Search

Medical imaging examinations are an essential part of modern medicine. The acquired images are used for diagnostics, treatment planning, and to follow-up the progression of diseases. However, some of the acquired image series require post-processing and analyzing before the primary result is achieved from the images. For example, quantitative imaging requires image analysis. Manual medical image analysis can be a time consuming task. Image series are large and the operator have to execute all tasks in the analysis workflow in addition to the execution of the analysis application. For example, these tasks can include image transmissions and file format conversions. Also, the result of the multistep analysis process can vary depending on the operator. The purpose of this thesis is to implement an automated medical image analysis workflow management system for the needs of HUS (The Hospital District of Helsinki and Uusimaa) Medical Imaging Center. The workflow management system is implemented with Python and different open source software libraries, such as DICOM Toolkit, pydicom and SimpleITK. The implemented system receives the images from the image archive and recognizes the required analysis task for an image series by reading the metadata of the series. The workflow management system starts the analysis execution, converts the results into a file format which is compatible with the image archive of the hospital and transfers the results into the image archive., Lääketieteelliset kuvantamistutkimukset ovat tärkeä osa nykyaikaista lääketiedettä. Tutkimuksista saatuja kuvia käytetään lääketieteessä sairauksien diagnosoimiseen, hoidon suunnitteluun sekä sairauksien etenemisen seurantaan. Osa kuvantamistut- kimuksista saaduista kuvasarjoista vaatii kuvankäsittelyä, jotta kuvista saataisiin haluttu informaatio. Esimerkiksi kvantitatiiviset tutkimukset vaativat kuvien analy- sointia. Manuaalinen kuvankäsittely voi olla aikaa vievä tehtävä. Kuvasarjat ovat suuria ja suoritettavan analyysiohjelman lisäksi käyttäjän pitää suorittaa myös muita analyysimenetelmän työnkulun vaiheita. Näitä vaiheita ovat esimerkiksi tiedostojen siirtäminen sairaalan kuva-arkistosta työpöydälle ja tiedostoformaatin muutokset. Monivaiheisen analyysiprosessin lopputulokset voivat myös vaihdella käyttäjästä riippuen. Tämän työn tarkoituksena on kehittää automatisoitu kuvankäsittelyn työnohjaus- järjestelmä HUS (Helsingin ja Uudenmaan sairaanhoitopiiri) Kuvantamisen tarpeisiin. Järjestelmä on toteutettu Pythonilla sekä hyödyntäen avoimen lähdekoodin ohjelmistokirjastoja, kuten DICOM Toolkit, pydicom ja SimpleITK. Kehitetty järjestelmä vastaanottaa kuva-arkistosta lähetetyt kuvat ja tunnistaa kuvasarjalle suoritettavan käsittelyoperaation lukemalla kuvan metatietoja. Järjestelmä suorittaa valitut analyysit ja muuttaa analyysin lopputuloksen sairaalan kuva-arkistoon sopivaksi tiedostoformaatiksi ja lähettää tulokset sairaalan kuva-arkistoon.

In this thesis work, the aim was to find a robust, optimal rigid registration process to accurately and automatically align computed tomography (CT) and magnetic resonance (MR) images of the brain. For patients undergoing, for example, stereoelectroencephalography (epilepsy patients) or implantation of stimulating electrodes in the brain (Parkinson’s patients), it is crucial to be able to combine information from low-dose CT and MR with great precision. Registration was performed with SimpleITK interface to the image registration framework of the United States National Library of Medicine Insight Segmentation and Registration Toolkit (ITK). In the optimization process an existing SimpleITK example was used as a basis for the registration algorithm, which was then optimized one block at a time beginning with the initial alignment. Registration accuracy was determined by comparing the automatic transform of our registration algorithm to the transform of a semiautomatic registration performed with a semiautomatic ITK based software, ipcWorkstation, which is used and developed in HUS Medical Imaging Center. As a result, a robust rigid registration algorithm was developed. The maximum registration errors with the final algorithm were less than 2 mm for 7 out of 15 and less than 4 mm for 12 out of 15 patients. The algorithm performs registration up to initial rotations of 45 degrees. The fast development of automated registration algorithm presented in this thesis appears promising to be used for other applications as well. This kind of block-wise optimization pattern could be used to optimize the registration either for images of other parts of the body or for other imaging modalities such as positron emission tomography (PET) and MR., Tämän diplomityön tarkoituksena oli löytää optimaalinen ja automaattinen tietokonetomografia- ja magneettikuvien kohdennusmenetelmä. Kohdennus suoritettiin käyttäen hyväksi SimpleITK-ohjelmakirjastoa, joka perustuu ITK kuvakohdennus ohjelmakirjastoon (engl. the United States National Library of Medicine Insight Segmentation and Registration Toolkit). Optimointi aloitettiin SimpleITKesimerkin pohjalta, jonka parametreja optimoitiin osa kerrallaan lähtien liikkeelle kohdennuksen alustuksesta. Kohdennustarkkuus määritettiin vertaamalla optimoidulla kohdennusohjelmalla saatua automaattista muunnosmatriisia puoliautomaattisella menetelmällä saatuun muunnosmatriisiin. Puoliautomaattinen muunnos tehtiin HUS-Kuvantamisessa kehitetyllä ipcWorkstation-ohjelmalla, joka myös perustuu ITK-ohjelmakirjastoon. Työn tuloksena saatiin luotettavasti toimiva jäykän kuvakohdennuksen suorittava algoritmi, joka pohjautuu SimpleITK:n Python-kirjastoon. Seitsemällä 15 potilaasta suurin kohdennusvirhe oli alle 2 mm ja 12:lla 15 potilaasta alle 4 mm. Kohdennus onnistuu jopa 45 asteen lähtökohtaisilla kulmaeroilla. Työssä käytettyä nopeaa algoritmikehitystekniikkaa voitaisiin käyttää optimointiin muillekin sovelluksille. Tulevaisuudessa algoritmioptimointia osa kerrallaan voisi hyödyntää kohdennusparametrien optimointiin jonkin muun vartalon alueen rakenteellisten kuvien kohdennukseen tai eri kuvamodaliteettien kohdennukseen kuten positroniemissiotomografia- ja magneettikuvien kohdennukseen.