عنوان پایان‌نامه
بخش بندی اتوماتیک فیبرهای عصبی ماده سفید مغز در تصاویر تشدید مغناطیسی تانسور انتشار با استفاده از اطلس دیجیتال
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1396;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37779
- تاریخ دفاع
- ۰۴ اسفند ۱۳۸۶
- دانشجو
- اسماعیل داودی بجد
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- تصویربرداری تشدید مغناطیسی تانسور انتشار (DTMRI) یک روش غیرتهاجمی جدید به منظور استخراج فیبرهای عصبی در بافت سفید مغز می باشد. بخش بندی فیبرهای عصبی و مشخص کردن نحوه اتصالات ساختارهای مغز در تشخیص سریع و درمان بیماری های مرتبط با بافت سفید مغز مانند MS و آلزایمر مفید می باشد. از طرف دیگر، یکی از راه های بخش بندی سریع و مطمئن تصاویر پزشکی، بخش بندی مبتنی بر اطلس می باشد که به دلیل مشکلات پیاده سازی در تصاویر DTMRI، کمتر در بخش بندی فیبرهای عصبی مورد استفاده قرار گرفته است. هدف از این پروژه ارائه یک روش بخش بندی مبتنی بر اطلس فیبرهای عصبی مغزی با استفاده از تصاویر DTMRI می باشد. بخش بندی مبتنی بر اطلس نیاز به دو عنصر مجزا و مهم دارد: یک اطلس قابل اعتماد که ساختارهای مورد نظر در آن از پیش برچسب گذاری شده باشند؛ و یک روش ثبت تصویر که بتواند تصویر اطلس را به خوبی به روی تصویر مورد مطالعه منطبق کند تا بتوان برچسب های اطلس را به ساختارهای تصویر هدف منتقل کرد. در این پروژه، ابتدا مسئله ثبت تصاویر DTMRI حل شده است، به گونه ای که تطبیق ساختارهای خاص مورد علاقه که همان فیبرهای عصبی هستند در نظر گرفته شود. بدین منظور، یک روش ثبت تصویر اَفین تکه ای که از مفهوم SVM در تخمین تابع تبدیل نهایی بین دو تصویر استفاده می کند، برای تطبیق همزمان پارامتر FA و بردار ویژه اصلی تانسور انتشار دو تصویر ارائه شده است. در نهایت با استفاده از یک اطلس احتمالاتی که قبلاً ساخته شده است، یک استراتژی برای بخش بندی اتوماتیک 18 دسته فیبر عصبی توسعه داده شده است. همچنین در این تحقیق، خوشه یابی اتوماتیک فیبرهای عصبی مورد بررسی قرار گرفته است. در این روش ها از اطلاعات اطلس کمتر استفاده می شود و بنابراین برای مواقعی مفید هستند که یک ثبت تصویر قوی برای تطبیق فیبرهای عصبی وجود نداشته باشد. بدین منظور، یک روش سلسله مراتبی برای خوشه یابی فیبرهای عصبی نیز پیشنهاد شده است. این روش از دو مرحله تشکیل شده است: در مرحله اول با استفاده از یک معیار جدید شباهت بین فیبرها، فیبرهای عصبی در خوشه های اولیه قرار می گیرند. در مرحله دوم، با استفاده از ترکیب پنج معیار شباهت بین خوشه ها، خوشه های اولیه در خوشه های نهایی قرار می گیرند. سپس با استفاده از اطلس، خوشه های نهایی برچسب گذاری می شوند. از آن جایی که در هر دو روش از یک روش مسیریابی فیبرها استفاده شده است، نتایج نشان می دهند که بخش بندی مستقیم مبتنی بر اطلس نتایج بهتری می دهد. از طرف دیگر در این تحقیق، به عنوان یکی از کاربردهای تصاویر DTMRI دو مدل هندسی از فیبرهای عصبی مورد بررسی و ارزیابی قرار گرفته است
- Abstract
- Diffusion Tensor Magnetic Resonance Imaging (DTMRI) is a novel non-invasive imaging technique to better understand white matter fiber bundle tracts. Segmentation of the fibers and determining the connectivities of the brain structures can be helpful in diagnosing and treating of brain white matter diseases such as MS, Alzheimer, and Schizophrenia. On the other hand, one of the fast and reliable segmentation methods of the medical images is the atlas-based segmentation strategy which is rarely applied to DTMRI images, due to the difficulties in working with these images. The aim of this work is to develop an atlas-based method for segmentation of white matter fiber bundles using DTMRI images. Atlas-based segmentation method requires two important components: a reliable atlas, in which the desired structures are segmented and labeled; and an image registration method for aligning the atlas to the subject image in order to transfer the labels to the subject image structures. In this thesis, at first, we attempt to solve the registration problem of DTMRI images by considering the alignment of the desired structures, i.e., the fiber bundles. The proposed piecewise affine registration method uses the concepts of support vector machines (SVM) to estimate the final transform action between two images, so that the fractional anisotropy (FA) and principal eigen-vector parameters of the DTMRI images are aligned jointly. Then, a strategy is defined for automatic segmentation of 18 fiber bundles using a probabilistic atlas. Automatic clustering methods of the fibers are also investigated in this project. In these methods, the atlas information are not used completely, so they are helpful in situations where a powerful method for aligning the fibers is not accessible. Therefore, a hierarchical method for clustering of the fibers is proposed. This method consists of two steps. First, using a new similarity measure between the fibers, these fibers are clustered into the initial clusters. Then, using a combination of five similarity measures between the clusters, the initial clusters are grouped into the final clusters. These final clusters are then labeled using the information of the atlas. The same fiber tracking method is employed in both methods, showing that the direct atlas-based segmentation method is less sensitive to the fiber tracking algorithm. On the other hand, in this project, we evaluate and compare two physical models of the fibers, as an application of DTMRI.
