Please use this identifier to cite or link to this item: http://ktisis.cut.ac.cy/handle/10488/5400
Title: Αυτοματοποιημένο σύστημα κατάτμησης και ανάλυσης υφής όγκων (μηνιγγιωμάτων) σε εικόνες μαγνητικής τομογραφίας
Authors: Παπαδούρη, Μαρίνα
Keywords: Όγκος;Μηνιγγίωμα;Σύνολο επιπέδου;Φίδια;Απορροής;Κατωφλίωση;Μαγνητική Τομογραφία;Γεωμετρικά χαρακτηριστικά;Χαρακτηριστικά υφής
Advisor: Λοΐζου, Χρήστος Π.
Issue Date: 2011
Publisher: Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής, Σχολή Μηχανικής και Τεχνολογίας, Cyprus University of Technology
Abstract: Οι όγκοι εγκεφάλου είναι που αναπτύσσονται λόγο της ανεξέλικτης αναπαραγωγής κυττάρων του εγκεφάλου. Από την θέση και την συμπεριφορά του όγκου κρίνεται η απειλητικότητα του για την ζωή. Για την διάγνωση τους χρησιμοποιούνται κάποια απεικονίστηκα συστήματα όπως η μαγνητική τομογραφία (ΜΤ). Μέσω της ψηφιακής επεξεργασίας εικόνας μπορούμε να αναλύσουμε εικόνες ΜΤ που έχουν ληφθεί από ασθενείς με μηνιγγιώματα. Με την κατάτμηση και την ανάλυση υφής των όγκων, μπορούμε να βοηθήσουμε το θεράποντα ιατρό, σε ικανοποιητικό βαθμό στις διαδικασίες διάγνωσης, παρακολούθησης της νόσου, εγχειρητικής επέμβασης, και θεραπείας. Έχουν δοκιμαστεί στην παρούσα εργασία τέσσερις μέθοδοι κατάτμησης. Αυτές οι μέθοδοι είναι από την ομάδα των ενεργών περιγραμμάτων, το σύνολο επιπέδων (level sets) και τα φίδια (snakes), ο μετασχηματισμός απορροής (watershed) και η κατωφλίωση (thresholding) οι οποίες αναπτύχθηκαν σε περιβάλλον Matlab μέσω μιας φιλικής διεπαφής. Με την βοήθεια αυτών των αλγόριθμων έγινε η εξαγωγή ορισμένων γεωμετρικών χαρακτηριστικών όπως το εμβαδόν, περίμετρος, διάμετρος και ακτίνα. Όσο αφορά τα γεωμετρικά χαρακτηριστικά η αποτίμηση των πιο πάνω μεθόδων κατατμήσεως, έγινε με την χρήση μεθόδων σύγκρισης των αποτελεσμάτων από αυτοματοποιημένες κατατμήσεις έχοντας σαν πρότυπο τα αποτελέσματα από την χειροκίνητη κατάτμηση. Χρησιμοποιώντας το στατιστικό έλεγχο Wilcoxon rank sum test ο οποίος έδειξε ότι σε διαφορετικά γεωμετρικά χαρακτηριστικά η απόδοση των αλγορίθμων αλλάζει. Επιπλέον όταν οι εικόνες κανονικοποιήθηκαν και επίσης υποβλήθηκαν σε κανονικοποίηση σε συνδυασμό με αποθορυβοποίηση τα αποτελέσματα έδειξαν πως δεν επιφέρουν αλλαγές στα γεωμετρικά χαρακτηριστικά κατά την κατάτμηση των εικόνων. Με την χρήση της ROC ανάλυσης βασισμένοι στα κλάσματα των σωστών θετικών (TPF), ψευδών θετικών (FPF), σωστών αρνητικών (TNF) και ψευδών αρνητικών (FNF) καλύτερη απόδοση είχαν οι μέθοδοι συνόλου επιπέδου και φιδιών. Ακολούθως από τις κατατμηθείς περιοχές έγινε εξαγωγή χαρακτηριστικών υφής. Η υφή παρέχει χρήσιμες πληροφορίες για τα χαρακτηριστικά του όγκου στον εγκέφαλο. Η εξαγωγή χαρακτηριστικών έχει δείξει πως παθολογικές και φυσιολογικές παρουσιάζουν διαφορετικά χαρακτηριστικά έτσι μπορούν να διαχωριστούν σε κατηγορίες και να εξαχθούν κάποια αποτελέσματα. Ο έλεγχος Wilcoxon-rank sum test καθορίζει επίσης αν υπάρχουν στατιστικές διαφορές ανάμεσα στα παθολογικά και τα φυσιολογικά δείγματα. Από τα 14 χαρακτηριστικά υφής βρέθηκαν 8 χαρακτηριστικά με ψηλή διαφορά (FOS: μέση τιμή, μεσαία τιμή, ενέργεια, εντροπία. GLDS: δεύτερη γωνιακή σπουδαιότητα, εντροπία. FDTA: H1 και FPS: γωνιακό άθροισμα) 3 μέτρια (FOS: λοξότητα, κύρτωση, GLDS: αντίθεση) και 3 καθόλου (FOS: διασπορά, GLDS: μέση τιμή, FPS: ακτινικό άθροισμα). Τέλος, καταλήγουμε στο συμπέρασμα ότι το είδος εικόνας είτε αυτή είναι η αρχική είτε η κανονικοποιήμενη είτε κανονικοποιημένη μαζί με αποθορυβοποίηση δεν επιφέρει σημαντικές αλλαγές στην κατάτμηση και στα χαρακτηριστικά υφής. Το αυτοματοποιημένο σύστημα που έχει δημιουργηθεί σε αυτή την εργασία, έχει βασικό πλεονέκτημα τη γρήγορη κατάτμηση και ανάλυση της περιοχής ενδιαφέροντος από ότι η χειροκίνητη. Μελλοντικά για να μπορέσει να ολοκληρωθεί το σύστημα αυτό θα μπορούσε να αναπτυχθεί το σύστημα αναγνώρισης πρότυπων μέσω της ταξινόμησης από τα χαρακτηριστικά υφής που εντοπίστηκα ως διαφορετικά με υψηλή διαφορά.
Description: Brain tumors are developed when cells in the brain lose the ability to control their growth. From the position and the behavior of the tumor we may judge its risk and the threat that poses to the life of a patient. Tumor diagnosis is done using magnetic resonance imaging systems (MT). By means of digital image processing we can analyze MT images which have been acquired from patients with brain meningiomas. By the segmentation and texture analysis of tumors, we can help the attending doctor to a satisfactory extent, in diagnostic procedures, monitoring of the disease, surgery intervention, and treatment. Four tumor segmentation methods have been tested in this study: The methods are, active contours, level sets and snakes, watershed, and thresholding. They were all developed in a Matlab environment through the use of a Graphical User Interface (GUI). Geometrical characteristics such as the area, perimeter, diameter and radius were extracted from the above segmented areas, after the application of the aforementioned algorithms. For evaluating the performance of each segmentation method, the extracted characteristics were compared with manual segmentations made by an expert observer. The Wilcoxon rank sum test applied for comparing the manual and the automated segmentation results, showed that different geometrical characteristics are significantly different for different segmentation methods. The experiments were repeated also after normalization, and after normalization and despeckle filtering. The results showed that no significantly different changes were found to almost all geometrical characteristics between all segmentation methods. Additionally, receiver operating characteristic (ROC) analysis was employed, based on the true positive fraction (TPF), false positive fraction (FPF), true negative fraction (TNF) and false negative fraction (FNF) for comparing the four different segmentation techniques. The segmentation methods level set and snakes showed the best performance in comparison with the rest of the methods. Texture characteristics were also extracted from the segmented regions. Texture provides useful information for characterizing brain tumors. The textures extracted from the brain, showed that the pathological and the normal tissue have different characteristics so that they can be separated into different groups The Wilcoxon rank sum test performed, showed vii that out of the 14 texture characteristics investigated, 8 were found to be significantly different. These were the FOS: Mean, Median, Energy, Entropy, GLDS: Angular second moment, Entropy, FDTA: H1 and FPS: Angular sum, 3 with medium differences, FOS: Skewness, Kurtosis, GLDS: Contrast, and 3 without differences (FOS: Variance, GLDS: Mean, FPS: Radial sum). We also found that normalization, and/or normalization and despeckle filtering does not significantly influences the texture extraction procedure. The automated system developed in this work, has two advantages over the manual segmentation, a) the segmentation is performed quickly and accurate and b) the segmented region is analyzed based on geometrical characteristics and texture features. In a future study, we will develop a system for recognizing the severity of the disease by comparing the extracted texture features from the aforementioned areas.
URI: http://ktisis.cut.ac.cy/handle/10488/5400
http://ktisis.cut.ac.cy/handle/10488/5400
http://hdl.handle.net/10488/5400
Rights: Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κάτοχου των πνευματικών δικαιωμάτων.
Type: Bachelors Thesis
Appears in Collections:Πτυχιακές Εργασίες/ Bachelor's Degree Theses

Files in This Item:
File Description SizeFormat 
DiplomatikiMarinaPapadouri.pdf3.42 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

31
Last Week
1
Last month
2
checked on Nov 24, 2017

Download(s) 20

14
checked on Nov 24, 2017

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.