Prior knowledge for level set segmentation.
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
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.
Description
Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2017