automatic segmentation of anatomical structures using deformable models and bio-inspired/soft

249 Pages·2017·5.38 MB·English

by  Pablo Mesejo

AUTOMATIC SEGMENTATION OF ANATOMICAL
STRUCTURES USING DEFORMABLE MODELS
AND BIO-INSPIRED/SOFT COMPUTING
Pablo Mesejo
To cite this version:
Pablo Mesejo. AUTOMATIC SEGMENTATION OF ANATOMICAL STRUCTURES USING DE-
FORMABLE MODELS AND BIO-INSPIRED/SOFT COMPUTING. Artificial Intelligence [cs.AI].
University of Parma, 2014. English. ￿NNT: ￿. ￿tel-01363683￿
HAL Id: tel-01363683
https://hal.inria.fr/tel-01363683
Submitted on 11 Sep 2016
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
`
UNIVERSITA DEGLI STUDI DI PARMA
DIPARTIMENTODIINGEGNERIADELL’INFORMAZIONE
Dottorato di Ricerca in Tecnologie dell’Informazione
XXVI Ciclo
Pablo Mesejo Santiago
AUTOMATIC SEGMENTATION OF ANATOMICAL
STRUCTURES USING DEFORMABLE MODELS AND
BIO-INSPIRED/SOFT COMPUTING
DISSERTAZIONEPRESENTATAPERILCONSEGUIMENTO
DELTITOLODIDOTTOREDIRICERCA
Gennaio2014

`
UNIVERSITA DEGLI STUDI DI PARMA
DOTTORATODIRICERCAINTECNOLOGIEDELL’INFORMAZIONE
XXVICiclo
AUTOMATIC SEGMENTATION OF ANATOMICAL
STRUCTURES USING DEFORMABLE MODELS AND
BIO-INSPIRED/SOFT COMPUTING
Coordinatore: Chiar.mo. Prof. MarcoLocatelli
Relatore: Chiar.mo. Prof. StefanoCagnoni
Autore: PabloMesejoSantiago
Gennaio2014

DedicatedtomymotherandSofia,
withgratitude,respectandadmiration.

Contents
Abstract 9
1 Introduction 10
PartI:Fundamentals 16
2 TheoreticalBackground 17
2.1 MedicalImageSegmentation . . . . . . . . . . . . . . . . . . . . . . 17
2.2 DeformableModels . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
ParametricDeformableModels . . . . . . . . . . . . . . . . . . . . . 21
GeometricDeformableModels . . . . . . . . . . . . . . . . . . . . . 23
2.3 MedicalImageRegistration . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 TextureandGrayLevelCo-OccurrenceMatrix . . . . . . . . . . . . 29
2.5 SoftComputing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Classificationproblems . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Datasets 47
3.1 MedicalImaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
iii
CONTENTS iv
3.2 MicroscopyImages . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 ComputedTomographyImages . . . . . . . . . . . . . . . . . . . . . 52
3.4 MagneticResonanceImages . . . . . . . . . . . . . . . . . . . . . . 53
4 MedicalImageSegmentationusingDMsandSC 62
4.1 StatisticalShapeModels . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2 LevelSetMethods . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
PartII:ProposedMethods 90
5 HippocampusSegmentationusingASMsandRF 93
5.1 HistologicalImagesandHippocampus . . . . . . . . . . . . . . . . . 93
5.2 DE-basedhippocampuslocalization . . . . . . . . . . . . . . . . . . 98
BestReferenceSliceSelection . . . . . . . . . . . . . . . . . . . . . 98
HippocampusLocalization . . . . . . . . . . . . . . . . . . . . . . . 102
TargetFunction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
ExperimentalResults . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.3 SegmentationusingIterativeOtsu’sThresholdingMethodandRF . . 116
Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
ExpansionoftheSegmentation . . . . . . . . . . . . . . . . . . . . . 118
ExperimentalResults . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.4 Real-worldapplication . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6 HippocampusSegmentationusingaMH-basedLSApproach 141
6.1 PreviousApproach . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
CONTENTS v
6.2 ProposedMethod . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
TrainingPhase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
TestPhase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
6.3 ExperimentalResults . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
7 BiomedicalISusingGeometricDMsandMHs 154
7.1 ProposedMethod . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Registration-basedprior . . . . . . . . . . . . . . . . . . . . . . . . . 157
Forceterms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Parameterlearningusingmetaheuristics . . . . . . . . . . . . . . . . 160
7.2 ExperimentalSetup . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
Methodsincludedinthecomparison . . . . . . . . . . . . . . . . . . 164
Parametersettings . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Experimentalresults . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
PartIII:FinalRemarks 180
8 FurtherWork 181
9 SummaryandConclusions 183
AppendixI:StatisticaltestsforanalyzingSCtechniquesbehaviour 187
AppendixII:StandardSegmentationMetrics 194