عنوان پایان‌نامه
بخش بندی و ارزیابی ساختارهای مغز در بیماران دارای صرع لوب تمپورال
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1421;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38006
- تاریخ دفاع
- ۰۸ اسفند ۱۳۸۶
- دانشجو
- متینه شاکر
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- علائم بسیاری از بیماری های دستگاه عصبی مانند صرع در تصاویر تشدید مغناطیسی (MRI) به صورت تغییرات محلی در شدت روشنایی و تغییرات شکل و اندازه ساختارها مشاهده می شود. از آنجاییکه تصاویر MR از رزولوشن بالایی برخوردار هستند، تحلیل دقیق این تصاویر با روش های اتوماتیک مختلف می تواند ابزار مفیدی برای تشخیص کانون بیماری، بررسی پیشرفت بیماری و ارزیابی درمان آن باشد. در پایان نامه حاضر از دو دیدگاه تحلیل و ارزیابی تصاویر انجام می گیرد. ابتدا به بررسی نواحی خاصی از مغز که در اثر بیماری دچار تغییرات شده اند می پردازیم. برای این کار می توان از روش شکل سنجی بر پایه واکسل به منظور تحلیل قسمتهای مختلف مغز استفاده کرد. در این روش داده ها بر روی یک اطلس منطبق می شوند و پس از مرحله مدولاسیون که به منظور جبران اثرات نا مطلوب انبساط و انقباض نواحی مختلف صورت می گیرد، ماده خاکستری مغز از بقیه بافتها جدا می شود. در نهایت عمل استنتاج آماری با استفاده از آزمونt صورت می گیرد. نتایج نهایی به دست آمده، مناطقی از مغز می باشد که در نتیجه بیماری و در مقایسه با نمونه های سالم دچار کاهش حجم ماده خاکستری مغز شده اند. در فاز دیگری از تحقیقات به بخش بندی ساختار های لوب تمپورال مانند هیپوکامپوس ، آمیگدالا ، و انتورینال کورتکس در تصاویر تشدید مغناطیسی پرداختیم. برای این کار ابتدا با استفاده از روش های پیش پردازش خاصی که به تفصیل در مورد آنها توضیح خواهیم داد تصاویر را برای بخش بندی مبتنی بر اطلس آماده می کنیم. سپس تصاویر با استفاده از یک اطلس برچسب گذاری می شوند و نواحی مشخصی برای ساختارهای مطلوب به دست می آیند. از آنجاییکه بخش بندی به دست آمده دقت کافی را ندارد، از روش سطوح همتراز برای دقیق کردن این بخش بندی استفاده می کنیم. به این ترتیب که مرزهای به دست آمده را به عنوان کانتور اولیه روش سطوح همتراز در نظر می گیریم تا به یک روش بخش بندی جدید بر اساس دانش مبتنی بر اطلس دست یابیم
- Abstract
- Abstract Many neurodegenerative diseases exhibit volume and shape changes in specific brain regions. Neuroanatomical changes may be mild, and undetectable by visual inspection. Therefore, automatic methods for evaluation of the brain structures’ changes are useful for the diagnosis and prognosis of neurological disorders. These studies have clinical values in deciding about surgeries and treatment evaluations as well as diagnosis stages. In this thesis, we analyzed the brain structures and regions in temporal lobe epilepsy (TLE) patients using 3D T1-weighed magnetic resonance images (MRI) from two different perspectives. First, we used a method of voxel-based morphometry (VBM) with the unified segmentation framework to examine the effects of TLE on specific brain structures in 22 patients. Also, 18 healthy control subjects were included in this study for group comparison. We accomplished GM segmentation, spatial normalization, and intensity non-uniformity correction in the same model. Besides, removal of nonbrain voxels and compensation of spatial normalization effects were performed in this study. Student’s t-test statistical models of differences between gray matter concentration (GMC) of patients and controls were obtained using a general linear model (GLM). Compared to controls, TLE presented GMC reduction in hippocampus, amygdala, and entorhinal cortex. Comparison of abnormal areas detected by VBM method and manual delineation of these structures confirms the obtained results. Second, we focused on segmentation of hippocampus, amygdala, and entorhinal cortex which are mostly affected by TLE. The proposed method consists of two separate parts. First, we use an atlas-based segmentation method to obtain initial segmentation results for desired structures. Using additional preprocessing steps for image registration and gray matter (GM) segmentation is the specification of this stage of the work. Then, all of the GM voxels are labeled using an anatomical atlas. In the next stage, variational level set formulation without re-initialization is applied on the images. We use the boundaries obtained by atlas-based segmentation as the contour for initialization of level set function. Automatic generation of initial contour makes the final segmentation results operator-independent. The proposed approaches are evaluated by comparing automatic and expert’s segmentation results and confirming their similarity
