Coupled non-parametric shape and moment-based inter-shape pose priors for multiple basal ganglia structure segmentation

Abstract

Beyin manyetik rezonans görüntülerinde beyin dokularının ve yapılarının bölütlenmesiklinik uygulamalarda temel bir problemdir. Ozellikle beyindeki beyaz madde, grimadde ve beyin öz sivisi icerisinde gömülü halde bulunan Putamen, Kaudat, Talamusgibi korteks alti yapilarin ayri¸stirilmasi oldukca zordur. Bu zorlugun nedeni,manyetik görüntülerde bu dokularin düşük kontrastli görülebilmesi, homojen olmayanyoğunluğa sahip olmasi ve kısmi hacim etkilerinin olmasıdır.Bu tezde bahsedilen çoklu beyin yapılarının aynı anda bölütlenmesi için yeni birmetod geliştirilmiştir. Bölütleme problemi en iyilemeli önsel kestirim çerçevesindeformule edilmiştir ve bu çerçevede hedef yapilarin istatistiksel şekil önsel bilgisi vegöreceli pozisyon modelleri bölütleme işlemine katılmıştır. Bu yöntemimiz medikalimgelerde sıkla rastlanan birbirine komşu, çoklu yapıların belirgin kombinasyonlarve ortak bağlaşıklıklar yaratmasında esinlenerek geliştirilmiştir. Buna göre eğerbu bağımlılık ve kombinasyonlar doğru şekilde modellenebilirse, bölütlenmesi zoryapıların bölütleme başarımını artıracağını öne sürmekteyiz. Onerimizde bağlaşıkşekil ön bilgisini parametrik olmayan çok değişkenli Parzen yoğunluk kestirimi kullanarakoluşturmaktayız. Bunun için bölütlemek istediğimiz yapilarin eğitim kümesindenfaydalnırız. Göreceli pozisyon bilgisini ise standart moment teorisi ile modelleriz.Bu çerçevede her iki önsel bilgiyi de bölütlemeye katarken problemi bir optimizasyonproblemi olarak ele alırız ve çözümünde etkin çevritlere dayalı bir yöntem kullanırız.Yöntemin başarımını sentetik ve pek çok gerçek beyin mayetik rezonans görüntüsüüzerinde göstermekteyiz. Sonuçları var olan diğer yöntemlerle de karşılatırmakta veüstün yönlerini belirtmekteyiz.

Brain tissue and structure segmentation in magnetic resonance (MR) images isa fundamental problem in clinical studies of brain structure and function. Due tolimitations such as low contrast, partial volume eects, and field inhomogeneities,the delineation of subcortical (basal ganglia) structures such as caudate nucleus,putamen, and thalamus from white matter, gray matter and cerebrospinal fluid(CSF) is a very challenging problem.This thesis presents a new method for simultaneous segmentation of multiplebrain structures. We formulate the segmentation problem as a maximum a posterioriestimation problem, in which we incorporate statistical prior models on theshapes and relative poses of the structures of interest. Our method is motivated bythe observation that neighboring or coupling structures in medical images generateconfigurations and co-dependencies which could potentially aid in segmentation ifproperly exploited. Our coupled shape priors are learned through nonparametricmultivariate kernel density estimation based on training data. Relative pose priorsare modeled via standard moments. Given this framework, the segmentation problemsturns into an optimization problem, which we solve using active contours. Wepresent experimental results on synthetic data as well as on a rich set of real MRimages demonstrating the eectiveness of the proposed method in segmenting basalganglia structures as well as improvements it provides over existing approaches.