Multimodal segmentation of brain MR images through hidden Markov random fields

Abstract

Beyin MR imgelerinin, özellikle üç ana doku tipi olan CSF, GM ve WM'a,bölütlenmesi, uygulamanın cerrahi planlama, bilgisayar destekli nörocerrahi ve tanıdakikatkılarından dolayı, klinik uygulamalarda vazgeçilmezdir. Bununla birlikte, her birMR imgesi otomatik sonradan işleme tekniklerinin sonuçlarının hatasızlığını çarpıcıölçüde düşüren gürültü ve RF inhomojenligi gibi bozucu bile³enler içermektedir.Literatürde beyin MR imgelerinin bölütlenmesi için birtakım metotlar önerilmektedir.Bunlar arasında Otsu e³iklemesi, ML ve MRF modele dayalı metotlar ençok kullanılanlardır. Ayrıca gerçek T1 ve T2 görüntülerinin iki boyutlu bölütlenmesiyukarıda bahsi geçen bozulmaları neredeyse tamamen ortadan kaldırdıgı için şu anakadar bildirilmiş en iyi sonuçları vermektedir. Fakat, metot için gereken tarama zamanıve sürecin masrafı bu yöntemi klinik uygulamalar açısından uygunsuz kılmaktadır.Bu çalışmada üç farklı bölütleme düzeni, sırasıyla Otsu eşiklemesi, ML sınıflandırmave MRF modele dayalı metot, gerçek değişkenli imgelerin iki boyutlu bölütlemesi bazalınarak incelenecek, T1 ve T2 ağırlıklı imgeler kullanılarak yeni çok değişkenli MRFbölütlenme metodu arz edilecektir.Sonuş olarak, iki boyutlu veri kullanımı, bölütlenme algoritmalarının başarımınıarttırmıştır. Buna ek olarak, çok de§işkenli HMRF model tabanlı bölütlenme enbaşarılı bölütlenme sonuçlarını vermiştir.Anahtar Sözcükler: Manyetik rezonans görüntüleme, Otsu eşiklemesi, ML sınflandırma,MRF teori, çok değişkenli bölütlenme.

Segmentation of brain MR images, especially into three main tissue types: CSF,GM and WM, is an essential task in clinical applications as it aids surgical planning,computer-aided neurosurgery and diagnosis. However, every single MR image containsdegenerative components such as noise and RF inhomogeneity which dramatically re-duces the accuracy of the results of automatic post-processing techniques.A number of methods are proposed in the literature for tissue segmentation ofbrain MR images. Among these, Otsu thresholding, ML estimation and MRF modelbased methods are the ones that widely used. Moreover, 2D segmentation of True?T1and True?T2 images almost completely removes the artifacts mentioned above henceresults in the best results ever reported. However, the required scan time of the methodand the expence of the process makes this method inapplicable to clinical applications.In this study, three dierent segmentation schemes for brain MR images, namelyOtsu thresholding, ML classication and MRF model based segmentation, are analyzedtaking the segmentation results of 2D segmented true parameter images and a novelmultivariate MRF segmentation method using T1 and T2-weighted images is proposed.As a result, the performance of the segmentation methods when two dimensionaldata were used increased. Moreover, multivariate HMRF model-based segmentationmethod achieved the best results.