Multi-Atlas Structure Segmentation On Medical Images

La segmentación de estructuras es muy importante en aplicaciones médicas ya que proporciona un conocimiento cuantitativo del volumen, forma o posición de las estructuras en consideración, lo cual permite el análisis y entendimiento de diferentes patologías. La técnica estándar de segmentación es la...

Full description

Autores:: Orbes Arteaga, Henry Mauricio

Tipo de recurso:

Fecha de publicación:: 2016

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

Description
Summary:	La segmentación de estructuras es muy importante en aplicaciones médicas ya que proporciona un conocimiento cuantitativo del volumen, forma o posición de las estructuras en consideración, lo cual permite el análisis y entendimiento de diferentes patologías. La técnica estándar de segmentación es la proporcionada manualmente por un experto clínico. Sin embargo este proceso es computacionalmente costoso dificultando el análisis en grandes bases de datos. Recientemente, los métodos basados en Multi-atlas han sido usados para apoyar las tareas de segmentación de imágenes cerebrales. La principal ventaja de estos métodos es debido a que son capases de proporcionar información espacial a su vez que la variabilidad anatómica es capturada mediante el uso de un conjunto de atlases etiquetados. Sin embargo la precisión de la segmentación depende de la capacidad de cada atlas para propagar sus etiquetas a la imagen objetivo, así como el método empleado para combinar las estimaciones de cada atlas. Por esta razón, la selección de atlas y el método de combinación o fusión de etiquetas, son dos importantes direcciones para mejorar el desempeño de los métodos basados en Multi-atlas. En este trabajo se proponen diferentes enfoques con el fin de mejorar la selección de atlases y la combinación de etiquetas. En primer lugar se propone un método de representación de imágenes médicas basado en Kernels la cual permite mapear el espacio original en un espacio embebido de baja dimensión donde se destacan los grupos latentes en los datos y refleje las similitudes intrínsecas. En segundo lugar, se propone una medida similitud supervisada entre imágenes, esta usa medidas de similitudes locales e información supervisada para correlacionar similitudes en apariencia con el desempeño en la segmentación. Por último, el problema de combinación de etiquetas es enmarcado como un método probabilístico no local de segmentación, donde se combinan las fortalezas de los métodos basados en parches y los métodos basados en atlas probabilísticos con el objetivo de mejorar la precisión de la segmentación. Los métodos propuestos son comparados con métodos convencionales del estado del arte en tareas de segmentación. Los resultados obtenidos muestran el potencial de los enfoques propuestos para mejorar la segmentación ya que superan los métodos convencionales

Multi-Atlas Structure Segmentation On Medical Images

Publicaciones similares