Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Copy of Tesis

Segmentación de imágenes médicas tridimensionales basada en indicadores de textura
by

Nelson Pulido

on 12 September 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Copy of Tesis

Imágenes artificiales
Selección de
indicadores

Bordes regulares
Se estudió la capacidad de los indicadores para
diferenciar texturas con bordes regulares, para diferentes tamaños de ventana y vectores de desplazamiento.
Bordes irregulares
Se estudió la capacidad de los indicadores para
discriminar texturas con bordes irregulares.
Imágenes combinadas
Se estudió la capacidad de los indicadores para
discriminar una textura médica (tumor) respecto
de una sintética.
Imágenes médicas
Se estudió el comportamiento de los indicadores para la discriminación de
diferentes órganos, y del gradiente para distinguir bordes.
Análisis de correlación
Se estudió, en términos del coeficiente de
correlación de Pearson, la redundancia de los
indicadores.
Universidad Nacional del Centro de la Provincia de Buenos Aires
Facultad de Ciencias Exactas
Segmentación de imágenes médicas tridimensionales basada en indicadores de textura
José Ignacio Orlando - Hugo Luis Manterola
Directora: Dra. Mariana del Fresno
Co-director: Ing. Enzo Ferrante
Imágenes Médicas Tridimensionales
Permiten analizar el cuerpo humano
de forma no invasiva.
Herramienta clave para el diagnóstico y la investigación en ciencia clínica.
MRI
CT
Magnetic Resonance Image
Computed Tomography
Segmentación
Dividir una imagen digital
en dos o más regiones de propiedades homogéneas.
Es uno de los problemas más
importantes del Procesamiento
de Imágenes.
Texturas
Repetición regular de un patrón visualmente homogéneo a lo largo de una superficie o volumen.
G. N. Srinivasan y G. Shobha. Statistical Texture Analysis. pp. 1264-1269. 2008.
Texturas en Imágenes Médicas
Aportan información
adicional respecto a las intensidades,
útil en numerosas aplicaciones.
Es necesario disponer de
estrategias computacionales
para caracterizarlas
cuantitativamente.
GLCM
Grey-Level Coocurrence Matrix
Herramienta simple para la caracterización de texturas.
Permite obtener descriptores
que cuantifican diferentes
características de la textura.
Indicadores de textura
basados en matrices de coocurrencia
Momento Angular Segundo
Contraste
Correlación
Suma Promedio
Varianza
Homogeneidad Local
Entropía
R. M. Haralick, K. Shanmugam, I. Dinstein. Textural Features for Image Classification. pp. 610-621. 1973.
Imágenes combinadas
Imágenes médicas
Correlación
Instituto PLADEMA
Algunas conclusiones
Esquema de segmentación
basado en texturas
Momento Angular
Segundo
Entropía
Homogeneidad
Local
Contraste
Correlación
Suma Promedio
Varianza
Indicadores agrupables
en 4 conjuntos
Indican el nivel de homogeneidad en la distribución de los grises en la textura.
La Entropía es inversamente proporcional a la Homogeneidad Local y al Momento Angular Segundo.
Ninguno de los indicadores es capaz de discriminar adecuadamente los tejidos en las imágenes utilizadas.
Momento Angular
Segundo
Entropía
Homogeneidad
Local
Permite distinguir cambios entre texturas, aunque las
variaciones son muy pequeñas.
Los vecindarios considerados para el cálculo del gradiente
pueden forzar una pérdida de información importante.
La capacidad de discriminación no llega a ser lo suficientemente efectiva.
Cuantifica la linealidad de la textura respecto al vector de cálculo de la matriz de coocurrencia.
Presenta comportamiento errático en el interior de las regiones, y valores altos en los bordes.
No es posible definir un comportamiento característico en ninguno de los tejidos estudiados.
La Suma Promedio toma valores altos con texturas
repetitivas, y bajos en texturas más aleatorias.
La Varianza distingue las variabilidades internas de la textura.
La Suma Promedio y la Varianza están correlacionadas.
Suma Promedio
Ambos indicadores facilitan la detección de diferentes tipos de tejidos.
Varianza
Crecimiento de Regiones
Superficies Activas
Criterio basado en
distancia euclídea
Proporción de vecinos
Criterio basado en distancia euclídea ponderada
Permite controlar la cantidad de información provista
por cada indicador.
Criterio basado en
máximo gradiente
Criterio basado en
umbrales
Resultados
Formulación continua
Superficie definida por la ecuación paramétrica
Sobre ella se define un funcional de energía
Asociado a la elasticidad de la
superficie
Asociado a las características
de la imagen
El objetivo es minimizar el funcional por medio de un Sistema Dinámico basado en la ecuación de movimiento de Lagrange, cuya forma discreta es:
El modelo alcanza el equilibrio cuando las fuerzas externas se balancean con las fuerzas internas y el término de amortiguación.
Término de
amortiguación
Fuerzas
Internas
Fuerzas
Externas
Energía Interna
con
Tensión:
Flexión:
Energía Externa
Fuerza de inflación basada en texturas
Solución numérica
La ecuación puede resolverse a través
del método de integración explícito de Euler
es un indicador seleccionado para guiar a la fuerza de inflación, evaluado en el nodo.
Energía Externa
Fuerza externa basada en texturas
Gradiente de potencial de textura en la dirección opuesta a la normal
es un indicador seleccionado para guiar a la fuerza de externa, evaluado en el nodo.
Campo de gradiente sobre el mapa de texturas
Se estudiaron 2 aplicaciones concretas del algoritmo
Segmentación de tumores en MRI
cerebrales simuladas.
Segmentación de órganos abdominales en CT.
Segmentación en MRI
Se evaluó cuantitativa y cualitativamente el comportamiento del algoritmo para la segmentación de tumores cerebrales en MRI en la modalidad T2.
Se estudió cualitativamente la capacidad del algoritmo
para la detección de tumor activo en MRI en la modalidad
T1 con gadolinio.
Resultados
Crecimiento
de Regiones
Segmentación de tumor activo
en MRI T1 con gadolinio
Segmentación de CT abdominal
Comparación con estrategia basada
en intensidades
E. Ferrante. Segmentación y reconstrucción eficiente de mallas para seguimiento de tumores utilizando GPU (Tesis de grado). Tandil: Facultad de Ciencias Exactas, UNCPBA. 2012.
Dificultades
Imágenes de prueba
Superficies
Activas
Resultados
Crecimiento de
regiones
Superficies
Activas
Compromiso entre calidad
y suavidad de la malla
Conforme se incrementan los valores de a y b para mejorar la suavidad de la malla, se evidencia una disminución en el factor de calidad
Propuesta
Conclusiones y trabajos futuros
Se incorporaron diferentes criterios de incorporación de puntos al algoritmo de crecimiento de regiones, capaces de utilizar diferentes tipos de indicadores de textura.
El esquema de trabajo completo demostró una muy buena capacidad de segmentación en imágenes con bajo contraste en MRI y CT.
Se propuso una estrategia híbrida de segmentación basada en indicadores de textura calculados sobre matrices de coocurrencia.
En un futuro puede migrarse el algoritmo a GPU para reducir los costos computacionales.
Mapas de distancia euclídea utilizando vectores de 1 único indicador
Mapas de distancia euclídea combinando indicadores
Prueba realizada sobre el riñón derecho, variando a y b
y dejando fijos c=25 y d=100.
Etapa adicional de suavizado por método de Taubin
Permite resolver el problema anterior, obteniendo mallas suaves sin pérdida de calidad ni volumen.
También puede estudiarse el comportamiento del mismo algoritmo con otros indicadores (Gabor, Wavelets).
¿Preguntas?
MRI
CT
Dificultades
Azul: Superficie Segmentada
Rojo: Superficie de referencia
Full transcript