Optimización de Análisis y Registración de Imágenes Tomográficas

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 e...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Isoardi, Roberto Andrés
Formato:	Tesis NonPeerReviewed
Lenguaje:	Español
Publicado:	2010
Materias:	Física-modelos matemáticos Optimización matemática Diagnóstico por imagen y medicina nuclear Neurociencias Image Processing Tratamiento de imágenes Tomography Tomografía
Acceso en línea:	http://ricabib.cab.cnea.gov.ar/157/1/1Isoardi.pdf
Aporte de:	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro

id	I25-R131-157
record_format	dspace
institution	Instituto Balseiro
institution_str	I-25
repository_str	R-131
collection	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language	Español
orig_language_str_mv	es
topic	Física-modelos matemáticos Optimización matemática Diagnóstico por imagen y medicina nuclear Neurociencias Image Processing Tratamiento de imágenes Tomography Tomografía
spellingShingle	Física-modelos matemáticos Optimización matemática Diagnóstico por imagen y medicina nuclear Neurociencias Image Processing Tratamiento de imágenes Tomography Tomografía Isoardi, Roberto Andrés Optimización de Análisis y Registración de Imágenes Tomográficas
topic_facet	Física-modelos matemáticos Optimización matemática Diagnóstico por imagen y medicina nuclear Neurociencias Image Processing Tratamiento de imágenes Tomography Tomografía
description	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.
format	Tesis NonPeerReviewed
author	Isoardi, Roberto Andrés
author_facet	Isoardi, Roberto Andrés
author_sort	Isoardi, Roberto Andrés
title	Optimización de Análisis y Registración de Imágenes Tomográficas
title_short	Optimización de Análisis y Registración de Imágenes Tomográficas
title_full	Optimización de Análisis y Registración de Imágenes Tomográficas
title_fullStr	Optimización de Análisis y Registración de Imágenes Tomográficas
title_full_unstemmed	Optimización de Análisis y Registración de Imágenes Tomográficas
title_sort	optimización de análisis y registración de imágenes tomográficas
publishDate	2010
url	http://ricabib.cab.cnea.gov.ar/157/1/1Isoardi.pdf
work_keys_str_mv	AT isoardirobertoandres optimizaciondeanalisisyregistraciondeimagenestomograficas
_version_	1794277751935467520
spelling	I25-R131-1572010-08-05T18:37:18Z Optimización de Análisis y Registración de Imágenes Tomográficas Analysis and Registration Optimization of Tomographic Images Isoardi, Roberto Andrés Física-modelos matemáticos Optimización matemática Diagnóstico por imagen y medicina nuclear Neurociencias Image Processing Tratamiento de imágenes Tomography Tomografía 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. 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. 2010-04 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/157/1/1Isoardi.pdf es 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. http://ricabib.cab.cnea.gov.ar/157/

Optimización de Análisis y Registración de Imágenes Tomográficas

Ejemplares similares