Tesi doctoral d'Alexandra González Villà: "Automated brain structure segmentation in magnetic resonance images of multiple sclerosis patients". Direcció: Dr. Xavier Lladó Bardera i Dr. Arnau Oliver Malagelada. Departament d'Arquitectura i Tecnologia de Computadors
Aquesta tesi se centra en la segmentació automàtica de les estructures cerebrals en imatges de ressonància magnètica, aplicada a pacients d'esclerosi múltiple (EM). Aquesta malaltia es caracteritza per la presència de lesions desmielinitzants al cervell, que apareixen com àrees focals de baixa intensitat de senyal en la seqüència T1-w, que és la modalitat més utilitzada per segmentar les estructures cerebrals. En primer lloc, analitzem exhaustivament l'estat de l'art en aquest tema, presentant una nova classificació dels mètodes basada en la seva estratègia de segmentació. A més, estudiem les fortaleses i inconvenients de cada categoria i analitzem el seu rendiment en la segmentació de diferents estructures, proporcionant una comparació qualitativa i quantitativa. En aquesta primera anàlisi, observem que la gran majoria dels mètodes revisats no estan dissenyats per a cervells amb lesions, com les que apareixen en pacients d'EM. En conseqüència, també realitzem una anàlisi exhaustiva de l'efecte de les lesions d'EM en tres mètodes representatius de l'estat de l'art, cadascun d'ells basat en una categoria diferent de la classificació proposada: FreeSurfer, FIRST i fusió d'etiquetes mitjançant majoria de vot. Aquesta segona anàlisi, revela que els tres enfocaments de segmentació es veuen afectats per la presència d'aquestes lesions, el que demostra que hi ha un problema en els mètodes de segmentació automàtica quan s'utilitzen com a eina per mesurar la progressió de la malaltia. Per tant, d'acord amb les conclusions d'aquests dos estudis, proposem un nou model de cerca de correspondències capaç de minimitzar aquest problema en les estratègies de fusió d'etiquetes de múltiples atles basades en intensitat. Posteriorment, estenem la teoria de dues estratègies de fusió d'etiquetes notables de la literatura, Non-local Spatial STAPLE i Joint Label Fusion, per integrar el nostre model en els seus corresponents algoritmes d'estimació. Addicionalment, amb l'objectiu de proporcionar algoritmes de segmentació d'estructures cerebrals totalment automatitzats, es presenta una línia automàtica completa que inclou la segmentació de lesions, el preprocessat, la selecció d'atles, el registre emmascarat i la fusió d'etiquetes. Finalment, també es proposa una segona extensió de la teoria per permetre la integració d'anotacions manuals i automàtiques en l'estimació de segmentació de les dues estratègies. L'avaluació, realitzada de manera quantitativa i qualitativa, inclou una comparació dels enfocaments proposats amb les estratègies originals al segmentar les imatges sense processar i les imatges amb "lesion filling", utilitzant màscares de lesions tant manuals com segmentades automàticament. L'anàlisi dels resultats obtinguts amb les estratègies proposades demostra una millora en el rendiment dels algorismes de segmentació en les àrees de lesió, que també es veu reflectida en la segmentació de tot el cervell.
Lectura de la tesi: 31/05/2019, Sala d'Actes de l'Escola Politècnica Superior IV
Notícies relacionades