Kernel-based image analysis towards MRI segmentation and classification

Recientemente, el análisis de imágenes médicas ha recibido gran interés debido a su amplia gama de aplicaciones incluyendo cirugía cerebral, construcción de atlases, y diagnostico asistido por computador. Por otro lado, la teoría de Kernels es uno de los métodos de aprendizaje de maquina más emplead...

Full description

Autores:
Cárdenas Peña, David Augusto
Tipo de recurso:
Doctoral thesis
Fecha de publicación:
2016
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/56541
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/56541
http://bdigital.unal.edu.co/52348/
Palabra clave:
6 Tecnología (ciencias aplicadas) / Technology
62 Ingeniería y operaciones afines / Engineering
Análisis de imágenes medicas
Teoría de kernels
Agrupamiento de RNM
Segmentación basada en atlases
Selección de plantillas
Segmentación Bayesiana
Segmentación basada en parches
Diagnóstico asistido por computador
Función de costo empleando medidas de información
Redes neuronales
Medical image analysis
Kernel theory
MRI clustering
Atlas-based segmentation
Template selection
Bayesian segmentation
Patch-based segmentation
Computer-aided diagnosis
Information-based cost function
Neural networks
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:Recientemente, el análisis de imágenes médicas ha recibido gran interés debido a su amplia gama de aplicaciones incluyendo cirugía cerebral, construcción de atlases, y diagnostico asistido por computador. Por otro lado, la teoría de Kernels es uno de los métodos de aprendizaje de maquina más empleados en variadas tareas debido a sus propiedades y múltiples técnicas. En este trabajo, se combinan las imágenes médicas, en particular las imágenes de resonancia magnética, y la teoría de Kernels para mejorar las tareas de segmentación y clasificación. La primera contribución de esta tesis es un nuevo criterio para la sintonización del ancho de banda del Kernel Gaussiano, como ´único parámetro libre, el cual es denominado KEIPV. El algoritmo maximiza la variabilidad del potencial de información en el espacio reproducido de Hilbert. Este criterio se emplea para la sintonización de todos los Kernels Gaussianos considerados en este trabajo. Luego, se propone una nueva representación de imágenes 3D que realza las categorías inherentes en los sujetos, específicamente edad y género. La medida embebida de similitud de imágenes soporta los algoritmos de segmentación basados en atlases al seleccionar las plantillas más relevantes de tal forma que se reduce el costo computacional (inducido por el registro deformable) y se mejora el desempeño de segmentación. Posteriormente, se proponen dos estrategias de segmentación basadas en atlases: La primera presenta una función de costo empleando medidas de información para el esquema de segmentación Bayesiana, tal que los parámetros del modelo se ajustan mejor a las propiedades de la imagen. La segunda es una estrategia empleando parches, para la que se propone una extracción de características voxel a voxel local que se entrena con información supervisada proveniente de las etiquetas de voxeles vecinos. Con este objetivo, la maximización del criterio del alineamiento de Kernels centralizados (CKA) que mejora la discriminación de tejidos en el espacio de características. Finalmente, un nuevo esquema de entrenamiento para perceptrones multicapa (MLP) se describe en el último capítulo con dos contribuciones: Una etapa de pre-entrenamiento supervisado usando CKA que estima matrices de proyección lineal; y una función de costo empleando la entropía condicional de matrices para el ajuste fino de los parámetros del MLP en un esquema de actualización por retropropagación