Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.

Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.

This thesis, within the subfield of computer science known as computer vision, deals with the use of scale-space analysis in early low-level processing of visual information. The main contributions comprise the following five subjects: The formulation of a scale-space theory for discrete signals. Previously, the scale-space concept has been expressed for continuous signals only. We propose that the canonical way to construct a scale-space for discrete signals is by convolution with a kernel called the discrete analogue of the Gaussian kernel, or equivalently by solving a semi-discretized version of the diffusion equation. Both the one-dimensional and two-dimensional cases are covered. An extensive analysis of discrete smoothing kernels is carried out for one-dimensional signals and the discrete scale-space properties of the most common discretizations to the continuous theory are analysed. A representation, called the scale-space primal sketch, which gives a formal description of the hierarchical relations between structures at different levels of scale. It is aimed at making information in the scale-space representation explicit. We give a theory for its construction and an algorithm for computing it. A theory for extracting significant image structures and determining the scales of these structures from this representation in a solely bottom-up data-driven way. Examples demonstrating how such qualitative information extracted from the scale-space primal sketch can be used for guiding and simplifying other early visual processes. Applications are given to edge detection, histogram analysis and classification based on local features. Among other possible applications one can mention perceptual grouping, texture analysis, stereo matching, model matching and motion. A detailed theoretical analysis of the evolution properties of critical points and blobs in scale-space, comprising drift velocity estimates under scale-space smoothing, a classification of the possible types of generic events at bifurcation situations and estimates of how the number of local extrema in a signal can be expected to decrease as function of the scale parameter. For two-dimensional signals the generic bifurcation events are annihilations and creations of extremum-saddle point pairs. Interpreted in terms of blobs, these transitions correspond to annihilations, merges, splits and creations. Experiments on different types of real imagery demonstrate that the proposed theory gives perceptually intuitive results. / <p>QC 20120119</p>

Breast cancer is a major global health problem and the most common form of cancer among women. Major advances in the technologies of imaging provide improved detection and sensitivity with fewer unnecessary biopsies. Commonly used imaging modalities include mammography, ultrasonography, magnetic resonance imaging (MRI), scintimammography, single photon emission computed tomography (SPECT) and positron emission tomography (PET). The current study is focused on breast MRI imaging, especially one of the most promising recent techniques, i.e. the Diffusion Weighted Imaging breast MRI (DWI). DWI is an unenhanced MRI technique, based on volume sequences on various b values (the b value identifies the measurement's sensitivity to diffusion and determines the strength and duration of the diffusion gradients) measuring the mobility of water molecules (Brownian motion) in vivo (in tissues) and provides different and potentially complementary information to Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) technique. As DWI based on the diffusive properties of water molecules, reflects their random motion resulting from thermal agitation. Water diffusion on breast can be quantified by measuring the mean diffusivity, which is the average of Apparent Diffusion Coefficient (ADC). The ADC can be calculated by making measurements at a low b factor, b1, and a higher b factor, b2. DWI allows the mapping of the diffusion process of molecules by the ADC map. ADC maps are calculated by collecting images with at least 2 different values, b1 and b2, of the b factor. The ADC map is a parametric image whose color scale or gray scale represents the ADC values of the voxels and is usually generated by proprietary or in house software. DWI apart from the 3D anatomical information, provides a noninvasive investigation of tissue vascularity, a novel contrast mechanism in MRI and has a high sensitivity in the detection of changes in the local biologic environment due to a pathologic process. Therefore, in addition to contrast enhancement-based characterization (DCE-MRI), measurement of the motion of water molecules in DWI provides an additional feature for lesion characterization that may further increase the specificity of MRI for classifying breast lesions. The diagnostic task that the current study deals with, accounts for the diagnosis of mass-like lesions in Diffusion Weighed Magnetic Resonance Imaging, based on low ADC values compared to high once in case of benign versus normal tissue. The hypothesis is that diffusivity of water molecules is restricted in environments of high cellularity, intracellular and extracellular edema, high viscosity, and fibrosis, such as malignant tumors, because these conditions become barriers to the movement of water molecules. Therefore, most of breast cancers show low ADC values compared with benign and normal tissue. Many studies have revealed the usefulness of ADC values in the differential diagnosis of breast lesions; however, the clinical effect remains limited because of the substantial overlap between benign and malignant lesions, which presents challenges for implementing a useful diagnostic ADC threshold. The majority of studies, similar to the current study, determined optimal cutoff levels of the ADC value between malignant and benign lesions by using ROC analysis, and ranged from 0.90 to 1.76 × 10-3 mm2/s while the sensitivity and specificity ranged from 63% to 100% and 46% to 97%, respectively. In addition, the methods for measuring ADC differ among reported studies, with the most representative method being the mean value of ADC (mean ± standard deviation) over a Region Of Interest representative of the breast lesion. The purpose of this study was to investigate the ability of histogram characteristics of Apparent Diffusion Coefficient (Apparent Diffusion Coefficient-ADC) to differentiate malignant from benign breast lesions in breast DWI. To this end the ADC maps of representative lesion ROIs were subjected to first order statistics analysis by calculating five first order textural features: Mean value, Standard Deviation, Kurtosis, Skewness and Entropy. This approach is intended to offer a more complete assessment of tumor texture and heterogeneity. The dataset analyzed is comprised of 92 histologically verified breast lesions, originating from 69 women with mammographically and/or ultrasonographically detected or palpable findings. Histology revealed 53 malignant lesions originating from 45 women and 39 benign lesions originating from 26 women. All of the breast MR examinations were performed with a 3T MR scanner, for b= 0, 900 s/mm2. Diagnostic performances of these parameters were compared by receiver operating characteristic (ROC) curve analysis. The mean of ADC of benign lesions [(1.470 ± 0.342) × 10-3 mm2/s] was found to be significantly higher than that of malignant tumours, [(0.965 ± 0.268) × 10-3 mm2/s, (p<0.00001)]. The standard deviation of ADC of benign lesions [(0.184 ± 0.999) × 10-3 mm2/s] was not significantly different from that of malignant tumours, [(0.192 ± 0.151) × 10-3 mm2/s, (p=0.6581)]. The skewness of ADC of benign [-0.303 ± 0.584] was significantly different than that of malignant tumours, 0.210 ± 0.725. (p = 0.0008)]. The kurtosis of ADC of benign [3.003 ± 1.065] was not significantly different from that of malignant tumours, [3.337 ± 1.334. (p=0.0987)]. The entropy of ADC of benign [4.794 ± 0.665] was significantly lower than that of malignant tumours, [5.569 ± 0.649, (p<0.00001)] The corresponding area under the empirical receiver operating characteristic curve was: 0.862 ± 0.042 (95% confidence interval: 0.754, 0.925) for mean of ADC, 0.705 ± 0.054 (95% confidence interval: 0.589, 0.800) for skeweness of ADC, 0.800 ± 0.046 (95% confidence interval: 0.691, 0.874) for entropy of ADC, resulting a good diagnostic performance of DWI for these parameters. On the other hand, an AUC of 0.527 ± 0.063 (95% confidence interval: 0.393, 0.640) and 0.601 ± 0.061 (95% confidence interval: 0.470, 0.707) for Standard deviation and kurtosis respectively, suggests a degree of overlap in ADC values between benign and malignant tumors. In an effort to identify optimal threshold values for differentiating benign versus malignant lesions these were selected to correspond to the points of highest accuracy of the ROC curves. In our study, we obtained two threshold values of mean ADC, both with an accuracy of 83.15%: 1.21 x 10-3 mm2/s with a sensitivity of 86.27% and specificity of 78.95%; and 1.32 x 10-3 mm2/s with a sensitivity of 92.16% and specificity of 71.05%. The threshold value of skeweness was -0.06 with an accuracy of 68.54%, a sensitivity of 66.03% and specificity of 66.67%. Finally, we found two threshold values of entropy, both with an accuracy of 76.40%: 5.17 with a sensitivity of 75.47% and specificity of 71.80%; and 5.21 with a sensitivity of 73.59% and specificity of 74.36%. In conclusion, results of the current study suggest the contribution of texture analysis methods in Diffusion-weighted MRI breast imaging for the quantification of tissue heterogeneity, providing important information for breast cancer diagnosis. Histogram analysis of ADC values in breast cancer has potential for differentiating benign and malignant tumors, providing information about the entire tumor. The mean, skewness and entropy of ADC are valuable parameters that are correlated with pathologic characterization of breast tumors. These 3 ADC parameters significantly elevated the quantitative diagnostic performance of breast DWI and would be effective parameters in distinguishing between malignant and benign breast lesions. Finally, future efforts will also focus on investigating the correlation of extracted texture features with histopathological findings, in order to verify the potential of the proposed texture analysis of ADC map in providing non-invasive prognostic factors of breast cancer. / Ο καρκίνος του μαστού είναι ένα σημαντικό παγκόσμιο πρόβλημα υγείας και η πιο διαδεδομένη μορφή καρκίνου στον γυναικείο πληθυσμό. Η ολοένα και πιο έγκαιρη διάγνωση του καρκίνου του μαστού έχει οδηγήσει σε σημαντική βελτίωση του ρυθμό θεραπείας της νόσου. Σημαντικές πρόοδοι στην τεχνολογία της απεικόνισης παρέχουν τη βελτιωμένη ανίχνευση και ευαισθησία του καρκίνου και οδηγούν σε όλο ένα και λιγότερες περιττές βιοψίες. Οι πιο συνηθισμένες μέθοδοι απεικόνισης, που χρησιμοποιούνται, περιλαμβάνουν την Μαστογραφία, την Υπερηχογραφία, την Μαγνητική Τομογραφία (MRI), την σπινθηρομαστογραφία, την Τομογραφία Εκπομπής Φωτονίων (SPECT) και την Τομογραφία Εκπομπής Ποζιτρονίων (PET). Η παρούσα μελέτη επικεντρώνεται στην τεχνολογία της Απεικόνισης Μαγνητικού Συντονισμού ειδικά σε μία πρόσφατη και ελπιδοφόρα τεχνική απεικόνισης του καρκίνου του μαστού, που ονομάζεται Απεικόνιση Σταθμισμένης Διάχυσης στη Τομογραφία Πυρηνικού Μαγνητικού Συντονισμού (Diffusion Weighted Imaging breast MRI (DWI)). Η DWI είναι μια MRI ακολουθία χωρίς χρήση σκιαγραφικής ουσίας, η οποία βασίζεται σε αλληλουχίες για διάφορες τιμές του παράγοντα διάχυσης b (η τιμή b προσδιορίζει την διαχυτότητα και καθορίζει την ένταση και τη διάρκεια των βαθμωτών πεδίων διάχυσης). Η DWI ποσοστικοποιεί την κινητικότητα των μορίων του νερού (Brownian κίνηση) in vivo (σε ιστούς) και παρέχει διαφορετικές και ενδεχομένως συμπληρωματικές πληροφορίες στην μαστογραφία μαγνητικής τομογραφίας με χρήση σκιαγραφικού (Dynamic Contrast-Enhanced Magnetic Resonance Imaging: DCE-MRI). Η DWI με βάση τις ιδιότητες διάχυσης των μορίων του νερού, αντανακλά την τυχαία κίνησής τους λόγω της θερμικής τους ενέργειας. Η διάχυση του νερού στον μαστό μπορεί να ποσοτικοποιηθεί με τη μέτρηση της μέσης διαχυτότητας, η οποία αναφέρεται ως Φαινόμενος Συντελεστής Διάχυσης (Apparent Diffusion Coefficient-ΑDC). Ο ADC υπολογίζεται ύστερα από μετρήσεις για δυο b τιμές, μια χαμηλή b1 και μια υψηλότερη b2 τιμή. Η DWI επιτρέπει την χαρτογράφηση της διάχυσης των μορίων του νερού μέσω του ADC χάρτη. Ο ADC χάρτης είναι μια παραμετρική εικόνα της οποίας η κλίμακα χρωμάτων ή κλίμακα των τόνων του γκρι, αντιπροσωπεύει τις ADC τιμές των voxels και συνήθως παράγεται από λογισμικό. Οι παραμετρικοί ADC χάρτες απεικόνισης DWI αναπαριστούν τη μικροδομή των ιστών για διάφορους συνδυασμούς τιμών της παραμέτρου b. Η DWI εκτός από 3D ανατομική πληροφορία, παρέχει μια μη επεμβατική διερεύνηση της αγγειοβρίθειας του ιστού, έναν νέο μηχανισμό αντίθεσης στην MRI, και χαρακτηρίζεται από υψηλή ευαισθησία στην ανίχνευση ενδεχόμενων αλλαγών στο τοπικό βιολογικό περιβάλλον, οι οποίες οφείλονται σε παθολογία. Ως εκ τούτου, εκτός από τον χαρακτηρισμό αλλοιώσεων βάση σκιαγραφικής ενίσχυσης (DCE - MRI), η ποσοτικοποίηση της κίνησης των μορίων του νερού στην DWI παρέχει επιπλέον στοιχεία για τον χαρακτηρισμό της αλλοίωσης, κάτι το οποίο μπορεί να αυξήσει περαιτέρω την ειδικότητα της MRI για την ταξινόμηση των αλλοιώσεων του μαστού. Το διαγνωστικό πρόβλημα το οποίο αντιμετώπισε/εστίασε η παρούσα διπλωματική εργασία, αφορά στο χαρακτηρισμό/διάγνωση χωροκατακτητικών αλλοιώσεων (mass-like) του μαστού στην Απεικονιση Μαγνητικου Συντονισμου Σταθμισμενης Διαχυσης (DWI) και την ποσοτικη αναλυση του Φαινομενου Συντελεστη Διαχυσης (ADC) για διαγνωση καρκινου του μαστου. Η ικανότητα διάχυσης των μορίων του νερού περιορίζεται σε περιβάλλον υψηλής κυτταροβρίθιας, ενδοκυττάριων και εξωκυττάριων οιδημάτων, υψηλού ιξώδους και ίνωσης, όπως συμβαίνει στους κακοήθεις όγκους, διότι οι παράγοντες αυτοί εμποδίζουν την κυκλοφορία των μορίων του νερού. Αποτέλεσμα αυτού είναι οι περισσότεροι καρκίνοι του μαστού να παρουσιάζουν χαμηλές ADC τιμές σε σύγκριση με τους καλοήθεις όγκους ή τον φυσιολογικό ιστό. Πολλές μελέτες έχουν δείξει τη χρησιμότητα των ADC τιμών στη διαφορική διάγνωση των αλλοιώσεων του μαστού. Εν τούτοις, το κλινικό αποτέλεσμα παραμένει περιορισμένο λόγω της σημαντικής επικάλυψης καλοήθων και κακοήθων αλλοιώσεων, γεγονός που αποτελεί πρόκληση για την εφαρμογή ενός χρήσιμου διαγνωστικού ορίου της μέσης ADC. Στη πλειοψηφία των μελετών, όπως και στη παρούσα μελέτη, τα βέλτιστα επίπεδα αποκοπής της ADC μεταξύ κακοήθων και καλοήθων αλλοιώσεων προσδιορίστηκαν με τη χρήση ROC ανάλυσης. Στις μέχρι τώρα μελέτες τα διαγνωστικά όρια της μέσης ADC κυμαίνονται από 0.90 έως 1.76 × 10-3 mm2 / s, με ευαισθησία και ειδικότητα να κυμαίνονται από 63% έως 100% και 46% έως 97%, αντίστοιχα. Γεγονός αποτελεί, επίσης, η διαφορετική μέθοδος υπολογισμού της ADC που ακολουθεί η κάθε μελέτη, με πιο συχνή μέθοδο, ο υπολογισμός της μέσης τιμής της ADC (μέση τιμή ± τυπική απόκλιση) σε μια περιοχή ενδιαφέροντος (ROI) μιας αλλοίωσης του μαστού. Σκοπός της παρούσας μεταπτυχιακής διπλωματικής εργασίας ήταν να διερευνηθεί η ικανότητα των χαρακτηριστικών ιστογράμματος του Φαινόμενου Συντελεστή Διάχυσης (Apparent Diffusion Coefficient-ADC) να διαφοροποιούν κακοήθεις από καλοήθεις αλλοιώσεις του μαστού στην Απεικόνιση Μαγνητικού Συντονισμού Σταθμισμένης Διάχυσης (Diffusion Weighted MRI-DWI). Για το σκοπό αυτό, δημιουργήθηκε ο ADC παραμετρικός χάρτης ο οποίος αποτέλεσε τη βάση για την εφαρμογή μεθόδου ανάλυσης υφής εικόνας, και τον υπολογισμό πέντε χαρακτηριστικών υφής πρώτης τάξης: την μέση τιμή, την τυπική απόκλιση, την κύρτωση, την λοξότητα και την εντροπία. Η προσέγγιση αυτή θεωρήθηκε ότι θα προσφέρει μια πιο ολοκληρωμένη αξιολόγηση της υφής του όγκου και της ετερογένειας. Η προσέγγιση εφαρμόσθηκε σε κλινικό δείγμα 92 ιστολογικά αποδεδειγμένων αλλοιώσεων του μαστού, οι οποίες προέρχονται από 69 γυναίκες οι οποίες είχαν νωρίτερα ανιχνευθεί μέσω μαστογραφίας ή/και υπερηχογραφίας ή από ψηλαφητά ευρήματα. Η ιστολογική εξέταση αποκάλυψε 53 κακοήθεις αλλοιώσεις που προέρχονταν από 45 γυναίκες και 39 καλοήθεις αλλοιώσεις από 26 γυναίκες. Όλες οι εξετάσεις μαγνητικής τομογραφίας του μαστού έγιναν με σύστημα MRI 3T και για b=0 και 900 s/mm2. Η διαγνωστική απόδοση/επίδοση των παραμέτρων αυτών συγκρίθηκε με την ανάλυση λειτουργικού χαρακτηριστικού δέκτη (ROC analysis). Τα αποτελέσματα υποδεικνύουν τον σημαντικό ρόλο της ανάλυσης ADC ιστογράμματος χρησιμοποιώντας τα 5 παραπάνω χαρακτηριστικά υφής για την ταυτοποίηση των αλλοιώσεων του μαστού. Οι μετρήσεις της μέσης τιμής, της λοξότητας και της εντροπία της ADC των καλοήθων και κακοήθων αλλοιώσεων του μαστού είχαν στατιστικώς σημαντική διαφορά. Ειδικότερα, η μέση ADC τιμή των καλοήθων όγκων [(1.470 ± 0.342) × 10-3 mm2/s] ήταν σημαντικά υψηλότερη από εκείνη των κακοήθων, [(0.965 ± 0.268) × 10-3 mm2/s, (ρ < 0.00001)]. Η λοξότητα της ADC των καλοήθων όγκων [-0.303 ± 0.584], διέφερε σημαντικά από εκείνη των κακοήθων, [0.210 ± 0.725. (ρ= 0.0008)]. Και η εντροπία της ADC των καλοήθων όγκων [4.794 ± 0.665], ήταν σημαντικά χαμηλότερη από εκείνη των κακοήθων, [5.569 ± 0.649, (ρ < 0.00001)]. Ωστόσο, η τυπική απόκλιση και η κύρτωση της ADC των καλοήθων και κακοήθων αλλοιώσεων του μαστού δεν είχαν στατιστικώς σημαντική διαφορά. Συγκεκριμένα, η τυπική απόκλιση της ADC των καλοήθων όγκων ήταν [(0.184 ± 0.999) × 10-3 mm2/s] ενώ των κακοήθων ήταν [(0.192 ± 0.151) × 10-3 mm2/s, (ρ = 0.6581)] και η κύρτωση της ADC των καλοήθων όγκων ήταν [3.003 ± 1.065] ενώ των κακοήθων ήταν [3.337 ± 1.334, (ρ = 0.0987)]. Η περιοχή κάτω από την ROC καμπύλη (AUC) για τη μέση ADC τιμή ήταν 0.862 ± 0.042 (95% διάστημα εμπιστοσύνης: 0.754, 0.925), για την λοξότητα της ADC ήταν 0.705 ± 0.054 (95% διάστημα εμπιστοσύνης: 0.589, 0.800) και για η εντροπία της ADC ήταν 0.800 ± 0.046 (95% διάστημα εμπιστοσύνης: 0.691, 0.874), και είχαν ως αποτέλεσμα μια καλή διαγνωστική απόδοση/ επίδοση της DWI για τις παραμέτρους αυτές. Από την άλλη πλευρά, η AUC με 0.527 ± 0.063 (95% διάστημα εμπιστοσύνης: 0.393, 0.640) και με 0.601 ± 0.061 (95% διάστημα εμπιστοσύνης: 0.470, 0.707) για την τυπική απόκλιση και την κύρτωση, αντίστοιχα, υποδηλώνει ένα βαθμό επικάλυψης στις ADC τιμές μεταξύ καλοήθων και κακοήθων όγκων. Τα βέλτιστα κατώφλια αποκοπής για διαφοροποίηση καλοήθων έναντι κακοήθων αλλοιώσεων καθορίστηκαν με τον εντοπισμό των σημείων όπου η ακρίβεια ήταν μέγιστη στις καμπύλες ROC. Από τη συγκεκριμένη μελέτη, προέκυψαν δύο τιμές κατωφλίου αποκοπής της μέσης ADC, με την ίδια ακρίβεια 83.15%. Το πρώτο κατώφλι με τιμή 1.21 x 10-3 mm2/s χαρακτηρίζεται με ευαισθησία 86.27% και ειδικότητα 78.95%. Και το δεύτερο κατώφλι με τιμή 1.32 x 10-3 mm2/s χαρακτηρίζεται με ευαισθησία 92.16% και ειδικότητα 71.05%. Το κατώφλι για την λοξότητα της ADC ήταν στα -0.06 με ακρίβεια 68.54%, ευαισθησία 66.03% και ειδικότητα 66.67%. Τέλος, προέκυψαν δύο τιμές κατωφλίου αποκοπής της εντροπίας της ADC με την ίδια ακρίβεια ακρίβεια 76.40%. Το πρώτο κατώφλι με τιμή 5.17 χαρακτηρίζεται με ευαισθησία 75.47% και ειδικότητα 71.80%. Και το δεύτερο κατώφλι με τιμή 5.21 χαρακτηρίζεται με ευαισθησία 73.59% και ειδικότητα 74.36%. Συμπερασματικά, τα αποτελέσματα της παρούσας μελέτης δείχνουν τη συνεισφορά των μεθόδων ανάλυσης υφής εικόνας στη Απεικονιση Μαγνητικου Συντονισμου Σταθμισμενης Διαχυσης (DWI) του μαστού για την ποσοτικοποίηση της ετερογένειας του ιστού, παρέχοντας σημαντικές πληροφορίες για τη διάγνωση του καρκίνου του μαστού. Η ανάλυση ιστογράμματος των ADC τιμών στον καρκίνο του μαστού έχει τη δυνατότητα διαφοροποίησης καλοήθων και κακοήθων όγκων, παρέχοντας πληροφορίες για το σύνολο του όγκου. Η μέση τιμή, η λοξότητα και η εντροπία του ADC είναι πολύτιμες παράμετροι που συσχετίζονται με παθολογικό χαρακτηρισμό των όγκων του μαστού. Αυτές οι 3 ADC παράμετροι αύξησαν σημαντικά την ποσοτική διαγνωστική απόδοση της DWI του μαστού και πιθανότατα να είναι αποτελεσματικές παράμετροι όσον αφορά τη διάκριση μεταξύ καλοήθων και κακοήθων αλλοιώσεων του μαστού Μελλοντικές προσπάθειες πρόκειται να εστιάσουν στη διερεύνηση της συσχέτισης των εξαχθέντων χαρακτηριστικών υφής με ιστοπαθολογικούς δείκτες, με σκοπό την περαιτέρω επιβεβαίωση των προτεινόμενων προσεγγίσεων και ενδεχομένως την χρήση συγκεκριμένων χαρακτηριστικών υφής ως μη επεμβατικών προγνωστικών δεικτών καρκίνου του μαστού.

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.

The work of this Thesis is focused on image guided focal therapy of prostate cancer by High Intensity Focused Ultrasound (HIFU). Currently MRI is the only imaging technique that can locate the tumor in prostate. In contrast, the tumor is not visible in the ultrasound image which is used to guide the HIFU planning and therapy. The aim of the Thesis is to provide registration techniques of T2 MRI to ultrasound. Two approaches were explored: 1) Region-based registration. More particularly, we studied an ultrasound texture descriptors based on moments invariant to rotation and scaling. These descriptors are sensitive to speckle distribution regardless of the scale or the orientation. As we expected, some of these descriptors can be used to characterize regions sharing a similar speckle spatial distribution. But, we also found that some other descriptors were sensitive to the contours of these regions. This property seems very useful to adapt the classical boundary-based or mixed region/boundary-based segmentation methods (active contours, graph cut, etc.) to process US images. 2) Surface-based registration approach.. We adapted the Optimal Definition Surface (OSD) method to the segmentation of the prostate in T2 MRI, Furthermore, we proposed the multiple-objects OSD which is a concurrent segmentation of the prostate, bladder and rectum. Finally we used the prostate surface extracted from the ultrasound volume and from T2 MRI in a surface-to-surface elastic registration scheme. This registration allowed us to merge the preoperative MR information in the peroperative US volume.

The aim of the current thesis is the exploitation of texture analysis approaches for the computer-aided diagnosis (CADx) of breast cancer. The first objective of the presented thesis is the exploitation of texture properties of the tissue surrounding microcalcifications (MCs) on x-ray mammograms for its differentiation into malignant or benign type. This approach is differentiated from previously reported texture-based CADx schemes by analyzing the “net texture pattern” of the underlying breast tissue, removing any bias introduced by the presence of MCs. This is achieved by employing a “coarse” MC segmentation step, relaxing requirements for accurate segmentation in morphology-based CADx schemes, and subsequently “excluding” the segmented MCs from the tissue area being analyzed by means of texture analysis approaches. The discriminating ability of the MCs surrounding tissue texture analysis approach is compared to that of a current state-of-the-art texture analysis approach and to a morphology-based one, employing supervised classification schemes. Classification performance is evaluated by means of Receiver Operating Characteristic (ROC) analysis on a dataset of 108 pleomorphic MC clusters originating from the Digital Database for Screening Mammography (DDSM). Results suggested that the exploitation of texture properties of the tissue surrounding MCs on screening x-ray mammograms accounts for a competitive new methodological approach towards computer-aided diagnosis of breast cancer. The second objective of the current thesis is the exploitation of lesion enhancement kinetics heterogeneity for the differentiation of breast lesions in Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI). This approach is differentiated from previously reported studies by investigating the texture of the lesion not as depicted on a single post-contrast frame but by considering serial post-contrast data. This is achieved by generating parametric maps the reflect lesion enhancement kinetics properties and then subjecting the parametric maps to texture analysis. The discriminating ability of the enhancement kinetics “texture” analysis approach is compared to that of current state-of-the-art approach of single time frame texture analysis, employing supervised classification schemes. Classification performance is evaluated by means of ROC analysis on a dataset of 81 mass-like lesions, originating from a locally available Database. Results suggested that texture features extracted from parametric maps that reflect lesion washout properties can discriminate malignant from benign lesions more efficiently as compared to texture features extracted from either the 1st post-contrast frame lesion area or from a parametric map that reflects lesion initial uptake. Results of the current thesis suggest the contribution of texture analysis methods in breast imaging for the quantification of both anatomical and functional tissue heterogeneity, providing important information for breast cancer diagnosis. / Στα πλαίσια της παρούσας Διατριβής μελετήθηκε η συμβολή μεθόδων ανάλυσης υφής μαστογραφικών εικόνων στη διάγνωση καρκίνου του μαστού. Η μελέτη εστιάσθηκε σε δύο διαγνωστικά προβλήματα τα οποία αποτελούν ανοικτά ζητήματα τόσο στην κλινική ρουτίνα όσο και στις μεθοδολογικές προσεγγίσεις αυτόματων συστημάτων ανάλυσης εικόνας για την υποβοήθηση της διάγνωσης με χρήση υπολογιστή (Computer-aided diagnosis - CADx). Το πρώτο διαγνωστικό πρόβλημα στο οποίο εστίασε η παρούσα Διατριβή αφορά στο χαρακτηρισμό μικροαποτατινώσεων στη μαστογραφία ακτίνων-Χ. Στην παρούσα μελέτη ακολουθείται μια διαφορετική προσέγγιση για τη διάγνωση συστάδων μικροαποτιτανώσεων, βάσει της οποίας μελετάται η ετερογένεια του ιστού ο οποίος περιβάλλει τις μικροαποτιτανώσεις. Ο «περιβάλλων ιστός» προκύπτει από εφαρμογή μεθόδου τμηματοποίησης των μικροαποτιτανώσεων και εξαίρεσής τους από την περιοχής ενδιαφέροντος. Οι απαιτήσεις ακρίβειας της μεθόδου τμηματοποίησης στην προσέγγιση ανάλυση υφής του «περιβάλλοντος ιστού» είναι μειωμένες, σε σχέση με τις αντίστοιχες μεθόδους των CADx συστημάτων βάσει μορφολογίας, καθώς απαιτείται μόνο «αδρός» καθορισμός των ορίων τους. Η ετερογένεια του περιβάλλοντος ιστού μελετήθηκε βάσει μεθόδων εξαγωγής χαρακτηριστικών υφής εικόνας, σε δείγμα 108 συστάδων μικροαποτιτανώσεων, που αντλήθηκαν από μαστογραφικές εικόνες της ψηφιακής βάσης αναφοράς Digital Database for Screening Mammography. Η διαχωριστική ικανότητα των εξαχθέντων χαρακτηριστικών υφής διερυνήθηκε με χρήση επιβλεπόμενων σχημάτων ταξινόμησης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών. Η προσέγγιση «ανάλυσης υφής του περιβάλλοντος ιστού» συγκρίθηκε με την τρέχουσα μέθοδο ανάλυσης υφής εικόνας περιοχής ενδιαφέροντος που εμπεριέχει τη συστάδα μικροαποτιτανώσεων, αλλά και με προσέγγιση βάσει ανάλυσης μορφολογίας μικροαποτιτανώσεων. Τα αποτελέσματα της παρούσας μελέτης συνιστούν ότι η προσέγγιση ανάλυσης υφής «του περιβάλλοντος ιστού» αποτελεί μία νέα ανταγωνιστική μεθοδολογία στη διάγνωση καρκίνου του μαστού υποβοηθούμενη από υπολογιστή. Το δεύτερο διαγνωστικό πρόβλημα στο οποίο εστίασε η παρούσα Διατριβή αφορά στο χαρακτηρισμό χωροκατακτητικών αλλοιώσεων στη μαστογραφία μαγνητικής τομογραφίας με χρήση σκιαγραφικού (Dynamic Contrast-Enhanced Magnetic Resonance Imaging: DCE-MRI). Στην παρούσα μελέτη διερευνάται η ικανότητα ποσοτικοποίησης της ετερογένειας των αλλοιώσεων ως προς τη δυναμική τους συμπεριφορά για τη διάγνωση χωροκατακτητικών αλλοιώσεων στη DCE-MRI. Για το σκοπό αυτό δημιουργήθηκαν τρεις παραμετρικοί χάρτες βάσει υπολογισμού τριών δυναμικών χαρακτηριστικών των αλλοιώσεων σε επίπεδο εικονοστοιχείου, οι οποίοι αποτέλεσαν τη βάση για την εφαρμογή μεθόδου ανάλυσης υφής εικόνας, βάσει μητρών συνεμφάνισης στο πεδίο διαβαθμίσεων του γκρι. Μελετήθηκε η διαχωριστική ικανότητα μεμονωμένων χαρακτηριστικών υφής αλλά και επιλεχθέντων υποσυνόλων από κάθε παραμετρικό χάρτη με χρήση επιβλεπόμενων σχημάτων ταξινόμησης. Η ακρίβεια ταξινόμησης αξιολογήθηκε βάσει του εμβαδού της καμπύλης απόκρισης παρατηρητών. Η μέθοδος συγκρίθηκε με τη συμβατική προσέγγιση ποσοτικοποίησης ετερογένειας της αλλοίωσης σε συγκεκριμένο χρονικό στιγμιότυπο, όπως υιοθετείται από τρέχουσες προσεγγίσεις συστημάτων CADx στη DCE-MRI, σε δείγμα 81 αλλοιώσεων. Τα χαρακτηριστικά υφής που εξήχθησαν από χάρτες που εκφράζουν τη μεταβολή του σήματος κατά τη φάση της έκπλυσης του σκιαγραφικού παρουσίασαν την υψηλότερη ακρίβεια ταξινόμησης η οποία ήταν στατιστικώς σημαντικά διαφορετική συγκρινόμενη με χαρακτηριστικά που εξήχθησαν είτε από χάρτη που εκφράζει μεταβολή του σήματος κατά τη φάση της πρόσληψης του σκιαγραφικού ή από αλλοίωση όπως απεικονίζεται σε συγκεκριμένο χρονικό στιγμιότυπο. Τα αποτελέσματα της παρούσας Διατριβής υποδηλώνουν την ικανότητα μεθόδων ανάλυσης υφής στη μαστογραφική απεικόνιση για την ποσοτικοποίηση τόσο της ανατομικής όσο και της λειτουργικής ετερογένειας των αλλοιώσεων, παρέχοντας σημαντική πληροφορία για τη διάγνωση καρκίνου του μαστού.

Η παρούσα διδακτορική διατριβή αποτελεί ένα συνδυαστικό ερευνητικό προϊόν που στοιχειοθετείται από την ανάπτυξη υπολογιστικών εργαλείων επεξεργασίας και ανάλυσης θαλάσσιων γεωφυσικών δεδομένων και την εφαρμογή τους σε πρωτογενή δεδομένα, συλλεγμένα από το Εργαστήριο Θαλάσσιας Γεωλογίας και Φυσικής Ωκεανογραφίας (Ε.ΘΑ.ΓΕ.Φ.Ω) του πανεπιστημίου Πατρών, κατά το διάστημα 2005 – 2011. Τα πεδία στα οποία συγκεντρώνεται το κέντρο βάρους της διατριβής είναι: 1) τα συστήματα ακουστικής ταξινόμησης πυθμένα και 2) η χαρτογράφηση και παραμετροποίηση εμφανίσεων των πολύ σημαντικών θαλάσσιων ενδιαιτημάτων της Ποσειδώνιας και των κοραλλιογενών σχηματισμών στο Ιόνιο και στο Αιγαίο πέλαγος. Έτσι αναπτύχθηκαν και παρουσιάστηκαν εκτενώς τα λογισμικά εργαλεία SonarClass και TargAn, που αναφέρονται αντίστοιχα στην αυτόματη ακουστική ταξινόμηση πυθμένα και την παραμετροποίηση περιοχών ενδιαφέροντος σε εικόνες ηχοβολιστών ευρείας σάρωσης και εφαρμόστηκαν για την χαρτογράφηση λειμώνων ποσειδώνιας στη Ζάκυνθο και κοραλλιογενών σχηματισμών (τραγάνας) στις Κυκλάδες νήσους. Παράλληλα και επεκτείνοντας το εύρος των ερευνητικών προϊόντων αυτής της διατριβής, αναπτύχθηκαν επίσης: 1) το λογισμικό SBP-Im-An για τη γεωαναφορά και ψηφιοποίηση παλαιών αναλογικών καταγραφών τομογράφων υποδομής πυθμένα, 2) το λογισμικό χωροστάθμησης θαλάσσιων γεωμαγνητικών δεδομένων MagLevel και 3) το λογισμικό ποσοτικοποίησης αλιευτικών ιχνών σε δεδομένα ηχοβολιστών ευρείας σάρωσης PgStat, με αντίστοιχες σημαντικές εφαρμογές σε πρωτογενή δεδομένα. Η παρούσα διατριβή επιδεικνύει πρωτοτυπία τόσο σε επίπεδο ανάπτυξης νέων μεθόδων ανάλυσης και επεξεργασίας γεωφυσικών δεδομένων όσο και σε επίπεδο παρουσίασης εφαρμογών τους σε περιοχές μελέτης με ιδιαίτερο περιβαλλοντικό ενδιαφέρον αλλά και σε πεδία έρευνας για τα οποία το ενδιαφέρον της σύγχρονης θαλάσσιας επιστημονικής κοινότητας βρίσκεται στο απόγειό του. / The present PhD thesis is a combinational research product concerning the development of software tools for the processing and analysis of marine geophysical data and their application to original data, collected by the Laboratory of Marine Geology and Physical Oceanography (L.M.G.P.O), university of Patras, Greece, during the period 2005-2011. The fields that this thesis focuses on are: 1) the Acoustic Seabed Classification Systems and 2) the mapping and quantification of very important marine habitats that specifically are the Posidonia Oceanica Prairies and the Coralline formations in the Aegean and Ionian seas. The software tools SonarClass and TargAn, that respectively refer to the Acoustic Seabed Classification and the quantification of Regions Of Interest in swath sonar imagery are presented and applied to the cases of Posidonia Oceanica in Zakinthos Isl. (Ionian Sea) and Coralline formations in Cyclades Isl. (Aegean Sea). Additionally and extending the range of the research products of this thesis, other software tools that are presented are: 1) the SBP-Im-An for the recreation (georeferencing and digitization) of old analog Sub Bottom Profiler recordings, 2) the MagLevel for the tie line leveling of marine geomagnetic data and 3) the PGStat for the quantification of trawl marks in swath sonar imagery, all of them with significant applications to original data. This thesis demonstrates originality due to both the development of new methods for the analysis and processing of marine geophysical data and the applications to study areas with particular environmental interest and research fields for which the attention of the marine scientists is at its peak.

Orientador: Gabriela Castellano / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Fisica Gleb Wataghin / Made available in DSpace on 2018-08-15T22:34:24Z (GMT). No. of bitstreams: 1 Oliveira_MarciaSilvade_D.pdf: 17533323 bytes, checksum: 32a83eb4815b68f061baa91a4b0ab2e4 (MD5) Previous issue date: 2010 / Resumo: Análise de textura em imagens digitais é um termo que se refere a um grupo de técnicas de processamento de imagens que objetivam a extração de descritores da imagem ou de regiões de interesse (ROIs) de forma a simplificar a caracterização das mesmas. A textura pode ser entendida como características intrínsecas da imagem (por exemplo: brilho, cor e distribuição de formas) que remetem à ideia de regularidade, rugosidade, suavidade, entre outras, por isso o nome 'textura'. Um tipo particular de análise de textura, bastante utilizado em imagens médicas, se baseia em medidas estatítsticas relativas à distribuição de níveis de cinza da imagem (matriz de coocorrência). Os descritores de textura, baseados na matriz de coocorrência, são conhecidos como descritores de Haralick. Este trabalho consistiu na aplicação de vídeo deste tipo de análise em imagens de Tomografia Computadorizada (TC) de vítimas de Acidente Vascular Cerebral Isquêmico e em imagens de Ressonância Magnetica (RM) de portadores de Epilepsia Mioclônica Juvenil, Doença de Machado-Joseph, Déficit Cognitivo Leve e Doença de Alzheimer, visando o desenvolvimento de uma ferramenta computacional que auxilie o neurologista na identificação de areas atingidas por estas doenças e que não sejam distinguíveis em uma análise visual. Neste trabalho foram selecionadas regiões de interesse (ROIs) e calculados os parâmetros de textura para cada grupo de imagens. Após o cálculo dos descritores de textura foi realizada uma análise estatística para verificar se havia diferenciação entre os vários tipos de tecidos. Os resultados obtidos mostraram que a análise de textura pode, de fato, ser utilizada para a extração de características discriminantes, tanto nas imagens de TC quanto nas imagens de RM para as cinco patologias analisadas / Abstract: Texture analysis in digital images is a term that refers to a group of image processing techniques that aim to extract descriptors of the image or regions of interest (ROIs) in order to simplify their characterization. Texture may be understood as intrinsic characteristics of the image (such as brightness, color and distribution of forms) that refer to the idea of regularity, roughness and smoothness, hence the name 'texture'. A particular type of texture analysis, widely used in medical imaging, is based on statistical measurements related to the image gray level distribution (coocurrence matrix). The texture descriptors based on the coocurrence matrix are known as Haralick descriptors. This work consisted on applying this type of analysis to computed tomography (CT) images of victims of Ischemic Stroke and magnetic resonance images (MRI) of patients with Juvenile Myoclonic Epilepsy, Machado-Joseph disease, mild cognitive impairment and Alzheimer's disease, in order to develop a computational tool to assist neurologists in the identification of areas affected by these diseases and which are not perceived in a visual analysis. In this work we selected regions of interest (ROIs) and calculated the texture parameters for each group of images. After the calculation of the texture descriptors, a statistical analysis was performed to determine whether there was differentiation between the various types of tissues. The results showed that texture analysis can indeed be used for the extraction of discriminant features in both the CT an the MR images for the five studied pathologies / Doutorado / Física / Doutora em Ciências

Au cours de la dernière décennie, la pathologie numérique a été améliorée grâce aux avancées des algorithmes d'analyse d'images et de la puissance de calcul. Néanmoins, le diagnostic par un expert à partir d'images histopathologiques reste le gold standard pour un nombre considérable de maladies notamment le cancer. Ce type d'images préserve la structure des tissus aussi proches que possible de leur état vivant. Ainsi, cela permet de quantifier les objets biologiques et de décrire leur organisation spatiale afin de fournir une description plus précise des tissus malades. L'analyse automatique des images histopathologiques peut avoir trois objectifs: le diagnostic assisté par ordinateur, l'évaluation de la sévérité des maladies et enfin l'étude et l'interprétation des mécanismes sous-jacents des maladies et leurs impacts sur les objets biologiques. L'objectif principal de cette thèse est en premier lieu de comprendre et relever les défis associés à l'analyse automatisée des images histologiques. Ensuite, ces travaux visent à décrire les populations d'objets biologiques présents dans les images et leurs relations et interactions à l'aide des statistiques spatiales et également à évaluer la significativité de leurs différences en fonction de la maladie par des tests statistiques. Après une étape de séparation des populations d'objets biologiques basée sur la couleur des marqueurs, une extraction automatique de leurs emplacements est effectuée en fonction de leur type, qui peut être ponctuel ou surfacique. Les statistiques spatiales, basées sur la distance pour les données ponctuelles, sont étudiées et une fonction originale afin de mesurer les interactions entre deux types de données est proposée. Puisqu'il a été montré dans la littérature que la texture d'un tissu est altérée par la présence d'une maladie, les méthodes fondées sur les motifs binaires locaux sont discutées et une approche basée sur une modification de la résolution de l'image afin d'améliorer leur description est introduite. Enfin, les statistiques descriptives et déductives sont appliquées afin d'interpréter les caractéristiques extraites et d'étudier leur pouvoir discriminant dans le cadre de l'étude des modèles animaux de cancer colorectal. Ce travail préconise la mesure des associations entre différents types d'objets biologiques pour mieux comprendre et comparer les mécanismes sous-jacents des maladies et leurs impacts sur la structure des tissus. En outre, nos expériences confirment que l'information de texture joue un rôle important dans la différenciation des deux modèles d'implantation d'une même maladie. / During the last decade, digital pathology has been improved thanks to the advance of image analysis algorithms and calculus power. However, the diagnosis from histopathology images by an expert remains the gold standard in a considerable number of diseases especially cancer. This type of images preserves the tissue structures as close as possible to their living state. Thus, it allows to quantify the biological objects and to describe their spatial organization in order to provide a more specific characterization of diseased tissues. The automated analysis of histopathological images can have three objectives: computer-aided diagnosis, disease grading, and the study and interpretation of the underlying disease mechanisms and their impact on biological objects. The main goal of this dissertation is first to understand and address the challenges associated with the automated analysis of histology images. Then it aims at describing the populations of biological objects present in histology images and their relationships using spatial statistics and also at assessing the significance of their differences according to the disease through statistical tests. After a color-based separation of the biological object populations, an automated extraction of their locations is performed according to their types, which can be point or areal data. Distance-based spatial statistics for point data are reviewed and an original function to measure the interactions between point and areal data is proposed. Since it has been shown that the tissue texture is altered by the presence of a disease, local binary patterns methods are discussed and an approach based on a modification of the image resolution to enhance their description is introduced. Finally, descriptive and inferential statistics are applied in order to interpret the extracted features and to study their discriminative power in the application context of animal models of colorectal cancer. This work advocates the measure of associations between different types of biological objects to better understand and compare the underlying mechanisms of diseases and their impact on the tissue structure. Besides, our experiments confirm that the texture information plays an important part in the differentiation of two implemented models of the same disease.