Document details

Segmentação de imagens médicas visando a construção de modelos médicos

Author(s): Torres, Ana Sofia

Date: 2012

Persistent ID: http://hdl.handle.net/10198/8010

Origin: Biblioteca Digital do IPB

Subject(s): Imagens naturais; Imagens de Tomografia Computorizada; Medida F; Segmentação de Imagem; Superpixels; Transformada Watershed


Description

As imagens médicas, nomeadamente as imagens de Tomografia Computorizada são indispensáveis no diagnóstico e tratamento de doenças devido ao elevado grau de detalhe anatómico. A segmentação é uma das principais técnicas utilizada para a análise de imagens e tem como objectivo a separação das regiões ou objectos nela representados mediante algumas propriedades de descontinuidade e similaridade. Esta técnica aplicada à prática clínica evita a árdua tarefa do especialista em segmentar as imagens manualmente, podendo concentrarse apenas no órgão em análise. No âmbito deste trabalho foram desenvolvidos dois métodos automáticos de segmentação de imagens, que têm por base a partição de um grafo substituindo a abordagem pixel a pixel por uma abordagem orientada à micro-região, de modo a reduzir o número de nós no grafo facilitando a sua partição. O grafo construído através da informação do gradiente presente na imagem e para a sua partição recorreu-se a métodos espetrais onde o grafo é representado por uma matriz. A imagem segmentada é obtida calculando os vetores próprios desta matriz. Para a obtenção das micro-regiões foram utilizados dois métodos: os superpixels e a transformada watershed. Como não existem conjuntos de dados de imagens médicas de acesso público, com o respetivo ground truth e como não foi possível segmentar as imagens de TC manualmente, optamos por aplicar os nossos algoritmos de segmentação propostos a dois conjuntos de dados, ELCAP e BSR300 para poder estabelecer comparações de resultados com outros métodos já existentes. Os resultados demonstram que os métodos desenvolvidos são aqueles que apresentam melhores resultados. Destes dois métodos o que obteve melhores resultados, relativamente à medida F, foi o Método 2 obtendo uma valor de mediana de 0.6 e uma média de 0.57 para o conjunto de imagens da base de dados BSR300. Posteriormente, este método foi aplicado às imagens de TC obtendo, também bons resultados. Medical imaging, including CT scan images are essential in the diagnosis and treatment of diseases due to their high degree of anatomical detail. Segmentation is one of themain techniques used for image analysis and aims to separate the regions or objects represented in it by some properties of discontinuity and similarity. This technique applied to clinical practice avoids the arduous task of manual segmentation by on specialist. In this work we developed two automatic methods for image segmentation, which are based on the graph partitioning replacement of the pixel by pixel approach, by a microregion approach in order to reduce the number of nodes in the graph, facilitating their partition. This graph is constructed by the gradient information present in the image and to is partitioned by spectral methods where the graph is represented by a matrix. The segmented image is obtained by calculating the eigenvectors of this matrix. To obtain the micro-regions we used two methods: the superpixels and watershed transform. As there are no datasets of medical images for public access with appropriate ground truth and as it was not possible to segment the CT images manually, we decided to apply our algorithms to two datasets ELCAP and BSR300 in order to compare of results with other existing methods. The results demonstrate that the proposed methods present better results. Of these two methods which yielded better results, in respect of the measure F, was the Method 2 obtaining a median value of 0.6 and an average of 0.57 for the set of images from database BSR300. This method was applied to CT images with good results also.

Document Type Master thesis
Language Portuguese
Advisor(s) Monteiro, Fernando C.
Contributor(s) Torres, Ana Sofia
facebook logo  linkedin logo  twitter logo 
mendeley logo

Related documents