Go to page
 

Bibliographic Metadata

Title
Methods to model and predict disease progression from longitudinal medical images / submitted by Wolf-Dieter Vogl
Additional Titles
Methoden und Modelle zur Vorhersage des Krankheitsverlaufs anhand von longitudinalen medizinischen Bilddaten
AuthorVogl, Wolf-Dieter
Thesis advisorLangs, Georg ; Birkfellner, Wolfgang
Published2017
Description139 Seiten : Illustrationen
Institutional NoteMedizinische Universität Wien, Dissertation, 2017
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionJanuary 2018
LanguageEnglish
Bibl. ReferenceOeBB
Document typeDissertation (PhD)
Keywords (DE)Medizinische Bildverarbeitung / Longitudinale Bildgebung / Prediktive Modelle / Maschinenlernen
Keywords (EN)Longitudinal imaging / Spatio-temporal disease modeling / Predictive models / Machine learning
URNurn:nbn:at:at-ubmuw:1-16597 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Methods to model and predict disease progression from longitudinal medical images [14.84 mb]
Links
Reference
Classification
Abstract (German)

Longitudinale medizinische Bilddaten erfassen morphologische, funktionelle und physiologische Änderungen über die Zeit, und ermöglichen das Überwachen und die Quantifizierung des Krankheits- und Behandlungsverlaufes. Eine systematische Analyse dieser Bildserien einer Population zeigt verschiedene Strukturen des Krankheitsverlaufes und Ansprechen auf die Behandlung auf. Diese Strukturen ermöglichen Einblicke in Krankheitsmechanismen und dienen als Grundlage für individuelle Prognosen. In dieser Arbeit entwickeln und evaluieren wir datengestützte (statistische) Methoden des maschinellen Lernens, welche Krankehitsverläufe räumlich und zeitlich erfassen und modellieren können, sowie individuelle Krankheitsverläufe anhand der Longitudinaldaten vorhersagen können. Wir verwenden zwei Datensätze mit Krankheitsverläufen, ein Computertomografie (CT) Lungen Datensatz von Patienten mit Subtypen von interstitiellen Lungenfibrosen (FILD), sowie ein optischer Koheränztomografie (OCT) Datensatz von Patienten mit retinalen Venenverschlüssen (RVO). In einem ersten Schritt entwickeln wir einen normativen Referenzraum durch paarweise und gruppenweise Registrierung, sodass wir Korrespondenzen von räumlichen anatomischen Strukturen in den Folgeaufnahmen und zwischen Patienten erhalten. In der Folge beschreiben wir drei Methoden, die verschiedene Aspekte der Krankheits- und Behandlungsverläufe abdecken. Die erste Methode erstellt ein populationsweites normatives Krankheitsverlaufsmodell durch temporales Ausrichten der Bildaufnahmen in einem Optimierungsprozesses, basierend auf dem Erscheinungsbild der Krankheit. Wir zeigen, dass dieses Modell zur Klassifizierung von FILD Subgruppen mit verschiedenen Krankheitsverläufen verwendet werden kann, sowie dass die Klassifizierungsperformance durch das temporale Ausrichten zunimmt. Die zweite Methode bietet ein Vorhersagemodell für einen individuellen Behandlungsausgang von Patienten mit RVO, welches anhand von Bildfeatures von den Erstaufnahmen mit Hilfe von Sparse und Random Forests Regressionsmodellen generiert werden. Diese Methode identifiziert die für den Ausgang prediktiven anatomischen Bereiche in der Retina und ermöglicht eine Vorhersage, ob die Krankheit innerhalb eines Jahres wieder auftritt. Die dritte Methode modelliert und prognostiziert den Verlauf der Sehschärfe (Visus) anhand von longitudinalen Mixed-Effects Modellen für Patienten, die eine Behandlung wegen RVO erhalten. Die Methode ermittelt den Einfluss von morphologischen Änderungen durch Retinalflüssigkeit auf den Visus, welche in den OCT Bildern erkennbar sind, und ermöglicht eine Vorhersage des Visusverlaufs. Die Ergebnisse zeigen, dass foveale Flüssigkeit den Visus stärker beeinflusst, als parafoveale Flüssigkeit, sowie intraretinale Flüssigkeit einen höheren Einfluss hat als subretinale Flüssigkeit. Jedoch erklären die Flüssigkeitsänderungen in der Retina nur einen kleinen Teil der Varianz in den gemessenen Visusdaten. Wir zeigen, dass die präsentierten Methoden für longitudinale medizinische Bilddaten zur Modellierung und Vorhersage von Krankheitsverläufen geeignet sind, und dass sie weiteren Einblick in den Verlauf von Krankheiten bieten.

Abstract (English)

Longitudinal medical imaging captures morphological, functional and physiological changes over time and allows to monitor and quantify individual disease progression and treatment response. A systematic analysis of these image series within a population reveals different patterns of disease progression and treatment response. These patterns provide insight into disease mechanisms and serve as a base for prediction of individual disease progression. In this thesis we aim in developing and evaluating data-driven (statistical) machine learning methods that assess and model spatial and temporal courses of disease progression, and that predict individual disease progression and treatment outcomes from longitudinal data. We include two datasets of progressing diseases, a computed tomography (CT) lung dataset of patients with entities of fibrosing interstitial lung disease (FILD) and an optical coherence tomography (OCT) dataset of patients with retinal vein occlusion (RVO). First, we establish a normative common reference space by pairwise and group-wise registration, to obtain correspondences of spatial anatomical locations within the follow-up acquisitions and patients. Then, we describe three methods that cover different aspects of disease progression and treatment response. The first method creates a population-wide normative disease progression model by aligning observations in time based on disease patterns identified in the images using an optimization process. We demonstrate that the model can be used to classify instances of FILD with different spatio-temporal disease progressions and that classification performance is improved by longitudinal alignment. The second method predicts individual future treatment outcome of RVO patients from features extracted from initial observations using sparse and Random Forests based regression methods. The method identifies the predictive anatomical areas within the pool of features and predicts whether a patient will suffer from disease recurrence within one year. The third method models and predicts visual acuity (VA) development under treatment for patients with RVO using longitudinal mixed effects models. It assesses the influence of morphologic changes caused by retinal fluid on VA as observed in the OCT, and provides a prediction of VA development under treatment. Results show that foveal fluid has more influence on VA than parafoveal fluid, and intraretinal fluid affects VA more than subretinal fluid. However, fluid changes explain only a small proportion of the measured variation in VA. We demonstrate that the proposed methods for longitudinal medical imaging are suitable to model disease progression, predict disease outcome and to obtain further insight in disease development.

Stats
The PDF-Document has been downloaded 15 times.