Isoardi, Roberto Andrés (2010) Optimización de Análisis y Registración de Imágenes Tomográficas / Analysis and Registration Optimization of Tomographic Images. Tesis Doctoral en Física, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 4Mb |
Resumen en español
Tanto el diagnóstico como la terapia asistida por computadora hacen uso de varios algoritmos de procesamiento y visualización de imágenes médicas. Entre los procesos más conocidos se encuentra la clasificación automática de tejidos, también conocida generalmente como segmentación, y la correlación espacio-temporal de imágenes, proceso difundido bajo el nombre de registración. Este trabajo presenta métodos no supervisados basados en modelos físico-matemáticos, a la vez que ofrece un estudio de optimización de dichos procesos aplicados a imágenes tomográficas. Para la clasificación de tejidos cerebrales de Resonancia Magnética, se propone un enfoque bayesiano basado en el Criterio de Máxima Evidencia, el cual permite segmentar el cerebro humano en sus tres componentes principales (materia gris, materia blanca y líquido cefalorraquídeo). Una aproximación de “campo medio” de la Evidencia permite implementarlo con un bajo costo computacional. Se estudiaron dos modelos en 2D y en 3D, uno en el cual cada voxel puede contener una sola clase de tejido (Modelo Discreto) y otro más realista, en el cual cada voxel puede contener hasta dos clases diferentes (Modelo de Volumen Parcial). Éste último resulta más probable y con menor error de acuerdo al criterio aplicado, siendo objeto de análisis un fantoma digital y un caso clínico.Con respecto a la registración de volúmenes tomográficos, se propone un método que aplica un modelo flexible para dar cuenta de las deformaciones que sufre el cuerpo humano en las regiones de tórax y abdomen. El algoritmo maximiza la Información Mutua como medida de similaridad, y la transformación espacial se construye con funciones base de Fourier a distintos órdenes, en un esquema jerárquico de subdivisiones de los volúmenes a registrar. La optimización de este proceso consiste en hallar el orden de la transformación y número de subvolúmenes que maximicen la métrica elegida y minimicen el error. Tres técnicas tomográficas se seleccionan y estudian aquí para registración intra-modal: Tomografía Computada, Resonancia Magnética y PET. Para dicha optimización, el método se aplica en volúmenes artificialmente deformados –simulando expansión respiratoria-, y en casos clínicos intra-sujeto.
Resumen en inglés
Computer-aided diagnosis and therapy make use of several medical image processing and visualization algorithms. Both automatic tissue classification -also known as segmentation-, and image registration are ubiquitous techniques in the medical imaging arena. This work presents non-supervised algorithms based on physical-mathematical models, as well as an optimization study of such processing methods when applied to different tomographic modalities. For segmentation of Magnetic Resonance images of the brain, a Bayesian approach is proposed based on the Maximum Evidence Criterion, which allows classifying the human brain in its three main constituents: gray matter, white matter and cerebro-spinal fluid. A “mean field” approximation of the Evidence allows its implementation at a low computational cost. Two models were analyzed in 2D and 3D: one in which each voxel hosts only one tissue class (Discrete Model) and a more realistic one where up to two different classes may coexist in each voxel (Partial Volume Model). The latter turned out to be a more likely model in terms of Evidence and mean error, and the algorithm was tested on a digital phantom and for a clinical brain study. With regard to the registration of tomographic volumes, a flexible model is proposed which accounts for the deformations of the human body in the thorax and abdomen regions. This algorithm maximizes the Normalized Mutual Information as a similarity measure, and the spatial transformation is built with Fourier basis functions of different orders, in a hierarchical volume subdivision scheme. The optimization aims at finding the subvolumes which maximize the chosen metric while minimizing the error. Three different modalities where explored for intra-modal registration: Computed Tomography, Magnetic Resonance Imaging and Positron Emission Tomography. The algorithm was applied in artificially deformed volumes –simulating respiratory inhalation-, and for clinical, same-subject studies.
| Tipo de objeto: | Tesis (Tesis Doctoral en Física) |
|---|---|
| Palabras Clave: | Image Processing; Tratamiento de imágenes; Tomography; Tomografía |
| Materias: | Física > Física-modelos matemáticos Estadística > Optimización matemática Medicina > Diagnóstico por imagen y medicina nuclear Medicina > Neurociencias |
| Divisiones: | Investigación y aplicaciones no nucleares > Física > Física estadística |
| Código ID: | 157 |
| Depositado Por: | Profesor Adjunto Roberto A. Isoardi |
| Depositado En: | 05 Aug 2010 15:37 |
| Última Modificación: | 05 Aug 2010 15:37 |
Personal del repositorio solamente: página de control del documento
