Denoising of Dual Energy X-ray Absorptiometry Images and Vertebra Segmentation

• Main Author: Roussel, Nicolas
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2018
• Subjects: Engineering and Technology; Teknik och teknologier
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-233845

Dual Energy X-ray Absorptiometry (DXA) is amedical imaging modality used to quantify bone mineral density and to detect fractures. It is widely used due to its cheap cost and low radiation dose, however it produces noisy images that can be difficult to interpret for a human expert or a machine. In this study, we investigate denoising on DXA lateral spine images and automatic vertebra segmentation in the resulting images. For denoising, we design adaptive filters to avoid the frequent apparition of edge artifacts (cross contamination), and validate our results with an observer experiment. Segmentation is performed using deep convolutional neural networks trained on manually segmented DXA images. Using few training images, we focus on depth of the network and on the amount of training data. At the best depth, we report a 94 % mean Dice on test images, with no post-processing. We also investigate the application of a network trained on one of our databases to the other (different resolution). We show that in some cases, cross contamination can degrade the segmentation results and that the use of our adaptive filters helps solving this problem. Our results reveal that even with little data and a short training, neural networks produce accurate segmentations. This suggests they could be used for fracture classification. However, the results should be validated on bigger databases with more fracture cases and other pathologies. === Dual Energy X-ray Absorptiometry (DXA) är en medicinsk bildbehandlingmodalitetsom används för att kvantifiera bentäthet och upptäckafrakturer. Det används i stor utsträckning tack vare sin låga kostnadoch sin låga exponering, men producerar brusiga bilder som kanvara svåra att förstå för en mänsklig expert eller en maskin. I den här studien undersöker vi avbrusning i DXA i laterala ryggradsbilderoch automatisk segmentering av ryggkotorna i de resulterandebilderna. För avbrusning skapar vi adaptiva filter för att förhindrafrekventa kantartefakter (korskontaminering), och validerar våraresultat med ett observatörsexperiment. Segmentering utförs medanvändning av djupa konvolutionella neuronnät tränade på manuelltsegmenterade DXA-bilder. Med få träningsbilder fokuserar vi pånätverksdjup och mängden träningsdata. På bästa djup rapporterarvi 94% medel-Dice på testbilder utan efterbehandling. Vi undersökerockså tillämpning av ett nätverk tränat på en av våra databaser till enannan databas (annan upplösning). Vi visar att i vissa fall kan korskontamineringförsämra segmenteringsresultatet och att användningenav våra adaptiva filter hjälper till att lösa problemet. Våra resultatvisar att även med få data och korta träningar så producerar neuuronnätkor- rekta segmenteringar. Detta tyder på att de kunde användasför frak- turklassificering. Dock, resultaten bör valideras på större databasermed fler fall av frakturer och andra patologier.