Vessel segmentation using shallow water equations

Abstract

Bu tez sıvı akışını deforme olabilen bir model olarak kullanarak 2 boyutlu ve 3 boyutlu tıbbi görüntülerdeki damarları bölütleme yaklaşımını incelemektedir. Sıvı akışı kullanarak tıbbi görüntülerden damar bölütlemek damarların zaten kan naklini sağlayan dokular olmaları sebebiyle biyolojik olarak da akla yatkındır. Sıvı akışı ayrılabilir ve birleşebilir olması sebebi ile topolojik yapıya intibak edebilmektedir bu da sıvı akışını güçlü bir damar bölütleme yönteminin temeli olarak kullanmayı mümkün kılmaktadır. Buna ek olarak, sıvı akışı görüntüleme sınırlamaları ve hatalarından kaynaklı damar boşluklarını aşarak bağlantısı kopmuş bölgeleri birleştirebilmektedir. Sadeliği, paralel olarak hesaplanabilir yapısı ve diğer sıvı benzetim yöntemlerine kıyasla daha düşük olan hesaplama karmaşıklığı yüzünden sıvı akışı benzetimi için doğrusallaştırılmış sığ su denklemleri (LSWE) kullandık. Geliştirilen yöntem içinde manyetik tınlaşım anjiyografi (MRA), manyetik tınlaşım venografi (MRV), ve retina göz anjiyo görüntüler bulunan sentetik görüntüler, klinik görüntüler ve halka açık görüntüler kullanılarak doğrulanmıştır. Yöntem Nvidia Compute Unified Device Architecture (CUDA) üzerinde paralel olarak da geliştirilmiş ve görüntü büyüklüğüne bağlı olarak tek çekirdekli ve çok çekirdekli CPU ya kıyaslan on ile yüz kat arasında hızlanmalar sağlanmıştır.

This thesis investigates the feasibility of using fluid flow as a deformable model for segmenting vessels in 2D and 3D medical images. Exploiting fluid flow in vessel segmentation is biologically plausible since vessels naturally provide the medium for blood transportation. Fluid flow can be used as a basis for powerful vessel segmentation because streaming fluid regions can merge and split providing topological adaptivity. In addition, the fluid can also flow through small gaps formed by imaging artifacts building connections between disconnected areas. In our study, due to their simplicity, parallelism, and low computational cost compared to other fluid simulation methods, linearized shallow water equations (LSWE) are used. The method developed herein is validated using synthetic data sets, two clinical datasets, and publicly available simulated datasets which contain Magnetic Resonance Angiography (MRA) images, Magnetic Resonance Venography (MRV) images and retinal angiography images. Depending on image size, one to two order of magnitude speed ups are obtained with developed parallel implementation using Nvidia Compute Unified Device Architecture (CUDA) compared to single-core and multi-core CPU implementation.