Segmentación de imágenes médicas mediante inferencia bayesiana

Las imágenes médicas son una herramienta de suma utilidad diagnóstica en medicina, proporcionando información anatómica o funcional de forma mínimamente invasiva. Posteriormente al proceso de adquisición, las imágenes digitales pueden ser procesadas de diversas maneras para destacar o extraer inform...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Cárdenas Szigety, Rodrigo
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2023
Materias:
Física médica
Medicine
Medicina
[Segmentation bayesian
Segmentación bayesiano
Processing
Procesamiento
Images medicine
Imágenes médicas
Inference
Inferencia]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/1188/1/1C%C3%A1rdenas_Szigety.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-1188
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 médica
Medicine
Medicina
[Segmentation bayesian
Segmentación bayesiano
Processing
Procesamiento
Images medicine
Imágenes médicas
Inference
Inferencia]
spellingShingle Física médica
Medicine
Medicina
[Segmentation bayesian
Segmentación bayesiano
Processing
Procesamiento
Images medicine
Imágenes médicas
Inference
Inferencia]
Cárdenas Szigety, Rodrigo
Segmentación de imágenes médicas mediante inferencia bayesiana
topic_facet Física médica
Medicine
Medicina
[Segmentation bayesian
Segmentación bayesiano
Processing
Procesamiento
Images medicine
Imágenes médicas
Inference
Inferencia]
description Las imágenes médicas son una herramienta de suma utilidad diagnóstica en medicina, proporcionando información anatómica o funcional de forma mínimamente invasiva. Posteriormente al proceso de adquisición, las imágenes digitales pueden ser procesadas de diversas maneras para destacar o extraer información subyacente de utilidad para el diagnóstico. Una de las técnicas de procesamiento más relevantes es la segmentación, que consiste en particionar a la imagen en regiones relevantes, en particular para delinear automáticamente estructuras como órganos o tejidos. Los métodos de segmentación existentes son diversos en cuanto a su forma de representar las características relevantes de imagen para segmentar, el grado de interacción manual y la cantidad de datos necesarios para obtener un método de desempeño satisfactorio. En particular, los métodos basados en modelos probabilísticos tienen las virtudes de requerir pocos datos, tener pocos hiperparámetros ajustables, costo computacional moderado y que potencialmente pueden ser completamente automatizables. En esta tesis se desarrolló un modelo de segmentación basado en inferencia bayesiana que incorpora información a priori de estructuras a segmentar mediante priors de forma. El enfoque está basado en trabajos previos de segmentación bayesiana de tejidos y la adaptación de la idea de prior de forma de level-sets al contexto de inferencia bayesiana. En particular se estudió la aplicación de este método al problema de segmentación cardíaca de miocardio del ventrículo izquierdo en imágenes cardíacas de resonancia magnética nuclear de cine, en donde el prior de forma incorpora la información a priori de la geometría del tejido del miocardio en las imágenes. El método fue validado en la base de datos del Cardiac Motion Analysis Challenge 2011 contrastando los resultados obtenidos contra anotaciones manuales realizadas por expertos. El desempeño alcanzado por el método propuesto es compatible con otros métodos de segmentación aplicados al problema de segmentación cardíaca, con valores obtenidos de coeficiente de Dice de 0,8 ± 0,1, 0,94 ± 0,04 y 0,90 ± 0,09 para segmentación de miocardio, endocardio y epicardio respectivamente, con la ventaja principal que no es necesaria una gran cantidad de datos para su funcionamiento y requiere mínima interacción. Finalmente se estudió la aplicación del método de segmentación al cálculo del esfuerzo miocárdico, dentro del marco del desarrollo de una extensión para el software de procesamiento y visualización de imágenes médicas 3DSlicer. Se comprobó en que el método de segmentación propuesto como pre-procesamiento al cálculo de esfuerzo alcanza resultados cualitativos compatibles a otros métodos establecidos y además se contribuyó al desarrollo y validación de la extensión CardIAc del software 3DSlicer para calculó y visualización de esfuerzo miocárdico.
format Tesis
NonPeerReviewed
author Cárdenas Szigety, Rodrigo
author_facet Cárdenas Szigety, Rodrigo
author_sort Cárdenas Szigety, Rodrigo
title Segmentación de imágenes médicas mediante inferencia bayesiana
title_short Segmentación de imágenes médicas mediante inferencia bayesiana
title_full Segmentación de imágenes médicas mediante inferencia bayesiana
title_fullStr Segmentación de imágenes médicas mediante inferencia bayesiana
title_full_unstemmed Segmentación de imágenes médicas mediante inferencia bayesiana
title_sort segmentación de imágenes médicas mediante inferencia bayesiana
publishDate 2023
url http://ricabib.cab.cnea.gov.ar/1188/1/1C%C3%A1rdenas_Szigety.pdf
work_keys_str_mv AT cardenasszigetyrodrigo segmentaciondeimagenesmedicasmedianteinferenciabayesiana
_version_ 1794277907970916352
spelling I25-R131-11882023-08-09T15:29:55Z Segmentación de imágenes médicas mediante inferencia bayesiana Medical image segmentation by batesian inference Cárdenas Szigety, Rodrigo Física médica Medicine Medicina [Segmentation bayesian Segmentación bayesiano Processing Procesamiento Images medicine Imágenes médicas Inference Inferencia] Las imágenes médicas son una herramienta de suma utilidad diagnóstica en medicina, proporcionando información anatómica o funcional de forma mínimamente invasiva. Posteriormente al proceso de adquisición, las imágenes digitales pueden ser procesadas de diversas maneras para destacar o extraer información subyacente de utilidad para el diagnóstico. Una de las técnicas de procesamiento más relevantes es la segmentación, que consiste en particionar a la imagen en regiones relevantes, en particular para delinear automáticamente estructuras como órganos o tejidos. Los métodos de segmentación existentes son diversos en cuanto a su forma de representar las características relevantes de imagen para segmentar, el grado de interacción manual y la cantidad de datos necesarios para obtener un método de desempeño satisfactorio. En particular, los métodos basados en modelos probabilísticos tienen las virtudes de requerir pocos datos, tener pocos hiperparámetros ajustables, costo computacional moderado y que potencialmente pueden ser completamente automatizables. En esta tesis se desarrolló un modelo de segmentación basado en inferencia bayesiana que incorpora información a priori de estructuras a segmentar mediante priors de forma. El enfoque está basado en trabajos previos de segmentación bayesiana de tejidos y la adaptación de la idea de prior de forma de level-sets al contexto de inferencia bayesiana. En particular se estudió la aplicación de este método al problema de segmentación cardíaca de miocardio del ventrículo izquierdo en imágenes cardíacas de resonancia magnética nuclear de cine, en donde el prior de forma incorpora la información a priori de la geometría del tejido del miocardio en las imágenes. El método fue validado en la base de datos del Cardiac Motion Analysis Challenge 2011 contrastando los resultados obtenidos contra anotaciones manuales realizadas por expertos. El desempeño alcanzado por el método propuesto es compatible con otros métodos de segmentación aplicados al problema de segmentación cardíaca, con valores obtenidos de coeficiente de Dice de 0,8 ± 0,1, 0,94 ± 0,04 y 0,90 ± 0,09 para segmentación de miocardio, endocardio y epicardio respectivamente, con la ventaja principal que no es necesaria una gran cantidad de datos para su funcionamiento y requiere mínima interacción. Finalmente se estudió la aplicación del método de segmentación al cálculo del esfuerzo miocárdico, dentro del marco del desarrollo de una extensión para el software de procesamiento y visualización de imágenes médicas 3DSlicer. Se comprobó en que el método de segmentación propuesto como pre-procesamiento al cálculo de esfuerzo alcanza resultados cualitativos compatibles a otros métodos establecidos y además se contribuyó al desarrollo y validación de la extensión CardIAc del software 3DSlicer para calculó y visualización de esfuerzo miocárdico. Medical imaging is a paramount useful diagnostic tool in medicine, providing anatomic or functional information in a minimally invasive way. After aquisition, digital images can be processed in different ways to highlight or extract useful further information for diagnosis. Segmentation is one of the most relevant of such processing techniques, involving partitioning an image into meaningful regions, for instance: for automatic organs or tissue delineation. Existing segmentation methods are diverse in regard of image features representation, degree of user interaction and amount of data needed to attain satisfactory performance. In particular, probabilistic based methods have nice virtues such as: little data demanding, few hyperparameters to fit, mild computational burden and can potentially be run in fully automated fashion. The focus of this thesis was the development of a segmentation model based on bayesian inference that incorporates a priori information about the structures to be segmented by means of a shape prior. The approach is based on previous works on bayesian segmentation applied to tissues segmentation and also adapting the idea of shape prior in level-sets segmentation into the bayesian framework. Specifically, the proposed method of bayesian segmentation with shape priors was studied in the context of cardiac cine MRI myocardial segmentation, in which a shape prior is used to incorporate a priori information about myocardial tissue geometry on images. The proposed method was validated on the Cardiac Motion Analysis Challenge 2011 database by measuring matching between segmentations obtained by the method and manual annotation by experts. The performance attained by the method is compatible with other state-of-the art methods for cardiac segmentation measured in terms of Dice coefficient metric: 0.8 ± 0.1, 0.94 ± 0.04 and 0.90 ± 0.09 for myocardium, endocardium and epicardium segmentation respectively. Hence, bayesian segmentation with shape priors enables satisfactory segmentation performance with few data usage and minimal interaction. Finally, the proposed segmentation method was applied to myocardial strain quantification in the context of the development of an extension for the medical image processing and visualization software 3DSlicer. It was shown that by applying the proposed method as a pre-processing step for myocardial strain quantification, results attained are compatible with stablished methods. Moreover, the segmentation method proposed contributed to the development and validation of the extension CardIAc for computation and visualization of cardiac strain for the 3DSlicer software. 2023-04-04 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1188/1/1C%C3%A1rdenas_Szigety.pdf es Cárdenas Szigety, Rodrigo (2023) Segmentación de imágenes médicas mediante inferencia bayesiana / Medical image segmentation by batesian inference. Tesis Doctoral en Física, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1188/

Ejemplares similares