Wyodrębnianie kości udowych z danych CT i MRI.

1. Wyodrębnianie kości udowych z danych CT i MRI. Katarzyna Chachlowska Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii BiomedycznejKraków, 24.01.2013.

2. Cel pracy Analiza skuteczności wybranych algorytmów segmentacji w zależności od doboru parametrów wejściowych w zastosowaniu do segmentacji obrazów kości udowych pochodzących z MRI i CT.

3. Plan wystąpienia • Dane medyczne • Algorytmy segmentacji obrazów: rozrost obszaru, aktywny kontur • Otrzymane wyniki i walidacja • Wnioski • Możliwości kontynuacji prac

4. Wykorzystywane dane • MRI: 9 serii danych przedstawiających okolicę miednicy mniejszej (w sumie 270 przekrojów), • CT: w sumie ponad 700 przekrojów (dane pochodzące od 2 pacjentów).

5. Segmentacja obrazów Segmentacja obrazu jest to podział obrazu na regiony, które są jednorodne pod względem pewnych wybranych własności. Obraz oryginalny Wyodrębnione kości udowe

6. Zastosowane algorytmy - 1 Zastosowano 2 podejścia: • Segmentacja przez rozrost obszaru: - kryteria przyłączenia, - zalewanie otworów i morfologiczne zamknięcie. • Segmentacja metodą aktywnego konturu: - zniekształcenie krzywej w wyniku dopasowywania się do obiektów na obrazie - siły i ograniczenia

7. Zastosowane algorytmy – rozrost obszaru • Wybór punktów startowych. • Badanie wszystkich sąsiadów punktu. • Jeśli rozważany piksel spełnia szereg zdefiniowanych warunków, jest przyłączany do obszaru. • wartość piksela, • odległość od punktów startowych . • Uaktualnianie parametrów obszaru. • Wybór kolejnego punktu z obszaru, powtarzanie pkt. 2-5 aż wszystkie punkty należące do obszaru zostaną przeanalizowane.

8. Rozrost obszaru – ocena jakościowa. • maxDist = 80, zmienne wartości progu: próg = 13 próg = 18 próg = 20 próg = 40 próg = 25 próg = 30

9. Zastosowane algorytmy – aktywny kontur (2D) • Zmiana położenia krzywej: rachunek wariacyjny, teoria Eulera-Lagrange’a. • minimalizacja funkcjonału energii: -energiawewnętrzna (sztywność i giętkość krzywej) -energia zewnętrzna (pochodząca od obrazu) -energia ograniczeń

10. Zastosowane algorytmy – aktywny kontur (2D) – demonstracja

11. Wyniki – ocena ilościowa. Jakość segmentacji oceniano w oparciu współczynnik Dice’a:

12. Wnioski – 1 • Problemy: różnice w wartościach pikseli należących do kości, elementy wklęsłe, • Aktywny kontur: rola początkowego położenia krzywej, • Rozrost obszaru: „wyciekanie” w rejon miednicy, trudności w wyborze progu.

13. Wnioski – 2 • Rozrost obszaru: • Aktywny kontur: N = 100; κ = 0,15; λ = 1; α = 0,2; β = 0,4.

14. Co dalej? Kierunki rozwoju pracy: • aktywny kontur 3D, • połączenie testowanych metod, • wizualizacja wyników w 3D.

15. Dziękuję za uwagę. Wyodrębnianie kości udowych z danych CT i MRI. Katarzyna Chachlowska Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii BiomedycznejKraków, 24.01.2013.