσοτικοποίηση της έκφρασης των ΟΥ στον καρκίνο του μαστού, (ii) η διερεύνηση ενδεχόμενης σχέσης μεταξύ της έκφρασης των ΟΥ και του ΒΔΚ του όγκου, συνδυάζοντας την πληροφορία των ιστολογικών δειγμάτων, που προέρχονται από τον καρκινικό ιστό του ίδιου ασθενούς και έχουν υποστεί επεξεργασία με ανοσοϊστοχημική χρώση και με χρώση H&E, (iii) η διερεύνηση πιθανής συσχέτισης στις μεταβολές της υφής της χρωματίνης με τις μεταβολές στην υφή των πυρήνων που εκφράζουν τους ΟΥ, και (iv) η διερεύνηση της δυνατότητας της προτεινόμενης μεθοδολογίας σε άλλους τομείς επεξεργασίας και ανάλυσης ιατρικών εικόνων. Για την εκπλήρωση των ανωτέρω στόχων και σε αναζήτηση αξιόπιστων μεθόδων για την ποσοτικοποίηση της έκφρασης των ΟΥ και της σύνδεσή της με το ΒΔΚ του όγκου, σχεδιάστηκε, αναπτύχθηκε και εφαρμόστηκε μια νέα μεθοδολογία βασισμένη στην αναγνώριση προτύπων ημι-εποπτευόμενης μάθησης για την ανάλυση ιστοπαθολογικής εικόνας. Επιπλέον, η κατάλληλη τροποποίηση της προτεινόμενης μεθόδου μπορεί να οδηγήσει στη γενίκευση της μεθοδολογικής προσέγγισης της ταξινόμησης εικονοστοιχείων για την επεξεργασία και την ανάλυση ιατρικών εικόνων, πέρα αυτών της μικροσκοπίας, όπως εικόνες από Aγγειογραφία Υπολογιστικής Τομογραφίας.

Αντικείμενο της παρούσας εργασία είναι ο υπολογισμός και η ταξινόμηση, με βάση το σύστημα, BIRADS της πυκνότητας του μαστού από εικόνες μαστογραφίας. Στα πλαίσια της προσπάθειας αυτής αναπτύχθηκε ολοκληρωμένο υπολογιστικό σύστημα σε γραφικό περιβάλλον ως λογισμικό πακέτο, σε γλώσσα Visual C++ .NET . Το υπολογιστικό αυτό σύστημα δέχεται σαν είσοδο εικόνες μαστογραφίας σε οποιοδήποτε από τα δημοφιλή bitmap format εικόνων όπως jpeg και tiff καθώς και DICOM αρχεία. Η λειτουργία του μπορεί να χωριστεί σε τρία στάδια: το στάδιο της προεπεξεργασίας, το στάδιο απομόνωσης της περιοχής του μαστού και το στάδιο καθορισμού της πυκνότητας του μαστού. Στο πρώτο στάδιο παρέχονται μια σειρά από στοιχειώδη εργαλεία επεξεργασίας εικόνας όπως εργαλεία περιστροφής, αποκοπής και αλλαγής αντίθεσης . Επιπρόσθετα παρέχεται η δυνατότητα Ανισοτροπικού Φιλτραρίσματος της εικόνας. Στο δεύτερο στάδιο γίνεται η απομόνωση της περιοχής του μαστού είτε απευθείας από τον χρήστη είτε αυτόματα με χρήση των ιδιοτήτων του μονογονικού (monogenic) σήματος για την αφαίρεση του παρασκηνίου (background) καθώς και κυματιδίων Gabor για τον διαχωρισμού του θωρακικού μυός. Στο τρίτο στάδιο παρέχεται η δυνατότητα ταξινόμησης της πυκνότητας του μαστού από τον χρήστη με τον καθορισμό κατάλληλου κατωφλίου των επιπέδων γκρίζου της εικόνας αλλά και η δυνατότητα αυτόματης ταξινόμησης της πυκνότητας του μαστού κατά BIRADS με χρήση Δομικών Στοιχείων Υφής (textons) και της τεχνικής pLSA. Όλες οι παραπάνω λειτουργίες παρέχονται μέσω μίας κατά το δυνατόν φιλικότερης προς τον χρήστη διεπαφής. / The present thesis aims at the classification of breast tissue according to BIRADS system based on texture features. To this end an integrated software system was developed in visual C ++. The system takes as inputs pictures in most of the popular bitmap formats like .jpeg and .till as well as DICOM. The functionality of the system is provided by three modules: (a) pre-processing module, (b) breast segmentation module and (c) the breast tissue density classification module. In the pre-processing module a set tools for image manipulation (rotation, crop, gray level adjustment) are available which are accompanied by the ability to perform anisotropic filtering to the input image. In the second module, the user has the ability to interactively define the actual borders of the breast or ask the system to perform it automatically. Automatic segmentation is a two step procedure; in the first step breast tissue is separated from its background by using the characteristics of monogenic signals, while in the second step the pectoral muscle region is subtracted using Gabor wavelets. In the density classification module the user can either ask for a calculation of breast density based on user-defined grey level threshold or perform an automatic BIRADS-based classification using texture characteristics in conjunction with Probabilistic Latent Semantic Analysis (pLSA) algorithm. Special emphasis was given to the development of a functional and user-friendly interface.