La segmentación de las estructuras cerebrales, a partir de imágenes obtenidas por Resonancia Magnética, se aplica en el estudio de muchas enfermedades asociadas con el cerebro, así como en su diagnóstico, tratamiento, planeación quirúrgica y mapeo funcional de la actividad cerebral. La segmentación se lleva a cabo empleando una técnica no paramétrica de estimación de densidad, basada en el algoritmo de corrimiento de media aplicado en el dominio conjunto de espacio-rango. La implementación del corrimiento de media está guiada totalmente por los datos, por lo que no es necesario usar parámetros de inicialización o conocer el número de clases a segmentar para calcular el corrimiento de media. La calidad de las fronteras entre regiones se mejora integrando un mapa de confianza de bordes, que representa la confianza de estar verdaderamente ante la presencia de una frontera entre regiones adyacentes, así el corrimiento de media se mejora ponderando cada dato por una función de su confianza de borde. De esta manera, las técnicas de segmentación por región y detección de bordes se combinan para la extracción de bordes débiles pero significativos. El procedimiento estima las modas locales de la función de densidad de probabilidad para definir los centros de clase en el espacio característico, dando como resultado una imagen filtrada con preservación de bordes, conteniendo regiones de intensidad homogénea. Después del filtrado de la imagen, se construye un grafo de adyacencias que se analiza para fusionar las regiones adyacentes que están separadas por un borde de magnitud pequeña, calculada a partir del mapa de confianza, y su diferencia en modas de intensidad es menor de un valor predeterminado. Posteriormente, la imagen fusionada se somete a un proceso de podado, con el propósito de unir las regiones que tienen pocos pixeles, con la región adyacente que tiene un número suficiente de pixeles y una diferencia mínima en intensidad. Para clasificar las regiones de la imagen a un tipo de tejido cerebral, se realiza una normalización espacial entre los datos de la imagen y los mapas de probabilidad estándar existentes para materia gris, materia blanca y líquido cefalorraquídeo, de modo que para cada estructura cerebral se aplica un criterio de probabilidad máxima para determinar la región semilla correspondiente. Finalmente, se clasifican las regiones asignándoles la 4 etiqueta de la semilla con la que tengan una diferencia en modas de intensidad mínima. El método se aplicó tanto a imágenes sintéticas como reales, en 2 y 3 dimensiones espaciales, manteniendo todos los parámetros constantes durante todo el proceso para cada tipo de datos. La combinación de la segmentación por región y detección de bordes probó ser una técnica robusta, ya que las clases se detectaron adecuadamente y de manera automática, sin importar el nivel de ruido e inhomogeneidad. Comparando los resultados con las segmentaciones de referencia, los índices de similitud promedio obtenidos para los datos sintéticos fueron de 0.9 a 0.99 y de 0.59 a 0.99 para datos reales, considerando solamente la materia gris, la materia blanca y fondo.
Relaciones
| En Conjunto Administrativo: |
|
|---|
Descripciones
| Nombre del atributo | Valores |
|---|
| Creador |
|
|---|
| Colaboradores |
|
|---|
| Tema |
|
|---|
| Editor |
|
|---|
| Idioma |
|
|---|
| Identificador |
|
|---|
| Palabra Clave |
|
|---|
| Año de publicación |
|
|---|
| Tipo de Recurso |
|
|---|
| Derechos |
|
|---|
| División académica |
|
|---|
| Línea académica |
|
|---|
| Licencia |
|
|---|
