| Summary: | In this thesis, two new automatic image segmentation techniques are proposed and used to analyze medical magnetic resonance (MR) images of human brain medial temporal lobes. The first segmentation technique is an adaptive multi-contrast MR image based appearance modeling scheme, which combines level set and active appearance modeling methods and incorporates multi-contrast MR images, into segmentation. The contribution of each multi-contrast image to the segmentation is established by the correlation between each multi-contrast test gray image and its corresponding synthesized gray image. The latter is a linear combination of gray eigen-images characterized by principle component analysis as a result of converting a set of possibly correlated shape training images and multi-contrast gray training images into a set of linearly uncorrelated shape and multi-contrast gray eigen-images. Both the contributing weights and the linear combination model parameters are iteratively updated to minimize a weighted sum of least-square intensity differences between test image and synthesized image. The resulting model parameters are then used to linearly combine the shape related eigen-images to form a synthesized shape image as a final segmentation. In segmenting the hippocampi and amygdalae from MR images, this segmentation scheme with adaptive contributing weights is shown to provide better performance as measured by mean Dice κ values than its counterpart with equal contributing weights. The second segmentation technique is a two-stage segmentation approach, motivated by a concept of using local patches with similar intensity levels to make a collective decision so as to more accurately segment the structure boundary. In the two-stage segmentation, an appearance model-based global segmentation is employed as a first-stage segmentation to identify a coarse contour, while a patch-based local refinement is used as a second stage segmentation to make a local area correction, but only on a small set of voxels along the coarse contour identified earlier. In this thesis, the first stage segmentation uses only T1 images instead of multi-contrast images to avoid an increase in computational complexity. It is shown that the two-stage segmentation outperforms its one-stage counterpart in segmenting MR images of the human brain medial temporal lobe structures, including the hippocampus (HC), the amygdala (AG), the entorhinal/perirhinal cortex (EPC), and the parahippocampal cortex (PHC). Medial temporal lobe volumes, estimated by applying the two-stage segmentation on an MR database of 306 subjects with healthy brain development across a 4 to 18 year age range, are further analyzed and sex-specific growth patterns are derivedto help better understand puberty-related and sexually dimorphic brain maturation. Sexual-maturity level, measured by puberty scores, is used to partition the database into two groups: before and during puberty. The structure volumes for boys are largerthan those for girls but the difference varies between the AG, HC, EPC, and PHC. Age-related volumetric growth is observed in the left and right AG, left and right HC, right EPC, and left PHC and these volumetric changes are statistically significant, but only before puberty. After onset of puberty, volumetric growth tends to correlate with sexual maturity level. When evaluated with head size normalized volumes, we find smaller volumes of the right HC, left and right PHC, for more sexually matureboys, and larger volumes of the left HC for more sexually mature girls. These findings suggest that the rising levels of testosterone in boys and estrogen in girls might have opposite effects, especially for the HC and the PHC. Our findings on sex-specific and sexual maturity-related volumes may be useful in better understanding the medial temporal lobe developmental differences and related learning, memory, and emotion differences between boys and girls during puberty. === Dans ce travail de thèse, deux nouvelles méthodes de segmentation automatique d'Image par Résonance Magnétique (IRM) sont proposées. Ces deux méthodes sont appliquées et validées dans le cadre de la segmentation des structures du lobe medio temporal du cerveau humain. La première méthode de segmentation proposée repose sur un modèle d'apparence de forme adaptatif utilisant simultanément plusieurs séquences d'IRM. Cette méthode combine des ensembles de niveaux et une modélisation d'apparence de formes actives tout en incorporant l'information issue de différents contrastes en IRM. L'importance de chaque séquence IRM est estimée automatiquement au sein d'un schéma adaptatif en utilisant la corrélation des différents contrastes avec les images synthétisées correspondantes. Ces images synthétisées sont construites par combinaison linéaire des images propres obtenues par Analyse en Composante Principale (ACP). Les paramètres du model de forme ainsi que les poids attribués à chaque contraste sont ensuite estimés itérativement via une minimisation pondérée des moindres carrés entre l'image test et l'image synthétisée. Finalement, les paramètres obtenus sont utilisés pour combiner les formes propres afin d'obtenir la segmentation finale. La méthode proposée est validée dans le contexte de la segmentation de deux structures cérébrales: l'hippocampe et l'amygdale. Lors de cette validation, l'amélioration de la qualité de segmentation apportée pour le schéma adaptatif, comparé à utilisation de poids identiques pour chaque contraste, est étudiée en utilisant l'index Kappa comme mesure de qualité. La deuxième méthode de segmentation proposée combine deux étapes: une initialisation globale par un modèle d'apparence de forme puis un raffinement local utilisant une approche par patches. Cette seconde étape tire avantage des performancesdes méthodes de type moyennes non locales qui estiment la similarité de deux échantillons en calculant la distance de niveau de gris de leur voisinage sous forme de patches. Dans l'approche proposée, le modèle d'apparence est destiné à obtenir rapidement une première estimation de la segmentation utilisée comme initialisation. Ensuite, le raffinement local par patches est appliqué uniquement sur un petit ensemble de voxels le long des bords de la segmentation initiale. Une validation est effectuée sur plusieurs structures du lobe medio temporal. Cette validation démontre l'intérêt de combiner les deux étapes décrites comparé à l'utilisation non conjointe de chacune des méthodes. Une étude volumétrique des structures du lobe medio temporale est menée à l'aide de la seconde méthode sur 306 sujets sains âgés de 4 à 18 ans. L'influence du sexe des sujets sur la croissance des structures est étudiée afin de permettre une meilleure compréhension des différences de maturation cérébrale et des phénomènes liés à la puberté. Le niveau de maturité sexuelle, mesuré à l'aide du score de la puberté, est utilisé afin de séparer la base de données en deux groupes: avant et pendant la puberté. Des changements liés à l'âge sont observés pour l'AG droite et gauche, l'HC droit et gauche, le CEP droit and le CPHC gauche. Ces changements sont statistiquement significatifs mais seulement avant la puberté. Pendant la puberté, l'augmentation du volume tend à être corrélé avec le niveau de maturité sexuel. En utilisant les volumes normalisés par la taille de la tête, des volumes plus faibles de l'HC droit et du CPHC droit et gauche sont observé pour les garçons les plus matures sexuellement et des volumes plus grands pour l'HC gauche sont obtenus pour les filles les plus matures sexuellement. Ces résultats sur la croissance des structures du lobe medio temporal selon le sexe et la maturité peuvent participer à l'amélioration de notre compréhension des différences observées entre le filles et le garçons durant la puberté au niveau de l'apprentissage, de la mémoire et des émotions.
|
|---|
