Modelování a extrakce oblasti artikulární chrupavky

Abstract

Tato disertační práce se zabývá modelováním a extrakcí artikulární chrupavky z obrazových dat MR (magnetické rezonance). V oblasti klinické diagnostiky artikulárních chrupavek je stěžejní přesná lokalizace chrupavky s ohledem na patologické procesy, které jsou často obtížně hodnotitelné, neboť jejich manifestace oproti fyziologické chrupavce je nekontrastní. Hodnocení chrupavek je často ovlivněno subjektivní chybou a je závislé na zkušenostech hodnotícího lékaře. Tato práce se zabývá designem multiregionální segmentační metodologie, která se opírá o dvoufázovou klasifikaci pixelů. V prvním kroku je řešen návrh jasové segmentační procedury, aproximující jednotlivé obrazové regiony pomocí posloupnosti fuzzy trojúhelníkovitých funkcí členství. Lokalizace těchto funkcí je řízena ABC (Artificial Bee Colony) algoritmem, který reprezentuje genetický evoluční proces. Druhá část metodologie se zabývá lokální agregační procedurou, která bere v úvahu prostorové relace pixelů a umožňuje modifikovat členskou funkci jasové klasifikace. Značnou výhodou takového systému je robustnost vůči šumovým pixelům a artefaktům, které v určité míře bývají přítomny v MR obrazových datech. Výstupem segmentační procedury je regionální model artikulární chrupavky, který spolehlivě reflektuje fyziologickou oblast artikulární chrupavky od lokací, kde dochází již k rané ztrátě chrupavky, která je obtížněji detekovatelná z nativních MR záznamů. Navrhovaná metoda byla rovněž testována na syntetických variabilních zdrojích obrazového šumu.

This dissertation thesis deals with the modeling and extraction of the articular cartilage from the MR (magnetic resonance) image data. In an area of the articular cartilage clinical diagnostic, a precise localization of the articular cartilage is essential with regard to the pathological processes which are often badly evaluable due to their manifestation is non contrast in comparison with the physiological cartilage. The cartilage assessment is often affected by the subjective error, and it is depended on physician’s experience. This work is focused on a design of the multiregional segmentation methodology which is based on two-phase pixel classification. In the first step, a design of the brightness segmentation procedure is figured out approximating individual image regions by a sequence of the fuzzy triangular membership functions. A localization of those functions is driven by the ABC (Artificial Bee Colony) algorithm representing a genetic evolutionary process. The second part of the methodology deals with the local aggregation procedure taking into account spatial pixels relationships, and allows for a modification of the brightness classification membership function. A substantial benefit of such system is robustness against the noise pixels and artefacts which are presented in the MR image data. Output of the segmentation procedure is a regional model of the articular cartilage which reliably reflects the articular cartilage physiological area from locations of early cartilage loss. Such changes are badly detectable from the native MR data. The proposed method has been also tested on synthetic variable sources of the image noise.