medigraphic.com

2004, Número 2

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2004; 25 (2)


Segmentación automática de cerebros en imágenes de resonancia magnética usando superficies deformables

Peña J, Marroquín JL, Botello S

Idioma: Español
Referencias bibliográficas: 22
Paginas: 129-143
Archivo PDF: 337.39 Kb.


RESUMEN

Presentamos un método automático para segmentar la región que comprende al cerebro y cerebelo en imágenes volumétricas de resonancia magnética de tipo T1. Este método está basado en superficies deformables, las cuales son representadas por medio de mallas triangulares cerradas. El proceso inicia determinando en la imagen de un espécimen el subvolumen que delimita a la porción de la cabeza que contiene a la región de interés. Luego, en el interior del subvolumen se coloca una malla M cerca del exterior de la cabeza. La malla se deforma gradualmente aplicando fuerzas locales a cada uno de sus vértices. En la definición de estas fuerzas se utiliza información a priori obtenida de una imagen de un cerebro estándar: un conjunto de mallas de referencia y vectores de rasgos extraídos en las posiciones de sus vértices. Con esa información se pueden regular las deformaciones aplicadas a M de modo que la malla se ajuste primero al exterior de la cabeza, luego al interior del cráneo, y termine su evolución cuando ha envuelto a la región que abarca al cerebro y cerebelo. Al identificar los voxeles en el interior de la malla se obtiene la segmentación de la imagen. La exactitud del método propuesto es evaluada en imágenes reales, y se comparan resultados con otros métodos automáticos de segmentación. Los experimentos realizados muestran que el método propuesto es robusto, aun en imágenes con inhomogeneidades, sin tener que modificar los valores predeterminados de los parámetros del algoritmo para mantener la calidad de la segmentación, con un tiempo de procesamiento relativamente corto.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Schortliffe EH, Perreault LE, editors. Medical informatics: computer applications in health care and biomedicine, chapter Imaging systems, Springer, 2nd edition 2001: 485–538.

  2. Tomi H, Prasun D, Harry F, Hannu E. Applications of MR image segmentation. International Journal of Bioelectromagnetism 1999; 1(1): 35–46.

  3. Suri J, Singh S, Reden L. Computer vision and pattern recognition techniques for 2-D and 3-D cerebral cortical segmentation (part-i): A state of the art review. Pattern Analysis and Applications 2002; 5(1): 46–76.

  4. Suri J, Singh S, Reden L. Fusion of region and boundary/surface-based computer vision and pattern recognition techniques for 2-D and 3-D MR cerebral cortical segmentation (part-II). Pattern Analysis and Applications 2002; 5(1): 77–98.

  5. Lydia Ng. Validation study: Atlas-based brain volume segmentation from MRI images. Technical report, Insightful Corporation, 2002.

  6. Jean-Philippe T. Fast non-rigid matching of 3D medical images. Technical Report 2547, INRIA, 1995.

  7. David WS, Sandor-Leahy SR, Kirt AS, Rottenberg DA, Leahy RM. Magnetic resonance image tissue classification using a partial volume model. Neuroimage 2001; 13: 856–876.

  8. Kass M, Witkin A, Terzopoulos D. Snakes: active contour models. International Journal of Computer Vision 1987; 1(1): 312–331.

  9. Pardo X, Radeva P, Cabello D. Discriminate snakes for 3D reconstruction of anatomical organs. Medical Image Analysis 2003; 7(3): 293–310.

  10. Cohen LD, Cohen I. Finite-element methods for active contour models and ballons for 2D and 3D images. IEEE Transactions on Pattern Analysis and Machine Intelligence 1993; 15(11): 1131–1147.

  11. Ferrant M, Cuisenaire O, Macq B. Multi-object segmentation of brain structures in 3D MRI using a computerized atlas. In Proceedings of SPIE Medical Imaging, 1999; 3661: 986–995.

  12. Smith S. Bet: Brain extraction tool. Technical Report TR00SMS2, Oxford Centre for Functional Magnetic Resonance Imaging of the Brain, 2000.

  13. Collins DL, Zijdenbos AP, Kollokian V, Sled JG, Kabani NJ, Holmes CJ, Evans AC. Design and construction of a realistic digital brain phantom. IEEE Transactions on Medical Imaging 1998; 17(3): 463–468.

  14. BrainWeb. http://www.bic.mni.mcgill.ca/brainweb/.

  15. Sporring J. Gaussian Scale-Space Theory. Kluwer Academic Pub. 1997.

  16. Fukunaga K. Introduction to statistical pattern recognition. Academic Press, 2nd edition, 1990.

  17. Mukundan R, Ramakrishnan KR. Moment functions in image analysis: theory and applications. World Scientific Publishing, 1997.

  18. Peña J. Segmentación de cerebros en imágenes de resonancia magnética usando superficies deformables. Tesis de maestría, CIMAT, 2004.

  19. Unser M. Splines, a perfect fit for signal and image processing. IEEE Signal Processing Magazine, 1999; 16(6): 22–38.

  20. Dinggang Shen and Christos Davatzikos. HAMMER: Hierarchical attribute matching mechanism for elastic registration. IEEE Transactions on Medical Imaging 2002; 21(11): 1421–1439.

  21. Huang L, Yagel R, Filippov V, Kurzion Y. An accurate method for voxelizing polygon meshes. In Proceedings of the 1998 IEEE symposium on Volume visualization 1998: 119–126.

  22. Centro de Análisis Morfométrico del Hospital General de Massachusetts. Base de datos de imágenes de resonancia magnética de cerebros: “the Internet Brain Segmentation Repository” (IBSR). http://www.cma.mgh.harvard.edu/ibsr.




2020     |     www.medigraphic.com