De lever: 3D visualisatie en kwantificatie van metastasen

Dirk

Smeets

Bert

Stijnen

Werken aan een betere wereld

Kanker.”Het is een ziekte die jaarlijks wereldwijd meer dan acht miljoen mensen treft, meer dan aids, malaria en tuberculose samen”. De motieven van Lance Armstrong toen hij deze uitspraak deed, mogen dan in twijfel getrokken worden, de problematiek bestaat weldegelijk en treft ons dagelijks leven meer dan ooit.

Wat veel mensen niet weten, is dat kankerbestrijding niet enkel een taak is voor de geneeskunde, maar doorheen de jaren meer en meer is uitgegroeid naar een samenwerking tussen talrijke disciplines. Een belangrijke bijdrage wordt geleverd door de medische beeldvorming, een domein waar radiologen, ingenieurs en fysici samenwerken om bij te dragen tot het kankeronderzoek.

Als kanker niet tijdig of onvolledig verwijderd wordt, zal het net als onkruid in een tuin zich uitzaaien naar andere organen. De tuin, in ons geval het lichaam, zal overwoekerd raken en uiteindelijk afsterven. Gelukkig worden er meer en meer kankermedicijnen en bestralingstherapieën ontwikkeld die de groei van deze tumoren kunnen terugdringen. Bij het opvolgen van de behandeling is het opmeten van de tumoren erg belangrijk. Dat opmeten via een CT-scan gebeurt nu door een simpele RECIST-meting. Hierbij wordt de grootste diameter van de tumor bepaald. Dit is echter een onnauwkeurige meting. Je kan je inbeelden dat een tumor zeer sterk gekrompen is in één richting zonder dat de RECIST kleiner is geworden. In principe zouden dus volumemetingen moeten uitgevoerd worden. Dit is voor de radiologen echter een waar monnikenwerk. Iedere tumor moet afzonderlijk met de hand afgelijnd worden om een idee te krijgen van de tumoromvang. In deze stap springen ingenieurs ter hulp door een methode te ontwikkelen die dit proces automatiseert. Dit kan de klinische proeven die dienen om een medicijn goed te keuren aanzienlijk versnellen en dit komt de evolutie van kankeronderzoek ten goede. Daarnaast kan een behandeling ook sneller geëvalueerd worden waardoor patiënten minder lang een weinig effectieve, maar zware behandeling moeten volgen. In dit onderzoek is specifiek gekeken naar uitzaaiingen of ‘metastasen’ in de lever, maar de ontwikkelde methode zou evenzeer op andere tumoren van toepassing kunnen zijn.

Een CT-beeld wordt opgenomen met behulp van een CT-scanner. Hierin roteert een röntgenbron rond het lichaam en zendt X-stralen uit. Op basis van de opgevangen straling kan een driedimensionaal digitaal beeld gereconstrueerd worden. Dit beeld kan opgedeeld worden in sneden die de doorsnede tonen van de verschillende organen, zoals de lever. Een digitaal CT-beeld bestaat uit een raster van pixels, de kleinste elementjes in een beeld, die elk een verschillende grijswaarde of intensiteit hebben. Om een structuur te herkennen op dit beeld gebruikt het menselijk oog een aantal kenmerken: vorm, grijswaarde en contrast (verschil in grijswaarde tussen naburige pixels). Het probleem bij levermetastasen is dat de vorm niet vastligt zoals bij een orgaan. Daarnaast varieert de intensiteit van de grijswaarden van beeld tot beeld en is er weinig contrast tussen lever- en tumorweefsel.

Eenvoudige methodes die één van voorgaande kenmerken aanwenden om structuren te detecteren, blijken ontoereikend. Een voorbeeld hiervan is region growing. Hierbij zal een pixel geselecteerd worden binnen de tumor die als startpunt dient. Vervolgens wordt naar de omliggende pixels gekeken. Indien deze ongeveer gelijk zijn aan de startpixel zullen ze als tumorweefsel beschouwd worden. Dit proces gaat verder tot er geen nieuw tumorweefsel meer wordt gevonden. Dit geeft echter slechte resultaten omdat geen enkele vormbeperking in rekening wordt gebracht. Daarom werden methodes uitgetest die een combinatie vormen van de verschillende kenmerken.

Een eerste dergelijke methode is spiral scanning. Hierbij wordt de tumor virtueel ingekapseld in een bol. Deze bol wordt vervolgens omgevormd naar een vlak beeld door langs een spiraal de bol af te scannen. Je kan dit vergelijken met het lopen op een wereldbol. Stel je loopt van de Noordpool naar de Zuidpool maar in plaats van recht naar het zuiden te wandelen, kies je een spiraalvorming pad. Iedere kilometer stop je en boor je een gat naar het midden van de aarde. Alle aardlagen die je tegenkomt, zet je uit op een lijn en alle lijnen plaats je naast elkaar. Op die manier krijg je een vlak beeld waarin de verschillende aardlagen te onderscheiden zijn. Dezelfde werkwijze kan toegepast worden op een CT-beeld. Er kan vervolgens een scheidingslijn berekend worden tussen tumor- en leverweefsel rekening houdend met het contrast en de vorm. In een volgende stap wordt dan het CT-beeld opnieuw gereconstrueerd met daarop de aflijning. Op basis van deze aflijning wordt het volume van de tumor berekend.

Voorgaande techniek is een eerste stap in de goede richting. Om een meer nauwkeurige aflijning te bekomen, wordt echter een tweede techniek toegepast: level sets. Hierbij wordt vertrokken van de voorgaande aflijning en een snelheidsbeeld. Het snelheidsbeeld werkt als een wildwaterrivier. In bepaalde gebieden heb je een stroomversnelling die de oorspronkelijke aflijning sterker vervormt. In andere gebieden zit je in een tegenstroom waar je met heel veel moeite uitgeraakt en de oorspronkelijke aflijning niet of nauwelijks zal wijzigen. Het snelheidsbeeld kan bekomen worden door een aantal filters toe te passen op het oorspronkelijk beelden, o.a. om randen beter zichtbaar te maken. Na het zorgvuldig afstellen van de parameters, bekwamen we een methode die in staat is om levermetastasen af te lijnen. De radioloog dient hierbij twee punten te selecteren, één punt binnen de tumor en één erbuiten. De tumor wordt dan ingekapseld in een bol. Al het overige wordt geautomatiseerd.

Uit een uitgebreide validatie, d.w.z. het controleren van de werking van de methode, bleek dat de ontworpen methode uitstekend presteert. Een internationale studie in New York bevestigde deze resultaten. Deze methode bleek zelfs de beste resultaten te geven in zijn categorie.

Hoewel dit onderzoek slechts een kleine stap is in een steeds verder ontwikkelende tak van de geneeskunde, is het desondanks een bruikbare oplossing voor radiologen en oncologen, artsen die gespecialiseerd zijn in medische studie en behandeling van kanker. Meer en meer gaan artsen en wetenschappers zich verder specialiseren in één subtak van de geneeskunde. Op het vlak van kankeronderzoek alleen al zijn er zoveel specialisaties dat er nog nauwelijks een overzicht te maken valt. Toch verdient iedere taak respect. Of je nu duizend of één mensenleven redt, of je onderzoek doet of geneeskundige behandelingen uitvoert, of je mensen geneest, of gewoon financiële steun levert. Al deze taken zijn nodig om kanker te bestrijden. Wij zijn dan misschien geen wereldverbeteraars maar we proberen wel mee te werken aan een betere wereld.

Bibliografie

[1]. S. Bipat, M. S. van Leeuwen, E. F. I. Comans, M. E. J. Pijl, P. M. M. Bossuyt, A. H. Zwinderman, and J. Stoker, “Colorectal liver metastases: CT, MR imaging, and PET for diagnosis meta-analysis,” Radiology, pp. 123–131, Augustus 2005.

[2]. G. S. Gazelle and S. Saini, Hepatobiliary and Pancreatic Radiology: Imaging and Intervention. Thieme Publishing Group, 1998.

[3]. North American Association of Central Cancer Registries, “Top five most commonly diagnosed cancers in the U.S. by race/ethnic group, 1999-2003,” 2003. laatst bekeken: 18/10/2007.

[4]. Vlaamse Liga tegen Kanker, “Meest voorkomende kankers in Vlaanderen 2000-2001.”

[5]. Elsevier, “Aantal gevallen kanker verdubbeld in 30 jaar,” Elsevier.nl, April 2005.

[6]. National Cancer Institute, “Metastatic cancer: Questions and answers.” http://www.cancer.gov/cancertopics/factsheet/Sites-Types/metastatic. laatst bekeken: 4/11/2007.

[7]. D. Ribatti, G. Mangialardi, and A. Vacca, “Stephen Paget and the seed and soil theory of metastatic dissemination,” Clinical and Experimental Medicine, vol. 6, pp. 145–149, December 2006.

[8]. B. Taragin, “Liver metastases, CT scan.” http://www.nlm.nih.gov/medlineplus/ency/imagepages/1180.htm. laatst bekeken: 8/5/2008.

[9]. P. Suetens, Fundamentals of Medical Imaging. New York: Cambridge University Press, 2002.

[10]. J. Corthout, D. Smeets, and B. Stijnen, “Automatische nauwkeurige segmentatie van het kaakgewricht uit CT en CBCT data.” 2007.

[11]. K. Kinkel, Y. Lu, M. Both, R. S. Warren, and R. F. Thoeni, “Detection of hepatic metastases from cancers of the gastrointestinal tract by using noninvasive imaging methods (US, CT, MR imaging, PET): A meta-analysis,” Radiology, no. 224, pp. 748–756, 2002.

[12]. L. Van Hoe, E. Van Cutsem, I. Vergote, A. L. Baert, E. Bellon, P. Dupont, and G. Marchal, “Size quantification of liver metastasis in patients undergoing cancer treatment: reproducibility of one-, two-, and three-dimensial measurements determined with spiral CT,” Radiology, no. 202, pp. 671–675, 1997.

[13]. F. Maes, D. Vandermeulen, P. Suetens, and G. Marchal, “Automatic image partitioning for generic object segmentation in medical images,” in Computational Imaging and Vision (Y. Bizais, C. Barillot, and R. di Paola, eds.), vol. 3, pp. 215–226, XIVth International Conference on Information Processing in Medical Imaging, Kluwer Academic Publishers, 1995.

[14]. F. Maes, D. Vandermeulen, P. Suetens, and G. Marchal, “Computer-aided interactive object delineation using an intelligent paintbrush technique,” in Lecture Notes in Computer Science (N. Ayache, ed.), vol. 905, pp. 77–83, First Indernational Conference on Computer Vision, Virtual Reality and Robotics in Medicine, Springer, 1995.

[15]. E. Bellon, M. Feron, F. Maes, L. V. Hoe, D. Delaere, F. Haven, S. Sunaert, A. Baert, G. Marchal, and P. Suetens, “Evaluation of manual vs semi-automated delineation of liver lesions on CT images,” European Radiology, vol. 7, p. 432438, 1997.

[16]. D. Pham, X. Chenyiang, and L. Jerry, “A survey of current methods in medical image segmentation,” Annual Review of Biomedical Engineering, vol. 2, pp. 315–337, 2000.

[17]. S. Beucher, “Image segmentation and mathematical morphology.” http://cmm.ensmp.fr/˜beucher/wtshed.html. laatst bekeken: 8/5/2008.

[18]. M. Burger and B. Hackl, “Level-set methods.” http://www.sfb013.unilinz.ac.at/index.php?id=f1308-geometric. laatst bekeken: 8/5/2008.

[19]. J. A. Sethian, Level Set Methods and Fast Marching Methods. New York: Cambridge University Press, 1999.

[20]. S. Osher and N. Paragios, Geometric Level Set Methods in Imaging, Vision, and Graphics. Secaucus, NJ, USA: Springer-Verlag New York, Inc., 2003.

[21]. P. J. Yim and D. J. Foran, “Volumetry of hepatic metastases in computed tomography using the watershed and active contour algorithms,” in Proceedings of the 16th IEEE Symposium on Computer-Based Medical Systems, IEEE Computer Society, 2003.

[22]. L. D. Griffin, A. C. F. Colchester, and G. P. Robinson, “Scale and segmentation of grey-level images using maximum gradient paths,” Image Vision Comput., vol. 10, no. 6, pp. 389–402, 1992.

[23]. B. Zhao and D. Yankelevitz, “Two-dimensional multi-criterion segmentation of pulmonary nodules on helical CT images,” Medical Physics, vol. 26(6), pp. 4678–4689, Juni 1999.

[24]. J.Wang, R. Engelmann, et al., “Segmentation of pulmonary nodules in three-dimensional CT images by use of a spiral-scanning technique,” Medical Physics, vol. 34(12), pp. 4678–4689, December 2007.

[25]. R. S. Tuma, “Sometimes size doesn’t matter: Reevaluating RECIST and tumor response rate endpoints,” Journal of the National Cancer Institute, vol. 98, pp. 1272–1274, September 2006.

[26]. S. Prasad, K. Jhaveri, et al., “CT tumor measurement for therapeutic response assessment: comparison of unidimensional, bidimensional, and volumetric techniques initial observations,” Radiology, vol. 225(2), pp. 416–9, November 2002.

[27]. L. N. Tran, M. S. Brown, J. G. Goldin, X. Yan, R. C. Pais, M. F. McNitt-Gray, D. Gjertson, S. R. Rogers, and D. R. Aberle, “Comparison of treatment response classifications between unidimensional, bidimensional, and volumetric measurements of metastatic lung lesions on chest computed tomography,” Academic Radiology, vol. 11(12), pp. 1355–1360, Nov-Dec 2004.

[28]. Y. Hwang, E. Ashton, C. Storgard, S. Wong, E. Malseed, J. Hill, L. Goyal, and J. Evelhoch, “Comparison of 1- and 2-dimensional measurements with volumetric measurements for evaluation of change in tumor size,” J Clin Oncol (Meeting Abstracts), vol. 25, no. 18 suppl, pp. 3563–, 2007.

[29]. H. Choi, C. Charnsangavej, S. C. Faria, H. A. Macapinlac, M. A. Burgess, S. R. Patel, L. L. Chen, D. A. Podoloff, and R. S. Benjamin, “Correlation of computed tomography and positron emission tomography in patients with metastatic gastrointestinal stromal tumor treated at a single institution with imatinib mesylate: Proposal of new computed tomography response criteria,” Journal of Clinical Oncology, vol. 25, pp. 1753–1759, Mei 2007.

[30]. R. S. Benjamin, H. Choi, H. A. Macapinlac, M. A. Burgess, S. R. Patel, L. L. Chen, D. A. Podoloff, and C. Charnsangavej, “We should desist using recist, at least in gist,” Journal of Clinical Oncology, vol. 25, pp. 1760–1764, Mei 2007.

[31]. E. Weisstein, “Student’s t-distribution.” From MathWorld–A Wolfram Web Resource. http://mathworld.wolfram.com/Studentst-Distribution.html. laatst bekeken: 14/10/2007.

[32]. N. Balakrishnan, Handbook of the Logistic Distribution. New York: Marcel Dekker, 1992.

[33]. A. Kurani, D.H.Xu, J.D.Furst, and D.S.Raicu, “Co-occurrence matrices for volumetric data,” Engineering in Medicine and Biology, Augustus 2004.

[34]. D. Xu, J. Lee, D. Raicu, J. Furst, and D. Channin, “Texture classification of normal tissues in computed tomography,” in The 2005 Annual meeting of the Society for Computer Applications in Radiology, (Orlando, Florida), Society for Computer Applications in Radiology, Juni 2-5 2005.

[35]. R. Sapina, “Computing textural features based on co-occurrence matrix for infrared images,” Image and Signal Processing and Analysis, 2001. ISPA 2001. Proceedings of the 2nd Inter-national Symposium on, pp. 373–376, 2001.

[36]. P. S. Kostka et al., “Hybrid feature vector extraction in unsupervised learning neural classifier,” Engineering in Medicine and Biology, vol. 1-4, pp. 5664–5667, September 2005.

[37]. K. Vanden Branden, Robust methods for high-dimensional data and a theoretical study of depth related estimators. Thesis-dissertation, K.U. Leuven. Faculteit Wetenschappen. Departement Wiskunde, Mei 2005.

[38]. H. Wadell, “Volume, shape and roundness of quartz particles,” Journal of Geology, no. 43, pp. 250–280, 1935.

[39]. D. W. Cantrell, “Surface area of an ellipsoid.” http://home.att.net/numericana/answer/ellipsoid.htm#spheroid, Mei 2004. laatst bekeken: 23/3/2008.

[40]. MeVis Research GmbH, “MeVisLab.” http://www.mevislab.de.

[41]. L. Ibanez, W. Schroeder, L. Ng, and J. Cates, The ITK Software Guide. 2005.

[42]. J. S. Suri, D. L. Wilson, and S. Laxminarayan, Handbook of Biomedical Image Analysis, vol. II: Segmentation Models Part B. Springer, 2005.

[43]. R. P. Sørlie, “Automatic segmentation of liver tumors from MRI images,” Master’s thesis, University of Oslo, November 2005.

[44]. P. Jaccard, “´Etude comparative de la distribution florale dans une portion des Alpes et des jura,” Bulletin del la Socit Vaudoise des Sciences Naturelles, vol. 37, pp. 547–579, 1901.

[45]. P.-N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining, (First Edition). Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc., 2005.

[46]. Medical Image Computing and Computer-Assisted Intervention, “3D segmentation in the clinic: A grand challenge II.” http://grand-challenge2008.bigr.nl/, 2008.

[47]. L. Massoptier and S. Casciaro, “A new fully automatic and robust algorithm for fast segmentation of liver tissue and tumors from CT scans,” European Radiology, Maart 2008.

[48]. E. K. Fishman, B. S. Kuszyk, D. G. Heath, L. Gao, and B. Cabral, “Surgical planning for liver resection,” Computer, vol. 29, no. 1, pp. 64–72, 1996.

[49]. W. E. Lorensen and H. E. Cline, “Marching cubes: A high resolution 3d surface construction algorithm,” SIGGRAPH Comput. Graph., vol. 21, no. 4, pp. 163–169, 1987.

[50]. C. Carson, S. Belongie, H. Greenspan, and J. Malik, “Blobworld: image segmentation using expectation-maximization and its application to image querying,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, pp. 1026–1038, Augustus 2002.

[51]. K. Van Leemput, F. Maes, D. Vandermeulen, A. Colchester, and P. Suetens, “Automated segmentation of multiple sclerosis lesions by model outlier detection,” Tech. Rep. 0004, KUL/ESAT/PSI, Heverlee, Belgium, Juni 2000.

[52]. S. Osher and R. Fedkiw, Level Set Methods and Dynamic Implicit Surfaces. No. 153 in Applied Mathematical Sciences, Cambridge University Press, 2003.

[53]. J. S. Suri, S. K. Setarehdan, and S. Singh, Advanced Algorithmic Approaches to Medical Image Segmentation: state-of-the-art applications in cardology, neurology, mammography and pathology. Advances in Pattern Recognition, Springer-Verlag London, 2002.

[54]. D. Xu, A. Kurani, J. Furst, and D. Raicu, “Run-length encoding for volumetric texture,” in The 4th IASTED International Conference on Visualization, Imaging, and Image Processing, (Marbella Spain), VIIP, September 6-8 2004.

[55]. R. M. Haralick, Dinstein, and K. Shanmugam, “Textural features for image classification,” IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, pp. 610–621, November 1973.

[56]. M. Hall-Beyer, “The grey level co-occurrence matrix.” http://www.fp.ucalgary.ca/mhallbey/theglcm.htm.

[57]. L. Semler and J. Furst, “Wavelet-based texture classification of tissues in computed tomography,” in CBMS ’05: Proceedings of the 18th IEEE Symposium on Computer-Based Medical Systems, (Washington, DC, USA), pp. 265–270, IEEE Computer Society, 2005.

[58]. M. Wronski, “Triangle fillers.” http://www-users.mat.uni.torun.pl/˜wrona/3d tutor/tri fillers.html. laatst bekeken: 29/11/2007.

[59]. Silicon Graphics Inc, “Open inventor.” http://oss.sgi.com/projects/inventor/. laatst bekeken: 21/4/2008.

[60]. V. Caselles, R. Kimmel, and G. Sapiro, “Geodesic active contours,” International Journal of Computer Vision, no. 22 (1), p. 6179, 1997.