Titelaufnahme

Titel
Optimizing shape particle filters for the detection and segmentation of medical images / von Lukas Fischer
VerfasserFischer, Lukas
Begutachter / BegutachterinSablatnig, Robert ; Langs, Georg
Erschienen2010
Umfangvi, 91 Bl. : Ill., zahlr. graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2010
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Segmentierung medizinischer Bilder / Particle Filter / Medizinische Bildverarbeitung
Schlagwörter (EN)Medical image segmentation / particle filters / medical imaging
URNurn:nbn:at:at-ubtuw:1-31430 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Optimizing shape particle filters for the detection and segmentation of medical images [5.95 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

In den letzten Jahren lieferten Segmentierungsansätze basierend auf sequenzielle Monte Carlo Methoden vielversprechende Ergebnisse bei der Lokalisierung und Beschreibung anatomischer Strukturen in medizinisch relevanten Bildern. Auch bekannt unter der Bezeichnung Shape Particle Filter wurden diese Methoden für die Segmentierung von Wirbelkörpern, Lungenflügeln und Herzen eingesetzt. Ihr großer Vorteil liegt darin, dass sie auch bei Bildern mit starkem Rauschen wie zum Beispiel MR Aufnahmen, sowie bei sich überlagernden Strukturen, bei denen eine eindeutige Unterscheidung der Objekte schwierig ist, noch sehr gute Segmentierungsergebnisse liefern. Shape Particle Filter benötigen eine Maske, welche auf dem Mean Shape eines Shape Models basiert und in existierenden Implementierungen immer manuell definiert wird. Während der Suche nach einem Objekt wird die Wahrscheinlichkeit für jeden Pixel zu einer gewissen Region der Maske zu gehören durch das Klassifizieren von Bildfeatures berechnet. Diese Wahrscheinlichkeiten bilden die Basis für den eigentlichen Segmentierungsprozess.

Das Ziel dieser Arbeit ist das Optimieren des bestehenden Shape Particle Filters um schnellere Laufzeiten und genauere Segmentierungsergebnisse erzielen zu können. Zwei neue Ansätze um die Masken zu generieren, automatische Masken und per-pixel Masken werden vorgestellt. Bei den automatischen Masken wird die optimale Anzahl und Anordnung der Maskenregionen aus den Features eines Trainingsbild Sets bestimmt. Die Methode passt sich komplexen Daten an und generiert Regionen aus Bereichen mit konsistenten, überlappungsfreien Bildfeatures. Eine Interaktion des Benutzers ist nicht notwendig. Die per-pixel Maske verwendet Bildfeatures basierend auf dem Monogenic Signal. Dadurch werden einerseits das Bestimmen der Regionen in der Maske und andererseits die Klassifizierung der Pixel unnötig. Dabei wird bei beträchtlich schnellerer Laufzeit die Segmentierungsgenauigkeit aufrecht erhalten.

Die vorgestellten Methoden wurden an Hand von vier unterschiedlichen Daten Sets evaluiert: synthetische Rechtecke, Handröntgenbilder, MRT Aufnahmen des Herzens und CT Aufnahmen der Lunge. Die Experimente zeigen eine signifikante Verbesserung der Laufzeit sowie bessere oder zumindest gleich gute Segmentierungsergebnisse im Vergleich zu bestehenden Implementierungen.

Zusammenfassung (Englisch)

In recent years segmentation approaches based on sequential Monte Carlo Methods delivered promising results for the localization and delineation of anatomical structures in medical images. Also known as Shape Particle Filters, they are used for the segmentation of human vertebrae, lungs and hearts, being especially well suited to cope with the high levels of noise encountered in MR data and overlapping structures with ambiguous appearance in radiographs. Shape Particle Filters rely on a region template or map based on a shape models' mean shape, which is defined manually in existing approaches. During search, a classification step based on appearance features yields the probabilities for each pixel to belong to a certain region within the template. This forms the basis for the actual segmentation process. This thesis aims at optimizing Shape Particle Filters in terms of computational performance as well as segmentation accuracy. Two novel approaches for the generation of the region map are proposed, namely automatic region maps and per-pixel region maps. The automatic region map approach, where the optimal distribution and number of template regions is derived from a set of training images, adapts to complex data and finds consistent features in the training examples without manual interaction. Using appearance features based on the Monogenic Signal the per-pixel region map approach eliminates both the need for the region estimation as well as the classification step, resulting in considerably faster segmentation while retaining the same level of accuracy.

The proposed methods are evaluated on four different data sets, synthetic rectangles, metacarpal bone radiographs, MRI slices of the heart and CT slices of the lung. Experimental results show a major gain in computational performance as well as better or at least equal segmentation results when compared to current approaches.