Browsing by Author "Arrieta, Cristóbal"
Now showing 1 - 8 of 8
Results Per Page
Sort Options
- ItemExtensions of Real Atomic Gauges for Complex Signal Recovery(2019) Arrieta, Cristóbal; Sing-Long C., Carlos A.
- ItemLevel set segmentation with shape prior knowledge using intrinsic rotation, translation and scaling alignment(2021) Arrieta, Cristóbal; Sing-Long C., Carlos A.; Mura Mardones, Joaquín Alejandro; Irarrázaval Mena, Pablo; Andía Kohnenkampf, Marcelo Edgardo; Uribe Arancibia, Sergio A.; Tejos Núñez, Cristián Andrés
- ItemLevel set segmentation with shape prior knowledge using intrinsic rotation, translation and scaling alignment(IEEE, 2015) Arrieta, Cristóbal; Sing-Long C., Carlos A.; Uribe Arancibia, Sergio A.; Andía Kohnenkampf, Marcelo Edgardo; Irarrázaval Mena, Pablo; Tejos Núñez, Cristián AndrésLevel set-based algorithms have been extensively used for medical image segmentation. Despite their relative success, standard level set segmentations tend to fail when images are severely corrupted or in poorly defined regions. This problem has been tackled incorporating shape prior knowledge, i.e. restricting the evolving curve to a distribution of shapes pre-defined during a training process. Such shape restriction needs to incorporate invariance to translation, rotations and scaling. The common approach for this is to solve a registration problem during the curve evolution, i.e. finding optimal registration parameters. This procedure is slow and produces variable results depending on the order in which the registration parameters were optimized. To overcome this issue Cremers et al. (2006) proposed an intrinsic alignment formulation, which is a normalized coordinate system for each shape, thus avoiding the optimization step to account for the registration. Nevertheless, their proposed solution considered only scaling and translation, but not rotations which are critical for medical imaging applications. We added rotations to this intrinsic alignment, using eigenvalues and eigenvector matrices of the covariance matrix of each shape, and we incorporated them into the evolution equation, allowing us to use shape priors in complex segmentation problems. We tested our algorithm combined with a Chan-Vese functional in synthetic images and in 2D right ventricle MRI.
- ItemPrior knowledge for level set segmentation.(2017) Arrieta, Cristóbal; Tejos Núñez, Cristián Andrés; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLa segmentación usando Level Sets ha sido utilizada exitosamente en varios tipos de imágenes. Sin embargo, ésta falla cuando las imágenes tienen mucho ruido, bordes difusos u oclusión. El uso de información a priori inferida a partir de bases de datos de entrenamiento permite compensar la baja calidad de las imágenes. La información a priori, puede ser débil o fuerte. La información a priori débil supone geometrías simples de la forma buscada y fuerza una topología rígida. La información a priori fuerte agrega un término de regularización que penaliza formas distintas a las del conjunto de entrenamiento y permite una topología flexible. Esta tesis presenta dos trabajos relacionados con conocimiento a priori, el primero es una aplicación de conocimiento a priori débil en segmentación cardíaca, y el segundo propone un nuevo método de conocimiento a priori fuerte. Para el conocimiento a priori débil, proponemos un método basado en level sets que preserva la topología y segmenta simultánea, rápida y precisamente los ventrículos izquierdo y derecho del corazón. Los resultados de este método fueron comparados con otros obtenidos utilizando softwares clínicamente validados (Viewforum, Philips, Best and Segment, Medviso, Lund), usando two-tailored paired t-test, correlación de Pearson, gráficos de Bland-Altman de índices funcionales y comparación voxel a voxel usando el índice Dice. El two-tailored paired t-test mostró que no hay diferencia significativa entre nuestro método y el gold standard (P<0.05), Pearson mostró alta correlación entre nuestro método y el gold standard (sobre 0.98), el índice Dice mostró alta intersección entre nuestro método y el gold standard (igual o mayor al 90%) y los gráficos de Bland-Altman mostraron alto grado de conscenso y bajo sesgo entre nuestro método y el gold standard. Para el conocimiento a priori fuerte, definir un regularizador invariante a la traslación, rotación y escalmiento de las formas presentes en la base de datos es un gran desafío. Trabajos anteriores lograron esta invarianza acoplando procesos de registro y segmentación. Esta solución es lenta y presenta resultados variables, según cómo se realice el registro. Frente a este problema, Cremers et al. (2006) propusieron un alineamiento intrínseco, mediante el cual las formas de la base de datos son normalizadas y llevadas a un sistema de coordenadas común que permite compararlas. Desgraciadamente, esta solución sólo considera invarianza a la translación y el escalamiento, sin considerar la rotación, crucial en imágenes médicas. Nuestro trabajo es una extensión del trabajo de Cremers, considerando alineamiento intrínseco invariante a la translación, escalamiento y rotación. El nuevo regularizador considera los vectores y valores propios de la matriz de covarianza de las formas de entrenamiento, produciendo un nuevo conjunto de ecuaciones de evolución. Probamos el nuevo regularizador combinado con el algoritmo de Chan-Vese en imágenes sintéticas e imágenes médicas, en 2D y 3D, mostrando resultados efectivos, precisos y destacando la importancia de considerar rotaciones en el proceso de alineamiento intrínseco.
- ItemQuantification of liver fat infiltration by magnetic resonance(2019) Herrera, R.; Peñaloza, F.; Arrieta, Cristóbal; Zacconi, Flavia C. M.; Saavedra, V.; Saavedra, C.; Branes, C.; Hack, T.; Uribe, S.
- ItemQuantitative assessments of geometric errors for rapid prototyping in medical applications(2011) Arrieta, Cristóbal; Tejos Núñez, Cristián Andrés; Pontificia Universidad Católica de Chile. Escuela de IngenieríaEl Prototipado Rápido (PR), tecnología utilizada para construir modelos tridimensionales (3D) o réplicas de objetos, ha tomado gran importancia en aplicaciones médicas, especialmente para planificación de cirugías, diseño de prótesis y docencia. La precisión geométrica de los modelos PR es esencial para estas aplicaciones médicas. El método más común para evaluar la precisión geométrica es identificar puntos anatómicamente relevantes en el objeto original y en el modelo PR y comparar las distancias lineales entre pares de puntos correspondientes. Este tipo de métrica sufre de ciertas ambigüedades y puede llevar a una mala medición del error. Como método alternativo para medir el error, proponemos dos enfoques: (1) Generar una métrica para evaluar la precisión global, usando índices que comparen los volúmenes de la estrutura original y el modelo PR, calculados sobre imágenes de Tomografía Computarizada, y (2) Generar una métrica para evaluar la precisión local, comparando las superficies del objeto original y del modelo PR.
- ItemSensitivity analysis of geometric errors in additive manufacturing medical models(2015) Pinto, José Miguel; Arrieta, Cristóbal; Andía Kohnenkampf, Marcelo Edgardo; Uribe Arancibia, Sergio A.; Ramos Grez, Jorge; Vargas Díaz, Alex Patricio; Irarrázaval Mena, Pablo; Tejos Núñez, Cristián Andrés
- ItemSimultaneous left and right ventricle segmentation using topology preserving level sets(2017) Arrieta, Cristóbal; Uribe Arancibia, Sergio A.; Sing-Long C., Carlos A.; Hurtado Sepúlveda, Daniel; Andía Kohnenkampf, Marcelo Edgardo; Irarrázaval Mena, Pablo; Tejos Núñez, Cristián Andrés