Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2113| Partial Volume Segmentation in Magnetic Resonance Imaging (MRI) | |
| Jonás Grande-Barreto | |
| María del Pilar Gómez Gil | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Brain segmentation MRI Brain atlas Fuzzy memberships SOM PLA-SOM | |
| Brain tissue segmentation using magnetic resonance imaging (MRI) rises as an essential tool for the human brain’s clinical analysis. The advances in brain MRI provide a large amount of data with high spatial resolution. However, different imaging device settings produce different imaging conditions, causing artifacts such as noise and inhomogeneity. Irregular shapes of the tissues and the Partial volume effect are challenges to overcome during the brain tissues’ segmenting. Hence, brain tissue segmentation becomes a tedious (time-consuming) task for clinicians who manually select relevant information and frequently prone to errors. We propose a new hybrid computational model based on fuzzy strategies and artificial neural networks for automatic brain tissue segmentation in this work. The model divides into two phases. The first phase fits a generic atlas to a subject target. It is done by combining 3D feature descriptors and atlas information applying a novel fuzzy function. The proposed method, named Gardens2, estimates each voxel’s membership degree of the fitted atlas model. The second phase carries out the brain tissue segmentation. We use pseudo-labels, computed from the output of Gardens2, to support inter-class separation and an intra-class compactness. Pseudo-labels are calculated using an extension of the Self-Organized Map (SOM) training algorithm, named Pseudo-Label Assisted Self-Organized Map (PLA-SOM), which incorporates a novel mapping strategy. This novel strategy uses the summation of the memberships from the neighbors of the best-matching unit (topological information), associated with the input pattern, is used to define the pattern’s label. This new mapping approach was practical for dealing with uncertainty in border prototypes. The proposed model was validated using F1-measure on three neuroimaging datasets: BrainWeb, IBSR18, and IBSR20. La segmentación del tejido cerebral mediante imágenes por resonancia magnética surge como una herramienta esencial para el análisis clínico del cerebro humano. Los avances en los estudios por resonancia magnética cerebral proporcionan una gran cantidad de datos de alta resolución espacial. Sin embargo, diferentes configuraciones en los dispositivos de captura producen diferentes condiciones de salida en la imagen final, lo que hace que aparezcan artefactos como ruido y falta de homogeneidad. Las formas irregulares de los tejidos cerebrales y el efecto de volumen parcial son desafíos a superar durante la segmentación de los tejidos cerebrales. Por lo tanto, la segmentación del tejido cerebral se convierte en una tarea tediosa (que demanda mucho tiempo) para los especialistas clínicos que seleccionan manualmente la información relevante, y con frecuencia son propensos a errores. En este trabajo proponemos un nuevo modelo computacional híbrido para la segmentación automática del tejido cerebral, basado en estrategias difusas y redes neuronales artificiales y que consta de dos fases. La primera fase ajusta un atlas genérico a una imagen objetivo. Esta tarea se realiza mediante la combinación de descriptores de características 3D e información extraída del atlas, aplicando una función difusa novedosa. El método propuesto, llamado Gardens2, estima el grado de pertenencia de cada vóxel del modelo del atlas ajustado. La segunda fase lleva a cabo la segmentación del tejido cerebral En esta etapa, se utilizan pseudo-etiquetas, calculadas a partir de la salida de Gardens2, para ayudar a la separación entre clases y a la compacidad de cada clase. Las pseudo-etiquetas se calculan usando una extensión del algoritmo Self-Organized Map (SOM), llamado Pseudo-Label Assisted Self-Organized Map (PLA-SOM), el cual incorpora una nueva estrategia de mapeo. Esta novedosa estrategia utiliza la suma de las membresías de los vecinos alrededor de la mejor unidad de coincidencia (información topológica), asociada con el patrón de entrada, para definir la etiqueta del patrón. Este nuevo enfoque de mapeo resultó práctico para lidiar con la incertidumbre en los prototipos de fronteras. El modelo propuesto se validó utilizando F1-measure en tres conjuntos de datos de neuroimagen: BrainWeb, IBSR18 e IBSR20. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2020-12 | |
| Tesis de doctorado | |
| Inglés | |
| Estudiantes Investigadores Público en general | |
| Grande Barreto, J., (2020), Partial Volume Segmentation in Magnetic Resonance Imaging (MRI), Tesis de Doctorado, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| LENGUAJES DE PROGRAMACIÓN | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Doctorado en Ciencias Computacionales |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| Tesis_ Grande Barreto Jonás.pdf | 3.92 MB | Adobe PDF | Visualizar/Abrir | |
| Manual_gardens2-2021-05-13.pdf | 850.77 kB | Adobe PDF | Visualizar/Abrir |