Segmentação por entropia de Tsallis através de MRF para o parcelamento de ressonância magnética cerebral
A quantificação das alterações do volume do tecido intracraniano na ressonância magnética (RM) auxilia os especialistas a analisar os efeitos das alterações naturais ou patológicas. Como essas alterações podem ser sutis, a precisão do método de compartimentação influencia os estudos para analisar e...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2019 |
| País: | Brasil |
| Recursos: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-27092019-102750 |
| Acesso em linha: | http://www.teses.usp.br/teses/disponiveis/59/59135/tde-27092019-102750/ |
| Access Level: | acceso abierto |
| Palavra-chave: | Image segmentation MRI q-entropia q-entropy Segmentação de Imagem |
| Resumo: | A quantificação das alterações do volume do tecido intracraniano na ressonância magnética (RM) auxilia os especialistas a analisar os efeitos das alterações naturais ou patológicas. Como essas alterações podem ser sutis, a precisão do método de compartimentação influencia os estudos para analisar e quantificar os tecidos cerebrais. Nesta tese, revisamos os métodos recentes de segmentação do cérebro usados em ferramentas de imagens médicas. Em seguida, investigando a origem dos erros que podem ocorrer nos algoritmos de segmentação revisados, um pipeline híbrido é proposto para mitigar a influência desses erros. No primeiro capítulo, alguns pré-requisitos sobre estatística e modelos estatísticos e, em seguida, dois estimadores mais utilizados para os parâmetros do modelo são ilustrados. O segundo capítulo explica o uso de um modelo estatístico para segmentar imagens cerebrais. Além disso, as desvantagens desses métodos são discutidas. No terceiro capítulo, propomos um método de segmentação baseado na q-entropia modificada através de um campo aleatório modificado de Markov (Mqe-MMRF) para melhorar a precisão da parcela dos tecidos cerebrais. No último capítulo, os métodos propostos foram submetidos a duas estratégias para avaliar Mqe-MMRF, ou seja, uma simulação de diferentes níveis de ruído em dados de ressonância magnética e um conjunto de vinte dados de ressonância magnética disponíveis a partir de MRBrainS13 como desafio de segmentação de tecido cerebral. Nós acessamos nove métricas de qualidade de segmentação em comparação com delineamentos de tecidos de referência para avaliar o Mqe-MMRF. As simulações de ruído de ressonância magnética mostraram apenas 4,8 \\% de decréscimo nas métricas de pontuação de segmentação após a adição de artefatos de ruído de 40 \\% e 9 \\% de não uniformidade e de ruído Gaussiano, respectivamente. Para cinco sujeitos de treinamento, encontramos melhoras significantes médias nas métricas de similaridade, para cérebro inteiro 0,78, Matéria Branca 2,91, Matéria Cinzenta 3,85 e Líquido Cefalorraquidiano 3,83 \\% (p-valores <0,02) nas métricas quando o Mqe-MMRF é comparado a métodos estado da arte. O Mqe-MMRF foi realizado em 15 outros sujeitos reais no desafio on-line MRBrainS13, e os resultados mantiveram uma classificação mais alta do que as ferramentas de referência, ou seja, FreeSurfer, SPM e FSL. Como o método proposto melhorou a precisão da segmentação do cérebro e classificou o melhor desempenho para GM, ele pode ser usado em estudos morfológicos quantitativos do cérebro |
|---|