Show simple item record

dc.contributor.advisorPicón, Artzai
dc.contributor.advisorIriondo, Pedro M.
dc.contributor.authorBereciartua, Arantza
dc.date.accessioned2017-01-24T15:33:28Z
dc.date.available2017-01-24T15:33:28Z
dc.date.issued2016-12-01
dc.identifier.urihttp://hdl.handle.net/11556/363
dc.description.abstractLa imagen médica se ha convertido en los últimos años en una potente herramienta de ayuda al diagnóstico. Gracias a los avanzados escáneres y software de reconstrucción de imágenes disponibles es posible la identificación de distintos órganos y tejidos, así como la obtención de datos que ayuden a caracterizar y cuantificar las patologías. Los radiólogos son los responsables del uso e interpretación de dichas imágenes y demandan herramientas que les permitan localizar órganos y tejidos con mayor precisión y rapidez, así como la identificación y caracterización cuantitativa de las patologías presentes en ellos, con el fin de realizar un diagnóstico preciso. Por otra parte, el cáncer de hígado es una de las principales causas de muerte por cáncer en todo el mundo. Las técnicas invasivas utilizadas para su diagnóstico, tales como biopsias quirúrgicas, a veces pueden ser reemplazadas por técnicas no invasivas con imagen médica como la tomografía axial computerizada (TAC o CT, en sus siglas en inglés) y la resonancia magnética (RM o MRI, en inglés), con claros beneficios para el paciente. Con el fin de ayudar a los radiólogos y cirujanos en una planificación fiable de la intervención, son necesarios nuevos métodos y herramientas para localizar y segmentar adecuadamente el órgano de interés y las patologías presentes. La segmentación (delimitación) automática del hígado es un problema complejo. Se han alcanzado resultados parciales principalmente sobre imágenes obtenidas mediante CT. La técnica de MRI ofrece mayor información para fines de diagnóstico. Sin embargo, la segmentación del hígado en imágenes de MRI representa un desafío debido a la presencia de artefactos característicos de dicha tecnología de adquisición, como es el caso de los volúmenes parciales, el ruido, y en general, la baja nitidez y el escaso contraste existente entre órganos, de manera que el límite entre los diferentes tejidos suele ser confuso. Existen menos desarrollos sobre imágenes de MRI, aunque éstos han ido en aumento progresivo en los últimos años. En este trabajo, se presenta un nuevo método para la segmentación automática de hígado sobre imagen multicanal obtenida mediante resonancia magnética. El método propuesto consiste en la minimización de una superficie activa 3D mediante la aproximación dual a la formulación variacional subyacente del problema. Esta superficie activa evoluciona sobre un mapa de probabilidad que se basa en un nuevo descriptor compacto propuesto que contiene la información espacial y multisecuencia de cada píxel en relación a un modelo estadístico multivariable de hígado generado previamente. Esta superficie activa 3D integra de manera natural la regularización volumétrica. El descriptor visual compacto junto con el enfoque propuesto constituye un método de segmentación 3D rápido y preciso. El método fue probado en 18 estudios de hígado sano y los resultados se compararon con una segmentación de referencia realizada por expertos radiólogos. Las comparaciones con otros métodos del estado del arte se realizan mediante la obtención de 9 métricas establecidas. Los resultados obtenidos son comparables, incluso mejores en algunos casos, a los de otras técnicas del estado del arte. Se ha obtenido un coeficiente de similaridad de Dice de 98.59. Medical imaging has become in recent years a powerful tool to support diagnosis. Thanks to advanced scanners and image reconstruction software available, it is possible to identify different organs and tissues, as well as obtaining data that may help to characterize and quantify the pathologies. Radiologists are responsible for the use and interpretation of these images and require tools that allow them to locate organs and tissues with greater accuracy and speed, as well as the identification and quantitative characterization of the pathologies present in them, in order to make an accurate diagnosis. Moreover, liver cancer is one of the leading causes of cancer death worldwide. Invasive techniques used for diagnosis, such as surgical biopsies can sometimes be replaced by non-invasive techniques in medical imaging such as computed axial tomography (CT) and magnetic resonance imaging (MRI), with clear benefits for the patient. In order to assist radiologists and surgeons in a reliable intervention planning, new methods and accurate and efficient tools are needed to locate and segment properly the organ of interest and the pathologies inside. Automatic segmentation (delimitation) of the liver is a complex problem. Partial results have been achieved mainly on images obtained by CT. MRI technique provides more information for diagnostic purposes. However, liver segmentation in MRI images is a challenge due to the presence of characteristic artifacts, such as the partial volumes, the noise, and generally, the low sharpness and the low contrast between organs, so that the boundary between different tissues is often confusing. There are fewer developments on MRI, although these have been steadily increasing in recent years. In this thesis, we present a novel method for multichannel MRI automatic liver segmentation. The proposed method consists of the minimization of a 3D active surface by means of the dual approach to the variational formulation of the underlying problem. This active surface evolves over a probability map that is based on a new compact descriptor comprising spatial and multisequence information of every pixel which is further modeled by means of a liver multivariate statistical model that has been previously generated. This proposed 3D active surface approach naturally integrates volumetric regularization in the statistical model. The advantages of the compact visual descriptor together with the proposed approach result in a fast and accurate 3D segmentation method. The method was tested on 18 healthy liver studies and results were compared to a gold standard made by expert radiologists. Comparisons with other state-of-the-art approaches are provided by means of nine well established quality metrics. The obtained results are in line with the state-of-the-art methodologies, and are even better than them in some cases. A Dice Similarity Coefficient of 98.59 has been achieved.en
dc.language.isospaen
dc.publisherUPV - EHUen
dc.rightsAttribution 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.titleDesarrollo de algoritmos de procesamiento de imagen avanzado para interpretación de imágenes médicas.en
dc.typedoctoralThesisen
dc.rights.accessRightsopenAccessen
dc.subject.keywordsmedical imagingen
dc.subject.keywordsimage segmentationen
dc.subject.keywordsmultisequence MRI for liver segmentationen
dc.subject.keywordsvariational techniquesen


Files in this item

Thumbnail

    Show simple item record

    Attribution 4.0 InternationalExcept where otherwise noted, this item's license is described as Attribution 4.0 International