Robust Image Segmentation Applied to Magnetic Resonance and Ultrasound Images of the Prostate
Segmentation d'images robuste appliqué à l'imagerie par résonance magnétique et l'échographie de la prostate
Résumé
Prostate segmentation in trans rectal ultrasound (TRUS) and magnetic resonanceimages (MRI) facilitates volume estimation, multi-modal image registration, surgicalplaning and image guided prostate biopsies. The objective of this thesis is to developshape and region prior deformable models for accurate, robust and computationallyefficient prostate segmentation in TRUS and MRI images. Primary contributionof this thesis is in adopting a probabilistic learning approach to achieve soft classificationof the prostate for automatic initialization and evolution of a shape andregion prior deformable models for prostate segmentation in TRUS images. Twodeformable models are developed for the purpose. An explicit shape and regionprior deformable model is derived from principal component analysis (PCA) of thecontour landmarks obtained from the training images and PCA of the probabilitydistribution inside the prostate region. Moreover, an implicit deformable model isderived from PCA of the signed distance representation of the labeled training dataand curve evolution is guided by energy minimization framework of Mumford-Shah(MS) functional. Region based energy is determined from region based statistics ofthe posterior probabilities. Graph cut energy minimization framework is adoptedfor prostate segmentation in MRI. Posterior probabilities obtained in a supervisedlearning schema and from a probabilistic segmentation of the prostate using an atlasare fused in logarithmic domain to reduce segmentation error. Finally a graphcut energy minimization in the stochastic framework achieves prostate segmentationin MRI. Statistically significant improvement in segmentation accuracies areachieved compared to some of the works in literature. Stochastic representation ofthe prostate region and use of the probabilities in optimization significantly improvesegmentation accuracies
La segmentació de la pròstata en imatges d’ecografia transrectal (TRUS) i en imatgesde ressonáncia magnètica (RM) facilita l’estimació del volum d’aquesta glàndula,el registre d’imatges entre ambdues modalitats, així com la planificació quirrgica debiòpsies guiades per imatge. L’objectiu d’aquesta tesi, doncs, és el desenvolupamentd’eines automàtiques per a una segmentació de la pròstata de manera precisa,robusta i computacionalment eficient en ambdues modalitats d’imatges.La contribució principal d’aquest tesi és la segmentació de les imatges ecogràfiquesde la pròstata. El mètode proposat es basa en dos passos ben diferenciats. Primer, através d’un aprenentatge probabilístic inicial, s’aconsegueix una primera localitzacióaproximada de la pròstata i que serveix per, en un segon pas, inicialitzar i permetreevolucionar de manera automàtica dos models deformables independents, guiats apartir de la informació de forma i regió de la pròstata estimada en el primer pas. Elprimer model deformable s’obté explícitament a partir de l’anàlisi de componentsprincipals (PCA) d’un conjunt de punts del contorn, que permet modelar la formade la pròstata, i de l’anàlisi PCA de la distribució de probabilitat dins de la regióprostàtica, que permet modelar la textura d’aquesta. Un tercer anàlisi PCA permetcorrelacionar ambdues distribucions. D’altra banda, un segon model deformable esderiva implícitament de l’anàlisi PCA de la funció distància obtinguda amb el conjuntde dades d’entrenament etiquetades. La consegüent evolució d’aquesta corbas’obté mitjanant la minimització del funcional Mumford-Shah, el qual es basa en unconjunt d’estadístics regionals obtinguts a partir de l’estimació de les probabilitatsa posteriori de les regions internes i externes de la pròstata.La segona contribució d’aquesta tesi és la segmentació automàtica de la pròstataen imatges 3D de RM. De manera similar a les imatges ecogràfiques, el sistemacombina les probabilitats d’un aprenentatge supervisat amb una segmentació inicial,en aquest cas, obtinguda a partir d’un atles probabilístic creat amb els volumsd’entrenament. La segmentació final s’obté a través d’una minimització basada engrafs.El resultat final és, doncs, el desenvolupament d’eines que permeten una segmentació acurada i robusta de la pròstata tant en imatges ecogròfiques com deressonòncia magnètica, millorant de forma substancial i significant la precisió delsmètodes desenvolupats fins a l’actualitat
[...] L’utilisation d’images ETR pour la biopsie est maintenant une norme suivie par les urologues pour le dépistage du cancer de la prostate. Toutefois, l’imagerie par résonance magnétique (IRM) offre un meilleur contraste des tissus mous par rapport aux images ETR. Ainsi, certaines tumeurs malignes visibles par l’IRM ne le sont pas avec les images ETR comme illustré par l’image de la figure 1. En fusionnant les deux modalités IRM et échographie transrectale, il est possible de développer des outils performants de diagnostic. C’est dans ce contexte que s’inscrit le projet PROSCAN qui est une collaboration entre le centre de recherche VICOROB (Computer Vision and Robotics Group) de l’université de Gérone et le Girona Magnetic Resonance Center du CHU de Gérone. [...] .. L’objectif principal de cette thèse est de développer des méthodes de segmentation précises et rapides de la prostate dans les images IRM ET ETR afin de faciliter la fusion d’images multimodales dans le cadre du projet PROSCAN. [...] Nous avons commencé notre travail par une étude approfondie des méthodes de segmentation dans les deux modalités échographie transrectale et IRM. Les principales similitudes et les différences entre les diverses méthodes, leurs forces et faiblesse sont été analysées. Les méthodes de segmentation de la prostate peuvent être regroupées dans quatre catégories différentes, selon les informations utilisées pour guider la segmentation [...] L’analyse des méthodes de segmentation montre que les approches qui combinent les informations de forme et de contour donnent les meilleurs résultats. Aussi, nous proposons d’utiliser le modèle AAM (Actice Appearance Model) qui a prouvé son efficacité pour la segmentation de la prostate dans les image d’échographietransrectale. Le modèle AAM permet de combiner les informations de forme et d’apparence en une unique fonction de coût à optimiser. De plus, l’étape d’optimisation par descente de gradient faite hors-ligne réduit considérablement les temps de calcul.Les images obtenues par échographie transrectale possèdent généralement une faible qualité ainsi qu’un faible contraste. Pour améliorer la robustesse de notre méthode de segmentation, nous introduisons des caractéristiques de texture extraits avec les ondelettes de Haar et des filtres en quadrature. Les résultats obtenus montrent que cette information de texture accroit la précision de la segmentation. Parailleurs, l’augmentation du temps de calcul due à l’utilisation des filtres est compensé par l’augmentation de la précision.Pour une initialisation automatique, nous avons développé un modèle probabiliste basé sur une classification supervisée. Un classifieur est construit à partird’un ensemble d’images d’apprentissage manuellement segmentées. Ce classifieur est utilisé pour obtenir une pré-segmentation de la prostate dans l’image ETR dans laquelle on attribue à chaque pixel une probabilité d’appartenance à la prostate. Unnouveau modèle AAM est ensuite construit dans lequel les intensités sont remplacéespar les probabilités obtenues à l’etape précédente. Les résultats obtenus montrent que cette approche permet une initialisation automatique tout en améliorant laprécision de la segmentation.Enfin, pour obtenir un modèle plus robuste nous avons utilisé la fonctionnelle de Mumford-Shah qui permet de définir une fonction de coût à optimiser comprenant à la fois les informations d’apparence, de forme et de topologie locale de laprostate. Les nombreux résultats qualitatifs et quantitatifs présentés dans la suite de ce manuscrit montrent que notre méthode donne de meilleurs résultats comparé à diverses autres approches.
Origine : Version validée par le jury (STAR)
Loading...