Prior knowledge for level set segmentation.
dc.contributor.advisor | Tejos Núñez, Cristián Andrés | |
dc.contributor.author | Arrieta, Cristóbal | |
dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
dc.date.accessioned | 2017-11-30T16:18:52Z | |
dc.date.available | 2017-11-30T16:18:52Z | |
dc.date.issued | 2017 | |
dc.description | Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2017 | |
dc.description.abstract | La 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. | |
dc.format.extent | xv, 116 hojas | |
dc.identifier.doi | 10.7764/tesisUC/ING/21348 | |
dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/21348 | |
dc.identifier.uri | https://repositorio.uc.cl/handle/11534/21348 | |
dc.language.iso | en | |
dc.nota.acceso | Contenido completo | |
dc.rights | acceso abierto | |
dc.subject.ddc | 620 | |
dc.subject.dewey | Ingeniería | es_ES |
dc.subject.other | Procesamiento de imagen - Técnicas digitales. | es_ES |
dc.title | Prior knowledge for level set segmentation. | es_ES |
dc.type | tesis doctoral | |
sipa.codpersvinculados | 4027 |