Modelado y corrección de inhomogeneidades de campo en IRM 上市 Deposited
Las imágenes de RMN cobran cada vez mayor importancia en la práctica médica, se emplean para generar atlas anatómicos, estudios funcionales, análisis de patologías, como guía pre e intra operatoria y en la fusión con otras técnicas de estudio de las variables fisiológicas. Por otra parte, cada vez se usan más equipos de IRM en los centros médicos, por lo que se requieren métodos eficientes para analizar grandes cantidades de información.La técnica de IRM presenta diversas dificultades para obtener resultados útiles para el diagnóstico o la investigación. En este trabajo se abordan tanto los aspectos de la segmentación de IRM como el modelado y la corrección de las inhomogeneidades del campo magnético, que altera los datos a lo largo de todo el conjunto de imágenes en un estudio de IRM, dificultando la segmentación.Uno de los métodos más conocidos para obtener segmentaciones de IRM, considerando la inhomogeneidad del campo, es el método de restauración-segmentación propuesto por Wells. Sin embargo, asume un modelo paramétrico de mezcla de gaussianas para la distribución de las intensidades de la imagen. Este trabajo consiste en utilizar el método de restauración-segmentación con un modelado no paramétrico, mediante el uso de una Red Neuronal Probabilística que haga las estimaciones de las probabilidades posteriores, que se emplean tanto para la estimación del campo de ganancia y la corrección de la imagen como para la segmentación de la misma. Otra aportación de este trabajo es que para construir la red se emplean estimadores robustos de localización y dispersión asociados a cada pixel de la imagen, utilizando el algoritmo de Modas Realzadas, las clases principales en la imagen se obtienen mediante el uso del algoritmo de Corrimiento de Media, que hace una estimación del gradiente de la función de densidad de la imagen. El método propuesto es evaluado utilizando imágenes sintéticas de RMN obteniendo las matrices de confusión y una medida de similitud de probabilidad (Kappa) promedio de 96%, respecto de las segmentaciones ideales.
关联
| 管理集内: |
|---|
描述
| 属性名称 | 属性值 |
|---|---|
| Creador | |
| 贡献者 | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| 关键词 | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
