Wyodrębnianie kości udowych z danych CT i MRI.

Prezentacja na temat: "Wyodrębnianie kości udowych z danych CT i MRI."— Zapis prezentacji:

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

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). tutaj powiedzieć w 1 zdaniu o różnicach w zobrazowaniu kości: na CT jasne bo mają dużą wartość pochłaniania, a w MRI raczej ciemne, bo zawierają mało wody. MRI: kości koło CT: kości najjaśniejsze

5 Segmentacja obrazów Segmentacja obrazu jest to podział obrazu na regiony, które są jednorodne pod względem pewnych wybranych własności. Obraz oryginalny Wyodrębnione kości udowe Pikselom przypisuje się kolejne liczby nat. Co klasyfikuje je do obszarów, u nas chcemy stwierdzić czy to kość czy nie true/false BIN.

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: -energia wewnętrzna (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: Dane MRI Dane CT Segmentacja przez rozrost obszaru 0,60 0,62 Segmentacja metodą aktywnego konturu 0,92 0,91 Trudności w porównaniu 2d vs 3d

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 wline= 0,3; wedge= 0,4; wterm = 0,7. wline= -0,5; wedge= 5; wterm= 0.
Wnioski – 2 Rozrost obszaru: Aktywny kontur: N = 100; κ = 0,15; λ = 1; α = 0,2; β = 0,4. MRI CT próg є <13;25> próg є <170;230> MRI CT balloon = 0,1 balloon = 0 Współczynniki wagowe energii zewnętrznej: wline= 0,3; wedge= 0,4; wterm = 0,7. wline= -0,5; wedge= 5; wterm= 0. Brak dużej wrażliowści na sąsiedztwo.

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

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