Título de la tesis


Variational techniques with applications to segmentation and registration of medical images

Doctorando


Monica Hernandez Gimenez

Director


Salvador Olmos Gasso

Descripción


En las ultimas decadas, la utilizacion de imagenes medicas ha experimentado una importancia creciente en la practica clinica con el desarrollo de nuevas tecnicas de adquisicion de imagenes del cuerpo humano. La gran cantidad de informacion disponible con las imagenes ha promovido el desarrollo de metodos de procesado de imagen para su analisis e interpretacion de una manera automatica a la vez que fiable. Tanto la segmentacion como el registro de imagenes medicas han sido identificados como problemas clave en el analisis de imagen medica llegando a ser areas activas de investigacion. La presente Tesis tiene como objetivo el desarrollo de metodos para la segmentacion y el registro de imagenes medicas en el marco de importantes aplicaciones. Estos metodos tienen en comun su formulacion como problemas variacionales definidos en sus respectivos espacios de soluciones.

En primer lugar, se ha propuesto un metodo para la segmentacion automatica de la vasculatura cerebral en angiografia. El metodo ha sido formulado como un modelo deformable implicito basado en regiones implementado dentro del paradigma de level set. La informacion basada en regiones se ha calculado a partir de las probabilidades asociadas a los principales tipos de tejido presentes en las imagenes medicas. Nuestro metodo asume un modelo de estimacion de probabilidad no-parametrico. El espacio de caracteristicas esta compuesto por descriptores diferenciales de imagen de segundo order en el espacio-escala, los cuales han demostrado ser suficientemente eficientes en la discriminacion de arterias de otras estructuras. El metodo ha sido aplicado con exito en la segmentacion de aneurismas cerebrales en 3D-AR y TAC mejorando los resultados de los modelos deformables implicitos basados en regiones cuyas prestaciones podrian competir en esta aplicacion.

En segundo lugar, nos hemos centrado en el estudio de variedades Riemannianas de difeomorfismos y en el dise~no de metodos eficientes de registro difeomorfico con el objetivo de extender el uso de difeomorfismos en estudios clinicos. Nuestro metodo incluye la parametrizacion estacionaria de difeomorfismos dentro del paradigma de Grandes Deformaciones Difeomorficas (abreviatura en ingles LDDMM). Hemos formulado el problema variacional asociado al registro y deducido sus ecuaciones de Euler-Lagrange. Nuestro metodo ha mostrado prestaciones similares mientras que se ha conseguido una reduccion considerable en memoria y tiempo de calculo respecto al algoritmo LDDMM original. Ademas, hemos propuesto un metodo de optimizacion de Gauss-Newton con la intencion de introducir eficiencia y robustez en el algoritmo durante el registro que ha sido comparado favorablemente con otros algoritmos de registro eficiente propuestos en la literatura simultaneamente a nuestras publicaciones. Nuestro algoritmo ha sido utilizado con exito en la generacion de atlas cerebrales 3D a partir de estadistica en poblaciones de difeomorfismos.


Estado


Defendida - 2008

Calificación


Sobresaliente Cum Laude



Validación de código - XHTML 1.1
Validación de CSS
Validación de Accesibilidad Web