Titelaufnahme

Titel
Bayesian sampling methods for optical coherence tomography / von Georg Kail
VerfasserKail, Georg
Begutachter / BegutachterinNovak, Clemens ; Hlawatsch, Franz
Erschienen2007
UmfangII, 74 S. : graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2008
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Bayesian Sampling / OCT / Gibbs sampler / MCMC / SMLR
Schlagwörter (EN)Bayesian Sampling / OCT / Gibbs sampler / MCMC / SMLR
URNurn:nbn:at:at-ubtuw:1-20079 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Bayesian sampling methods for optical coherence tomography [0.71 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Bayesian sampling methods constitute a powerful tool for signal detection and estimation. They exploit the virtues of Bayesian estimation, concise modeling of the problem and efficient use of all prior information available, while being computationally feasible and apt for efficient implementation. Therefore they offer practical solutions to a wide field of problems in statistical signal processing.

This thesis describes the application of a Bayesian sampling method, the Gibbs sampler, on signals from the domain of Optical Coherence Tomography (OCT). OCT is a state-of-the-art imaging technology, which is used for high-resolution imaging of the outer layer of biological tissue. The task of extracting the relevant information from OCT images is described as a joint detection and estimation problem by formulating a statistical system model which represents the physical processes involved in the generation of OCT images, as well as the known statistical properties of the tissue.

With the help of this model, a Gibbs sampler is developed with the purpose of locating and quantifying steps in the depth profile of the tissue's refractive index, based on the distorted observed signal, i.e. the OCT image. The system model and the respective algorithms for synthesis as well as detection and estimation of OCT signals are gradually refined in order to achieve more realistic OCT signals.

In order to compare the estimator's performance with an existing method, the Single Most Likely Replacement (SMLR) algorithm, which has been used successfully in the domain of OCT, is adapted to the newly defined system model.

All algorithms derived and discussed in the course of this thesis are applied to synthetic as well as real OCT signals to compare their outcome.

Zusammenfassung (Englisch)

Bayes'sche Stichprobenverfahren stellen ein wirkungsvolles Werkzeug für die Signaldetektion und -schätzung dar. Sie nützen die Stärken der Bayes'schen Schätzung, eine umfassende Modellierung des Problems sowie die Nutzung der gesamten verfügbaren a priori-Information, sind aber dabei rechnerisch durchführbar und geeignet für eine effiziente Implementierung. Somit bieten sie praktische Lösungen für ein weites Problemfeld in der statistischen Signalverarbeitung.

Diese Arbeit beschreibt die Anwendung eines Bayes'schen Stichprobenverfahrens, des Gibbs-Samplers, auf Signale aus dem Gebiet der Optischen Kohärenztomographie (OCT). OCT ist ein hochmodernes Bildgebungsverfahren, das zur hochauflösenden Abbildung der äußeren Schicht biologischen Gewebes verwendet wird. Die Aufgabenstellung, die gesuchte Information aus OCT-Bildern auszulesen, wird als kombiniertes Detektions- und Schätzproblem beschrieben. Dazu wird ein statistisches Modell des Systems formuliert, welches die physikalischen Vorgänge beim Entstehen eines OCT-Bildes sowie die statistischen Eigenschaften des Gewebes beschreibt.

Mithilfe dieses Modells wird ein Gibbs-Sampler entwickelt, dessen Aufgabe es ist, aufgrund des verzerrten beobachteten Signals, d.h.

des OCT-Bildes, Stufen im Tiefenprofil des Brechungsindex des Gewebes zu finden und zu messen. Das Systemmodell und die entsprechenden Algorithmen zur Synthese als auch zur Detektion und Schätzung von OCT-Signalen werden schrittweise verfeinert und angepasst, um realistischere OCT-Signale zu erreichen.

Um die Leistungsfähigkeit des Schätzers mit einer vorhandenen Methode zu vergleichen, wird der Single Most Likely Replacement (SMLR) -Algorithmus, der schon erfolgreich im Gebiet der OCT angewendet wurde, an das neu definierte Systemmodell angepasst.

Alle im Zuge dieser Arbeit hergeleiteten und besprochenen Algorithmen werden auf synthetische sowie auf reale OCT-Signale angewendet, um ihre Ergebnisse zu vergleichen.