Search

The initial stage of a lung examination involves the segmentation of a CT image, a process that has been put under a lot of pressure with the high demand for chest scans and accurate segmentations. Current automatic segmentation algorithms are either non-robust for different datasets, not easily accessible, or time-consuming. Furthermore, classification of lung diseases such as IPF and NSIP is a difficult task often requiring decision-making between pathologists, radiologists and clinicians to make an accurate prognosis. Therefore, this thesis aims to create two algorithms easily accessible through a common medical software, 3D Slicer, with simple user interfaces for more efficient lung analysis. The first one is a fully automatic segmentation algorithm with a manual adjustment option. It is robust and developed on a diverse dataset, demonstrating a high accuracy with a median Dice score of0,967. The second one is a lung vessel tree morphometry algorithm which computes various parameters correlated to the vessel tree and its structure, providing insight into morphological changes. It shows great usability but has certain limitations, making it not entirely finished for clinical research but acts as an excellent starting point for a future project. The segmentation algorithm was developed using classical image processing techniques making it comprehensible. The distinctive feature of this algorithm is the entropy map used, enabling an effective way in distinguishing between the fibrotic regions of the lungs with surrounding soft tissue and therefore increasing its applicability on lungs with various diseases. The lung vessel tree morphometry algorithm utilized a segmentation of the lung vessels to organize them into a tree-like structure. The structure was divided into branches where each branch was used to calculate different parameters such as its level within the tree hierarchy, the length of the branch and more. These parameters were displayed and color-coded for further analysis. The obtained result underscores the substantial potential and importance of these developed algorithms for clinical research by providing user-friendly, robust and reliable methods. Det inledande skedet av en lungundersökning involverar segmenteringen av en CT-bild, en process som har satts under mycket press på grund utav den höga efterfrågan på bröstskanningar och noggrann segmentering. Aktuella automatiska segmenteringsalgoritmer är antingen icke-robusta för olika dataset, ej lättillgängliga eller tidskrävande. Dessutom är klassificering av lungsjukdomar som IPF och NSIP en svår uppgift som ofta kräver beslutsfattande mellan patologer, radiologer och kliniker för att göra en korrekt prognos. Därför syftar denna rapport till att skapa två lättillgängliga algoritmer genom en ofta användmedicinsk programvara, 3D Slicer, bestående utav enkla användargränssnitt för en effektivare analys av lungorna. Den första är en helautomatisk segmenteringsalgoritm med ett manuellt justeringsalternativ. Den är robust och utvecklad på ett mångsidigt dataset som har demonstrerat en hög noggrannhet med en median Dice-score på 0,967. Den andra är en morfometri algoritm för lungkärlsträd som beräknar olika parametrar korrelerade till kärlträdet och dess struktur, vilket ger insikt i morfologiska förändringar. Den visar stor användbarhet men innehåller begränsningar, vilket gör den ej helt färdig för klinisk forskning utan fungerar som en utmärkt utgångspunkt för framtida arbete. Segmenteringsalgoritmen utvecklades med hjälp av klassiska bildbehandlingsmetoder vilket gör den mer lättförstådd. Det utmärkande för denna algoritm är entropikartan som används, vilket möjliggör ett effektivt sätt att skilja mellan de fibrotiska regionerna i lungorna med omgivande mjukdelar, detta gör den mer användbar på lungor med olika sjukdomar. Algoritmen för lungkärlsträdets morfometri använde en segmentering av lungkärlen för att sedanorganiseras i en trädliknande struktur. Strukturen var uppdelad i grenar där varje gren användes för att beräkna olika parametrar såsom dess nivå inom trädhierarkin, grenens längd med mera. Dessutom uppvisades dessa parametrar och färgkodades för vidare analys. Det erhållna resultatet understryker den substantiella potential och betydelse som dessa utvecklade algoritmer kommer att ha i klinisk forskning genom att tillhandahålla användarvänliga, robusta och pålitliga metoder

Under detta examensarbete har en lösning framtagits som underlättar distansmonitorering av patienter. Då olika medicinska produkter skickar data till sina egna plattformar blir det krångligt för både patienten och vårdgivaren att ta fram och hålla koll på alla vitalparametrar som tas. Därför har en gemensam plattform, LinkWatch, utvecklats. Idag kan flera vitalparametrar mätas och ses i plattformen. En säker och effektiv dataöverföring mellan en blodsockermätare och LinkWatchs webbserver har gjorts för att utöka funktionaliteten på LinkWatch. Målet med projektet var att integrera en blodsockermätare med LinkWatch. Arbetet har utförts i programmeringsspråken Kotlin och Swift. För att få kunskap om dataöverföringen söktes information om bland annat standarden FHIR, Bluetooth Low Energy samt tidigare arbeten. Resultatet av arbetet är två applikationer, en för iOS och en för Android. Mobilapplikationerna kan koppla sig till blodsockermätaren via Bluetooth, överföra dess värden till mobilen samt skicka dessa till LinkWatchs webbserver. Applikationerna har enkla användargränssnitt och enkla layouter för att underlätta patientens användning av applikationerna. Använder patienten LinkWatch, kan patienten se sitt blodsockervärde tillsammans med andra vitalparametrar och på så sätt få en bra överblick över sin hälsa. Projektet är positivt för diabetiker och andra som är intresserade av hälsa. Tack vare den användarvänliga plattformen och mångsidigheten av LinkWatch, kan användare enklare kunna hålla koll på sitt blodsockervärde och göra livsviktiga åtgärder vid uppkomst av symtom. Vidare kan även vårdgivare ta del av information som LinkWatch lämnar ut för att exempelvis se trender i patientens blodsockervärden. Fördelarna med att dela data med vårdgivaren är bland annat reducerade kostnader och ökad trygghet hos patienterna. During this project, a solution has been developed that promotes remote patient monitoring. As different medical products send data to their own platforms, it becomes troublesome for both the patient and the care provider to take and keep track of all the vital parameters. Hence a common platform, LinkWatch, has been developed. LinkWatch is a platform where all the patient's medical signs can be seen. To increase the functionality of LinkWatch, a secure and efficient data transfer between a blood glucose meter and LinkWatch’s web server has been established. The goal of this project was to integrate a blood glucose meter with LinkWatch. The programming languages Kotlin and Swift were used to develop the mobile applications. To gain knowledge about the data transfer, research was done to obtain information about the FHIR standard, Bluetooth Low Energy and previous work in the field. The results of the project are two applications, one for iOS and one for Android. The mobile applications can connect to the blood glucose meter with Bluetooth, transfer its values to the mobile phone and send these to LinkWatch’s web server. When the records are in LinkWatch’s system, the patient is able to see their glucose levels along with other vital parameters. This project will have a major impact on patients with diabetes and others who are interested in health. Thanks to the user-friendly platform and the flexibility of LinkWatch, users of the application will be able to more easily keep track of their blood sugar value and take early action in the event of symptoms. Furthermore, health care providers can also take part in information that LinkWatch will provide, for example see trends in the patient's blood sugar values. The benefits with sharing data with the health care providers are cost reductions and increased patient satisfaction.