Deep Learning for assessing pulmonary parenchyma disease in smoking-related injury

Bermejo Peláez, David (2020). Deep Learning for assessing pulmonary parenchyma disease in smoking-related injury. Thesis (Doctoral), E.T.S.I. Telecomunicación (UPM). https://doi.org/10.20868/UPM.thesis.65134.

Description

Title: Deep Learning for assessing pulmonary parenchyma disease in smoking-related injury
Author/s:
  • Bermejo Peláez, David
Contributor/s:
  • Ledesma Carbayo, María Jesús
  • San José Estépar, Raúl
Item Type: Thesis (Doctoral)
Date: 2020
Subjects:
Faculty: E.T.S.I. Telecomunicación (UPM)
Department: Ingeniería Electrónica
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Users in campus UPM only until 29 April 2021 - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (85MB)

Abstract

Tobacco smoking is one of the health risk factors most associated with population morbidity and mortality causing a variety of lung diseases that are responsible for the death of more than 8 million people each year. The inhalation of cigarette smoke can affect the lung in diverse ways and is directly associated with the development of lung parenchyma disorders including emphysema, characterized by airspace dilation and alveolar destruction, and interstitial or fibrotic changes caused by the inflammation and scarring of pulmonary parenchyma. These parenchymal injuries are often an irreversible process specially when they are in an advanced stage. High resolution computed tomography (HRCT) plays an essential role in the diagnosis and assessment of disease prognosis and progression of lung diseases. In this thesis, we developed deep learning approaches to characterize parenchymal injury patterns on HRCT, which may facilitate disease understanding, serve as a strong basis to assess disease prognosis and progression, and facilitate automated diagnosis of lung diseases at early stages. In this Ph.D. thesis, we described a novel optimally cost-effective convolutional neural network (CNN) to characterize emphysema subtypes which was subsequently extended by developing an ensemble of multiple CNN covering the lesions’ multiscale representation designed to identify interstitial lung abnormalities that are found as early sign of fibrotic disorders in the lung parenchyma. Moreover, we proposed an innovative CNN segmentation architecture to identify paraseptal emphysema lesions, a particular subtype of emphysema with a unique notion of location, that leverages and exploits 3D contextual information while producing 2D annotations alleviating the need of having 3D labels which carries a high burden from experts. Finally, we designed a novel methodology that learns the spatial interdependence of parenchymal injuries patterns using a segmentation approach from an initial labelling based on local methods. This new paradigm relieves the need for delimited annotations to perform segmentation tasks. Developed approaches have demonstrated that are able to identify subtype injury patterns which are related to different clinical outcomes. Therefore, these methods allow to advance in the understanding of both lung diseases and the clinical implications of the different parenchymal patterns. ----------RESUMEN---------- El consumo de tabaco es uno de los mayores factores de riesgo para la salud asociado a una alta morbilidad y mortalidad debido a que causan una variedad de enfermedades pulmonares responsables de la muerte de más de 8 millones de personas al año. El tabaco afecta a los pulmones de diversas maneras y está directamente relacionado con el desarrollo de desórdenes en el parénquima pulmonar como el enfisema pulmonar, caracterizado por la dilatación de los alveolos o la destrucción de sus paredes, así como cambios fibróticos causados por una inflamación y cicatrización del tejido pulmonar. Estos daños del tejido son usualmente procesos irreversibles, especialmente cuando ocurren en una etapa avanzada. La Tomografía Axial Computarizada (TAC) juega un papel esencial en el diagnóstico y la evaluación de la progresión de las enfermedades pulmonares. En esta Tesis Doctoral se desarrollan diferentes enfoques basados en Deep Learning para la caracterización automática de daños en el parénquima pulmonar mediante imágenes de TAC que puedan facilitar y mejorar el entendimiento de las enfermedades, puedan servir como base para evaluar la progresión de la misma, y puedan facilitar el diagnóstico automático de las enfermedades pulmonares en estadíos tempranos. En esta Tesis Doctoral se propone una nueva y eficiente arquitectura de red neuronal convolucional (CNN, del inglés Convolutional Neural Network) especialmente diseñada para la caracterización de distintos subtipos de enfisema pulmonar. Además, esta nueva técnica propuesta ha sido extendida desarrollando un método que combina múltiples arquitecturas CNN que cubren distintas representaciones locales de las lesiones pulmonares para la identificación de anormalidades intersticiales, consideradas como un signo temprano y que precede a la aparición de cambios fibróticos irreversibles en el parénquima pulmonar. Además, se propone una innovadora arquitectura de CNN para la segmentación de enfisema paraseptal, una lesión particular que tiene características únicas de localización. Esta arquitectura explota y aprovecha el contexto tridimensional alrededor de la lesión mientras que produce segmentaciones bidimensionales, de forma que elimina el hecho de necesitar anotaciones tridimensionales disminuyendo así la carga de expertos requerida para construir dichas etiquetas. Finalmente, se ha diseñado una nueva metodología para inferir y aprender las diferentes dependencias espaciales entre los distintos subtipos de parénquima pulmonar. Para ello se propone una técnica de segmentación a partir de un etiquetado inicial basado en métodos locales. De esta forma, además este nuevo paradigma elimina la necesidad de tener bases de datos de imágenes anotadas para llevar a cabo tareas de segmentación. Los métodos desarrollados en esta Tesis Doctoral han demostrado que son capaces de identificar subtipos de parénquima pulmonar que están relacionados con diferentes resultados clínicos. Por tanto, estos métodos permiten el avance en una mejor comprensión de las enfermedades pulmonares así como de las implicaciones clínicas de los distintos patrones radiológicos presentes en el parénquima pulmonar.

More information

Item ID: 65134
DC Identifier: http://oa.upm.es/65134/
OAI Identifier: oai:oa.upm.es:65134
DOI: 10.20868/UPM.thesis.65134
Deposited by: Archivo Digital UPM 2
Deposited on: 30 Oct 2020 07:37
Last Modified: 30 Oct 2020 07:37
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM