Reconstruction of Complete Cerebrovascular - ETH E

Diss. ETH No. 22195
Reconstruction of Complete
Cerebrovascular Networks from
High-Resolution Tomographic Data
A thesis submitted to attain the degree of
Doctor of Sciences of ETH Zurich
(Dr. sc. ETH Zurich)
presented by
Matthias Schneider
Dipl.-Inf. Univ.
University of Erlangen-Nuremberg, Germany
born on October 17, 1984
citizen of Germany
accepted on the recommendation of
Prof. Dr. Gábor Székely, ETH Zurich, examiner
Prof. Dr. Petros Koumoutsakos, ETH Zurich, co-examiner
Prof. Dr. Björn H. Menze, TU Munich, co-examiner
Dr. Sven Hirsch, ZHAW Wädenswil, co-examiner
2014
Abstract
The cerebrovascular system continuously delivers oxygen and nutrients to
the brain. Inadequate oxygen supply (cerebral hypoxia) leads to fatal consequences ranging from impairment of the brain function to brain death. As
a matter of fact, neurovascular diseases such as stroke are the leading cause
of serious long-term adult disability. Likewise, many neurodegenerative disorders such as Alzheimer’s are associated with alterations of the vascular
system that can contribute to neuronal loss due to oxygen deprivation. An
in-depth understanding of the microvascular structure is thus important to
better comprehend pathophysiological cerebral processes and the interpretation of noninvasive functional imaging relying on signals that originate from
the vasculature. Similarly, precise knowledge of the cerebrovascular topology
is required for numerical modeling of cerebral blood flow dynamics and its
regulation in order to improve our understanding of how local disruptions
of cerebral blood flow impact the local and global perfusion of brain tissue.
Ex-vivo imaging of the entire cerebrovascular system has become feasible
with recent developments in high-resolution imaging such as synchrotron
radiation X-ray tomographic microscopy (SRXTM). Even if detailed image
data of reasonably large samples can be acquired down to the capillary
level, there are yet no means available today to comprehensively analyze
the imaged complex vascular network.
This thesis aims to develop practical and effective methods for the reconstruction of complete cerebrovascular networks from partially incomplete
high-resolution angiographic image data. The correction of topological defects due to missing image information, particularly at the capillary level,
represents a major challenge in this context. As part of this project, we
propose a processing pipeline for vascular reconstruction that involves optimized correction of topological discontinuities. For this purpose, we have
developed different algorithms combining conventional methods for vessel
segmentation with generative approaches that rely on morphological and
functional properties of the cerebral vasculature. We have focused on three
main aspects:
(1) First of all, we propose a novel machine learning framework for joint
3-D vessel segmentation and centerline extraction based on oblique random
forests and multivariate Hough regression using the same set of features.
iv
Abstract
We use steerable filters for the efficient computation of local image features
at different scales and orientations in order to account for the multi-scale
nature of vascular structures and to compensate for the preferred local vessel
orientation. Additionally, we introduce and comprehensively test a novel
oblique split model with an elastic net penalty term that imposes sparsity on
the optimal split weights and generates shallow decision trees, which results
in more efficient prediction. In a series of extensive validation experiments,
we systematically evaluate the most important structural components of our
approach and demonstrate the advantage of the learning step that allows
for highly accurate vessel segmentation and centerline extraction even for
automatically generated noisy training data.
(2) The second problem investigated in this thesis is the generation of
synthetic vascular structures. We present a stochastic modeling approach
to generate optimized arterial trees based on physiological principles, while
at the same time certain morphological properties are enforced during construction. A simplified angiogenesis model serves as the driving force of
vascular morphogenesis and degeneration incorporating case-specific information about the metabolic demand of the tissue in the considered domain.
The construction process further includes morphometrically confirmed bifurcation and branch length statistics to optimize the synthetic vasculature.
The proposed method is able to generate artificial – yet physiologically plausible – arterial trees that match the metabolic demand of the embedding
tissue and fulfill the prescribed morphological properties at the same time.
(3) The final focus of this thesis is the automated correction of vascular
connectivity which is key to reconstructing consistent vascular networks from
partially incomplete image data. Based on the physiologically motivated simulation framework for the generation of synthetic vascular trees, we pursue
a generative approach for data-driven topology correction. This approach allows for reconstruction of complete vascular networks that explain the image
data and, at the same time, feature topological and morphological consistency. The proposed method leverages both topological and morphological
evidence extracted from the image data to iteratively improve and recover
vessel connectivity. Thus, small topological discontinuities with strong support by the configuration of proximate vessel stubs can be identified and
overcome, while more complex subnetworks are synthesized to correct larger
defects lacking satisfactory image-based evidence.
Keywords: vascular reconstruction, vessel segmentation, centerline extraction, vascular connectivity, synthetic vascular network, cerebral vasculature,
computational physiology, angiogenesis, oxygen metabolism, oblique random forest, multivariate Hough voting, steerable filters
Zusammenfassung
Das zerebrale Gefäßsystem versorgt das Gehirn kontinuierlich mit Sauerstoff
und Nährstoffen. Eine unzureichende Sauerstoffversorgung (zerebrale Hypoxie) hat fatale Folgen, angefangen bei einer Beeinträchtigung der Hirnfunktion bis hin zum Hirntod. In der Tat gelten neurovaskuläre Erkrankungen
wie Schlaganfall als häufigste Ursache gravierender, dauerhafter Behinderung bei Erwachsenen. Ebenso stehen viele neurodegenerative Störungen
wie Alzheimer in Zusammenhang mit Veränderungen des Gefäßsystems, die
zum Verlust von Nervenzellen, bedingt durch Sauerstoffmangel, führen können. Ein tiefgründiges Verständnis der mikrovaskulären Strukturen ist daher
maßgeblich sowohl für eine bessere Einsicht in zerebrale pathophysiologische Prozesse als auch für die Interpretation von nichtinvasiver funktioneller Bildgebung, die auf von Blutgefäßen erzeugten Signalen beruht. Ebenso
sind genaue Kenntnisse über die zerebrovaskuläre Topologie für die numerische Modellierung der Dynamik und Regulierung des zerebralen Blutflusses
erforderlich, um ein besseres Verständnis der Auswirkungen von lokalen
Störungen der Hirndurchblutung auf die lokale und globale Versorgung des
Hirngewebes zu erreichen.
Jüngste Entwicklungen im Bereich von hochauflösenden bildgebenden
Verfahren wie der tomografischen Röntgenmikroskopie mit Synchrotronstrahlung (SRXTM) ermöglichen die ex-vivo Bildgebung des gesamten
zerebralen Gefäßsystems. Auch wenn detaillierte Bilddaten von Proben
angemessener Größe bis auf Kapillarebene akquiriert werden können, so
gibt es derzeit dennoch keine Möglichkeit einer umfassenden Analyse des
aufgenommenen komplexen Gefäßnetzes.
Ziel dieser Dissertation ist die Entwicklung praktischer und effektiver Methoden für die Rekonstruktion von vollständigen Netzwerken der zerebralen
Blutgefäße aus zum Teil unvollständigen, hochaufgelösten AngiographieBilddaten. Die Korrektur von topologischen Defekten aufgrund fehlender
Bildinformation, insbesondere auf der Kapillarebene, stellt in diesem Zusammenhang eine große Herausforderung dar. Im Rahmen dieses Projekts
wird ein Workflow zur Gefäßrekonstruktion entworfen, der eine optimierte
Korrektur topologischer Fehlstellen umfasst. Hierfür wurden verschiedene
Algorithmen entwickelt, die klassische Methoden zur Gefäßsegmentierung
kombinieren mit generativen Ansätzen, basierend auf morphologischen und
vi
Zusammenfassung
funktionellen Eigenschaften des zerebralen Gefäßsystems. Im Fokus standen
hierbei drei wesentliche Aspekte:
(1) Zunächst wird ein neues maschinelles Lernverfahren zur gemeinsamen
3-D-Gefäßsegmentierung und Mittellinienextraktion vorgeschlagen, das auf
“oblique random forests” und multivariater Hough-Regression unter Verwendung derselben Bildmerkmale beruht. Lenkbare Filter kommen zur effizienten Berechnung von lokalen Bildmerkmalen auf verschiedenen Skalen und
in unterschiedlichen Orientierungen zum Einsatz, um somit der Größenvariabilität von Gefäßstrukturen Rechnung zu tragen und die bevorzugte lokale Gefäßorientierung zu kompensieren. Darüber hinaus wird ein neuartiges
“oblique split model” eingeführt und umfassend getestet. Dieses Modell beinhaltet einen “elastic net penalty term”, der optimale, dünnbesetzte Splitgewichte und flache Entscheidungsbäume generiert und dadurch eine effizientere Vorhersage ermöglicht. Die wichtigsten strukturellen Komponenten
dieses Ansatzes werden in einer Reihe von umfangreichen Validierungsexperimenten systematisch getestet und die Vorteile des lernbasierten Ansatzes aufgezeigt, welcher selbst bei automatisch generierten, rauschbehafteten
Trainingsdaten eine hohe Genauigkeit bei der Gefäßsegmentierung und Mittellinienextraktion erzielt.
(2) Das zweite in dieser Arbeit untersuchte Problem ist die Erzeugung
von synthetischen Gefäßstrukturen. Es wird ein stochastisches Modellierungsverfahren zur Generierung von optimierten arteriellen Gefäßbäumen
präsentiert, das auf physiologischen Grundlagen beruht, während gleichzeitig bestimmte morphologische Eigenschaften bei der Konstruktion erzwungen werden. Ein vereinfachtes Angiogenese-Modell dient als treibende
Kraft der vaskulären Morphogenese und Degeneration unter Einbeziehung
fallspezifischer Informationen zum Stoffwechselbedarf des Gewebes in der
betrachteten Region. Der Konstruktionsprozess umfasst außerdem morphometrisch belegte Bifurkations- und Verzweigungslängen-Statistiken, um das
synthetische Gefäßsystem zu optimieren. Das vorgeschlagene Verfahren ist
in der Lage künstliche – aber dennoch physiologisch plausible – arterielle
Gefäßbäume zu erzeugen, die dem metabolischen Bedarf des umgebenden
Gewebes gerecht werden und gleichzeitig die vorgeschriebenen morphologischen Eigenschaften erfüllen.
(3) Der letzte Schwerpunkt dieser Arbeit liegt auf der automatischen Korrektur der Gefäßkonnektivität als integralem Bestandteil der Rekonstruktion von lückenlosen Gefäßnetzwerken aus teils lückenhafter Bildinformation.
Auf Grundlage des physiologisch motivierten Simulationsframeworks zur Erzeugung von künstlichen Gefäßbäumen wird hierbei ein generativer Ansatz
zur datengestützten Topologiekorrektur verfolgt. Dieser ermöglicht die Rekonstruktion von vollständigen Gefäßnetzwerken, die einerseits die Bildda-
Zusammenfassung
vii
ten erklären und sich gleichzeitig durch topologische und morphologische
Konsistenz auszeichnen. Das vorgestellte Verfahren nutzt sowohl topologische als auch morphologische Indizien aus den Bilddaten, um die Gefäßkonnektivität iterativ zu verbessern und wiederherzustellen. Auf diese Weise
können kleine topologische Diskontinuitäten aufgrund der Anordnung von
unmittelbar angrenzenden Gefäßstümpfen identifiziert und behoben werden,
während die Korrektur größerer Defekte, ohne ausreichende bildbasierte Evidenz, durch die Erzeugung komplexer Subnetzwerke erfolgt.
Schlagwörter: Gefäßrekonstruktion, Gefäßsegmentierung, Mittellinienextraktion, Gefäßkonnektivität, synthetisches Gefäßnetzwerk, zerebrales Gefäßsystem, numerische Physiologie, Angiogenese, Sauerstoffmetabolismus,
oblique random forest, multivariates Hough-Voting, lenkbare Filter

Download Report