عنوان پایان‌نامه
بخش بندی تصاویر MRIستون فقرات به منظور استخراج مهره ها و دیسک های بین مهره ای
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2670;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69335
- تاریخ دفاع
- ۰۷ مهر ۱۳۹۲
- دانشجو
- ریحانه السادات دانشمند
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- درد کمر و مشکلات حرکتی ناشی از دیسک کمر ارتباط نزدیکی با تغییر شکل دیسک¬ها دارند. برای تشخیص این حالت، تصویربرداری به روش تشدید مغناطیسی گزینه ی مناسبی است به این دلیل که اطلاعات مورفولوژی و بافتی مناسبی را در اختیار ما قرار می دهد. کمی سازی در تشدید مغناطیسی گزینه‌ی بسیار خوبی جهت تشخیص آسیب‌شناسی دیسک‌ها است. قبل از این که اطلاعات دیسک کمی سازی شوند، نیاز است دیسک بین مهره‌ای در تصویر با دقت بخش بندی شود. از آن‌جا که استخراج دیسک‌ها به صورت دستی علاوه بر این که کار سخت و زمان بری است، قابلیت تکرار در موارد مشابه را ندارد، تعداد محدودی از مطالعات به بخش‌بندی خودکار دیسک‌های بین مهره‌ای پرداخته‌اند و اغلب آن‌ها به یافتن مکان دیسک‌ها اکتفا کرده‌اند. با توجه به دقت بخش‌بندی مورد نیاز در این موارد، میانگین خطای قابل قبول برای کاربردهای کلینیکی در تشخیص و جراحی بین 1 تا 2 میلی‌متر در نظر گرفته شده است. برای این منظور، در این پژوهش، دو روش مبتنی بر اطلس آماری و احتمالی به عنوان اطلاعات پیشین، به کار گرفته شده اند. این دو روش، مدل شکل فعال مبتنی بر مدل آماری و سطوح هم تراز به همراه دانش اولیه است. در نتیجه، این پژوهش به دو بخش ایجاد مدل آماری و بخش بندی شکل دیسک از روی آن تقسیم می شود. روش استخراج مدل آماری شامل چهار مرحله پیش پردازش تصاویر و حذف نویز از آن ها، استخراج نقاط نشانه متناظر و ساخت مدل آماری شکل است. لازم به ذکر است که استخراج نقاط نشانه متناظر به صورت خودکار با استفاده از الگوریتم های انطباق تصاویر و روش مکعب های راه رونده انجام می گیرد. هم چنین در مدل آماری از مدل توزیع نقطه ای و آنالیز مؤلفه های اصلی و آنالیز مؤلفه های مستقل به صورت جداگانه استفاده شده است و نشان داده شده است که آنالیز مؤلفه های مستقل مدل آماری فشردگی بالاتری دارد و منحصربه‌فردتر است. در مرحله دوم شکل میانگین با استفاده از تبدیل-های صلب و مستوی در محل مورد نظر بر روی داده ی تست قرار گرفته و سپس سطح آن به دو روش مدل شکل فعال با در نظر گرفتن واریانس تغییرات مدهای اصلی شکل و سطوح هم تراز به کمک دانش اولیه با در نظر گرفتن شکل میانگین، استخراج می‌شود. الگوریتم بر روی تصاویر سه‌بعدی تشدید مغناطیسی ستون فقرات با وزن T1 و با استفاده از داده های آموزشی‌ای که توسط متخصصان موسسه هنری فورد آمریکا بخش‌بندی شده‌اند، اعمال شد. نتایج حاصل نشان‌دهنده نتیجه ی بهتر الگوریتم مدل شکل فعال در استخراج سطح دیسک ها با توجه به خطای مجاز بخش¬بندی در محدوده ¬¬1 تا 2 میلی‌متر است. دقت بخش‌بندی با معیار شباهت دایس (DSI) در روش مدل شکل فعال به صورت میانگین 84.04% و در سطوح هم تراز به کمک دانش اولیه 81.55% به دست آمده است که نشان‌دهنده‌ی نتیجه‌ی بهتر الگوریتم مدل شکل فعال در بخش‌بندی دیسک‌های بین مهره‌ای است. این روش در مقایسه با روش‌هایی که با شرایط برابر ارائه شده است، بهتر می باشد. واژگان کلیدی: MRI ستون فقرات، مدل شکل آماری، الگوریتم سطوح هم‌تراز به همراه دانش اولیه، مدل شکل فعال، بخش‌بندی دیسک‌های بین‌مهره‌ای، اطلس‌های آماری و احتمالاتی.
- Abstract
- Intervertebral Disc degeneration is correlated to chronic back pain and functional incapacity. Magnetic Resonance Imaging (MRI) is the modality of choice for diagnosing this condition providing both morphological and biochemical information for the disc tissue. Before quantifying disc information, the intervertebral disc needs to be segmented from the image. Manual segmentation is a tedious and time consuming process which lacks repeatability. A limited number of studies deal with the automatic segmentation of intervertebral disc but most of them focus on automatic detection of the disc rather than its segmentation. With respect to the required segmentation accuracy, the clinically acceptable mean error for both diagnostic and surgical purposes has been indicated to be 1-2 mm. Therefore, in this study, two methods based on statistical and probabilistic atlases as prior information, have been employed which are Active Shape models (ASM) and Level-Set using prior knowledge (LS). Thus, this study consists of two parts: building statistical and probabilistic atlases; and Segmentation. Building statistical shape model (SSM) includes four stages: pre-processing to remove noise from images and automatic landmark extraction by means of registration and marching cubes methods. To build SSM, point distribution models, principal component analysis (PCA) and independent component analysis (ICA) are utilized and PCA has shown to have a better performance regarding generality, specificity, and compactness. In the next step, the mean shape is registered to the test data using rigid and affine registration algorithms. Then, the shape is extracted by ASM and LS methods separately. The SSM algorithm makes use of mean shape and variation of the modes while the LS algorithm employs only the registered mean shape. The proposed method is applied to three-dimensional T1-weighted magnetic resonance images of the spine manually segmented by experts at Henry Ford hospital, Detroit, MI, USA. The results demonstrate that disc extraction using active shape model has superior performance considering Dice Similarity Index (DSI) which is 84.04% for ASM in comparison with 81.55% for LS using prior knowledge. Also, in comparison with the previous methods with equal considerations, ASM has a better performance. Keywords: Spine MRI, Statistical Shape Model, Level-Set using prior knowledge, Active Shape Model, Intervertebral Disc Segmentation, Statistical and probabilistic atlases.
