Medical image segmentation using statistical and fuzzy object shape models = Segmentação de imagens médicas usando modelos estatísticos e nebulosos da forma do objeto

• Main Author: Phellan Aro, Renzo, 1989-
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Published: [s.n.] 2014
• Subjects: Segmentação de imagens; Processamento de imagens; Image segmentation; Image processing
• Online Access: PHELLAN ARO, Renzo. Medical image segmentation using statistical and fuzzy object shape models = Segmentação de imagens médicas usando modelos estatísticos e nebulosos da forma do objeto. 2014. 77 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/275546>. Acesso em: 27 ago. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/275546

Orientador: Alexandre Xavier Falcão === Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação === Made available in DSpace on 2018-08-27T03:30:14Z (GMT). No. of bitstreams: 1 PhellanAro_Renzo_M.pdf: 4734368 bytes, checksum: 27f258762d497b786df234144140e47a (MD5) Previous issue date: 2014 === Resumo: A segmentação de imagens médicas consiste de duas tarefas fortemente acopladas: reconhecimento e delineamento. O reconhecimento indica a localização aproximada de um objeto, enquanto o delineamento define com precisão sua extensão espacial na imagem. O reconhecimento também verifica a corretude do delineamento do objeto. Os seres humanos são superiores aos computadores na tarefa de reconhecimento, enquanto o contrário acontece no delineamento. A segmentação manual, por exemplo, é geralmente passível de erro, tediosa, demorada e sujeita à variabilidade. Portanto, os métodos de segmentação interativa mais eficaces limitam a intervenção humana ao reconhecimento. No caso das imagens médicas, os objetos podem ser as estruturas anatômicas do corpo humano, como órgãos, sistemas e tumores. Sua segmentação é uma fase fundamental para obter medidas, como seus tamanhos e distâncias, para poder realizar sua análise quantitativa. A visualização de suas formas em 3D também é importante para sua análise qualitativa. Ambas análises podem ajudar os especialistas a estudar os fenómenos anatômicos e fisiológicos do corpo humano, diferenciar situações normais e anormais, diagnosticar doenças, estabelecer tratamentos, monitorar a evolução dos tumores e planejar procedimentos cirúrgicos. No entanto, um desafio crucial para a segmentação automática é obter um modelo matemático que possa substituir os seres humanos, capaz de reconhecer as estruturas anatômicas com base em suas características de textura e forma. Esta dissertação estuda duas aproximações importantes para este problema: os Modelos Estatísticos da Forma do Objeto (SOSMs) e os Modelos Nebulosos da Forma do Objeto (FOSMs). Os SOSMs são popularmente conhecidos como métodos de segmentação baseados em atlas e têm sido utilizados amplamente e com suceso em muitas aplicações. Porém, eles precisam do registro deformável das imagens --- um processo demorado que mapeia as imagens em um mesmo sistema de coordenadas (referência), que limita seu uso em estudos com grandes conjuntos de imagens. Os FOSMs são modelos mais recentes que podem ser significativamente mais eficientes que os SOSMs, mas precisam de métodos mais eficazes de reconhecimento e delineamento. Esta dissertação compara pela primeira vez os prós e contras dos SOSMs e FOSMs, utilizando conjuntos de imagens médicas de diferentes modalidades e estruturas anatômicas === Abstract: Image segmentation consists of two tightly coupled tasks: recognition and delineation. Recognition indicates the whereabouts of a desired object, while delineation precisely defines its spatial extent in the image. Recognition also verifies the correctness of the object's delineation. Humans are superior to computers in recognition and the other way around is valid for delineation. Manual segmentation, for instance, is usually considered error-prone, tedious, time-consuming, and subject to inter-observer variability. Therefore, the most effective interactive segmentation methods reduce human intervention to the recognition tasks. In medical images, objects may be body anatomical structures, such as organs, organ systems, and tumors. Their segmentation is a fundamental step to extract measures, such as sizes and distances for quantitative analysis. The visualization of their 3D shapes is also important for qualitative analysis. Both can help experts to study anatomical and physiological phenomena of the human body, differentiate between normal and abnormal, diagnose a disease, establish a treatment, monitor the evolution of a tumor, and plan a surgical procedure. However, a crucial challenge in automated segmentation is to obtain a surrogate mathematical model for humans, able to recognize the anatomy of such structures based on their texture and shape properties. This dissertation investigates two important approaches for this problem: the Statistical Object Shape Models (SOSMs) and the Fuzzy Object Shape Models (FOSMs). SOSMs are popularly known as atlas-based segmentation methods and have been extensively and successfully used in many applications. However, they require deformable image registration --- a time-consuming operation to map images into a common (reference) coordinate system, which limits their use in studies with large image datasets. FOSMs are more recent and can be significantly more efficient than SOSMs, but they require more effective recognition and delineation methods. This dissertation compares for the first time the pros and cons of SOSMs and FOSMs, using image datasets from distinct medical imaging modalities and anatomical structures of the human body === Mestrado === Ciência da Computação === Mestre em Ciência da Computação