|
| Titre : | Segmentation of medical images by geometric deformable models under topological constraints | | Type de document : | texte imprimé | | Auteurs : | YAHIA LAHSSENE Yamina, Auteur | | Année de publication : | 2021-2022 | | Accompagnement : | CD | | Langues : | Anglais (eng) | | Catégories : | Electronique:electronique
| | Mots-clés : | Image segmentation, geometric deformable models, level set, topology preservation,
heart ventricles, and brain tumors.
Segmentation d'images, modèles déformables géométriques, ensemble de niveau,
préservation de la topologie, ventricules cardiaques, tumeurs cérébrales. | | Résumé : | Image segmentation has been considered as a vital step in analysis of medical image, such as MRI, to detect and identify several pathologies and/or organ abnormalities. This is usually performed manually by experts who find it tedious and time consuming. As an alternative, different automatic and semi-automatic methods of MRI segmentation have been proposed in the literature. Many of those methods are based on deformable models. We also, by this work, opted for accurate MRI slices segmentation using deformable models in addition to topology constraints.
We initiated our thesis with a theoretical background of both types of the DMs: Parametric deformable models (PDMs) and geometric deformable models (GDMs). We focused more on GDMs due to there several advantages over PDMs such as their intrinsic behavior, ease of implementation and ability to handle automatic topology changes. Then, we presented two topology preserving concepts: simple point and self-repelling force used to constrain the DMs flexibility in a way that preserves its topology during the segmentation process.
After, we describe in detail our proposed topology preserving geometric deformable model (TPGDM) for MRI segmentation. It’s the result of successful combination of our proposed GDM with the self-repelling force topology preserving concept. We needed first to test the GDM without then with topology control in order to demonstrate its contribution in enhancing the results of segmentation. So, we started by introducing the proposed deformable model for MRI segmentation: Selective binary level set (SBLS). It is based on selective binary Gaussian filter level set (SBGFRLS). It successfully provides either global or local segmentations with no requirement of a preprocessing phase. In its local variant, LBLS (local binary level set) is able to control the number of objects to be segmented simultaneously among all the existing ones. Nevertheless SBLS model couldn’t achieve the expected level of precision and it may produces unexpected contours eventually. Then we add the self-repelling force concept to the SBLS model to constrain its topology which is in fact our proposed TPGDM: Topology preserving selective binary level set (TPSBLS). This remarkably enhances the performance of the active model in many ways; more robustness towards image quality and absence of undesirable contours. Also, TPSBLS model doesn’t need any preprocessing step and it’s also able to ensure global (TPGBLS: Topology preserving global binary level set) or local segmentation (TPLBLS: Topology preserving local binary level set).
To validate and compare the proposed approaches for single target segmentation (one heart ventricle and meningioma brain tumor) and two targets (both heart ventricles) simultaneous segmentation, we tested both LBLS and TPLBLS models on real MRI slices from four different cardiac and brain datasets; We randomly used 73 slices from RVSC MICCAI 2012 for the segmentation of the right ventricle endocardium, 176 images from the York dataset 2006 for the segmentation of the left ventricle endocardium, 158 slices from the brain MRI figshare dataset for the brain tumor (meningioma) extraction and finally 66 cardiac MRI from MICCAI 2017. The segmentation results of LBLS and TPLBLS were evaluated and compared to some existing approaches using different metrics: the dice coefficient of similarity, the modified Hausdorff distance and the root mean square error. The obtained results show the efficiency of both proposed LBLS and TPLBLS models. However, the TPLBLS approach provided the best performance and remarkably improved the results of segmentation.
La segmentation d'image est une étape essentielle de l'analyse d'images médicales, telles que les images par résonnance magnétique (IRM). Elle a pour objectif de détecter et d’identifier plusieurs pathologies et/ou anomalies d'organes. Cette opération est généralement effectuée manuellement par des experts qui la trouvent fastidieuse et lente. Comme alternative, différentes méthodes automatiques et semi-automatiques de segmentation d'IRM ont été proposées dans la littérature. Plusieurs de ces méthodes sont basées sur les modèles déformables (MDs) que nous avons choisi d’étudier dans cette thèse avec des contraintes de topologie.
Nous rappelons d’abord le contexte théorique des MDs avec ces deux catégories : Les modèles déformables paramétriques (MDPs) et les modèles déformables géométriques (MDGs). Nous nous sommes intéressés plus particulièrement aux MDGs en raison de leurs nombreux avantages par rapport aux MDPs, tels que leur comportement intrinsèque, leur facilité d'implémentation et leur capacité à gérer les changements automatiques de topologie. Puis, nous présentons deux concepts de préservation de la topologie : le point simple et la force auto-répulsive utilisés pour contraindre la flexibilité des MDGs de manière à préserver leur topologie durant le processus de segmentation.
Ensuite, nous décrivons en détail le modèle déformable géométrique avec préservation de topologie TPGDM que nous proposons pour la segmentation d'images IRM. Celui-ci est le résultat d'une combinaison d’un MDG avec le concept de force auto-répulsive servant comme contrainte topologique au modèle actif. Nous voulions d'abord tester le MDG sans puis avec le contrôle de la topologie afin de démontrer sa capacité à améliorer les résultats de segmentation. Nous présentons ainsi le modèle déformable proposé pour la segmentation d’IRM: Ensembles de Niveau Binaire Sélectif (SBLS). Il est basé sur un modèle existant SBGFRLS (Ensemble de Niveau Binaire Sélectif Filtré Gaussien). Il fournit avec succès des segmentations globales ou locales sans avoir besoin d'une phase de prétraitement. Dans sa variante locale, LBLS (Ensemble de Niveau Binaire Local) est à même de contrôler le nombre d'objets à segmenter simultanément parmi tous ceux existants. Néanmoins, le modèle SBLS n'a pas pu atteindre le taux de précision souhaité et il peut éventuellement produire des contours imprévus. Ensuite, nous associons le concept de force auto-répulsive au modèle SBLS pour contraindre sa topologie, qui donne en fait notre modèle proposé TPGDM: Ensemble de Niveau Binaire Sélectif avec Préservation de Topologie (TPSBLS). Cela permet d'améliorer remarquablement les performances du modèle actif à plusieurs niveaux : plus de robustesse vis-à-vis de la qualité de l'image et l'absence de contours indésirables. De plus, le modèle TPSBLS n'implique aucune étape de prétraitement et sert également à fournir une segmentation globale ou locale.
Afin de valider les approches proposées pour la segmentation d'un seul objet (un ventricule cardiaque ou une tumeur cérébrale de type méningiome) et la segmentation simultanée de deux objets (les deux ventricules cardiaques), nous avons testé nos modèles SBLS et TPLBLS sur des coupes (IRM) réelles provenant de quatre bases de données différentes cardiaques et cérébrales; Nous avons utilisé 73 images de la base RVSC MICCAI 2012 pour la segmentation de l'endocarde du ventricule droit, 176 images de la base York 2006 pour la segmentation de l'endocarde du ventricule gauche, 158 coupes d'IRM cérébrales de la base figshare pour l'extraction du méningiome et enfin 66 slices d'IRM cardiaques de la base MICCAI 2017. Les résultats de segmentation de SBLS et TPLBLS ont été évalués et comparés à certaines approches existantes en utilisant trois métriques : le coefficient de similarité (Dice), la distance d'Hausdorff modifiée et l'erreur quadratique moyenne. Les résultats obtenus montrent la robustesse des modèles SBLS et TPLBLS proposés. Cependant, l'approche TPLBLS a fourni les meilleures performances et a remarquablement amélioré les résultats de la segmentation.
| | Directeur de thèse : | ZOUAGUI Tarik |
Segmentation of medical images by geometric deformable models under topological constraints [texte imprimé] / YAHIA LAHSSENE Yamina, Auteur . - 2021-2022 . - + CD. Langues : Anglais ( eng) | Catégories : | Electronique:electronique
| | Mots-clés : | Image segmentation, geometric deformable models, level set, topology preservation,
heart ventricles, and brain tumors.
Segmentation d'images, modèles déformables géométriques, ensemble de niveau,
préservation de la topologie, ventricules cardiaques, tumeurs cérébrales. | | Résumé : | Image segmentation has been considered as a vital step in analysis of medical image, such as MRI, to detect and identify several pathologies and/or organ abnormalities. This is usually performed manually by experts who find it tedious and time consuming. As an alternative, different automatic and semi-automatic methods of MRI segmentation have been proposed in the literature. Many of those methods are based on deformable models. We also, by this work, opted for accurate MRI slices segmentation using deformable models in addition to topology constraints.
We initiated our thesis with a theoretical background of both types of the DMs: Parametric deformable models (PDMs) and geometric deformable models (GDMs). We focused more on GDMs due to there several advantages over PDMs such as their intrinsic behavior, ease of implementation and ability to handle automatic topology changes. Then, we presented two topology preserving concepts: simple point and self-repelling force used to constrain the DMs flexibility in a way that preserves its topology during the segmentation process.
After, we describe in detail our proposed topology preserving geometric deformable model (TPGDM) for MRI segmentation. It’s the result of successful combination of our proposed GDM with the self-repelling force topology preserving concept. We needed first to test the GDM without then with topology control in order to demonstrate its contribution in enhancing the results of segmentation. So, we started by introducing the proposed deformable model for MRI segmentation: Selective binary level set (SBLS). It is based on selective binary Gaussian filter level set (SBGFRLS). It successfully provides either global or local segmentations with no requirement of a preprocessing phase. In its local variant, LBLS (local binary level set) is able to control the number of objects to be segmented simultaneously among all the existing ones. Nevertheless SBLS model couldn’t achieve the expected level of precision and it may produces unexpected contours eventually. Then we add the self-repelling force concept to the SBLS model to constrain its topology which is in fact our proposed TPGDM: Topology preserving selective binary level set (TPSBLS). This remarkably enhances the performance of the active model in many ways; more robustness towards image quality and absence of undesirable contours. Also, TPSBLS model doesn’t need any preprocessing step and it’s also able to ensure global (TPGBLS: Topology preserving global binary level set) or local segmentation (TPLBLS: Topology preserving local binary level set).
To validate and compare the proposed approaches for single target segmentation (one heart ventricle and meningioma brain tumor) and two targets (both heart ventricles) simultaneous segmentation, we tested both LBLS and TPLBLS models on real MRI slices from four different cardiac and brain datasets; We randomly used 73 slices from RVSC MICCAI 2012 for the segmentation of the right ventricle endocardium, 176 images from the York dataset 2006 for the segmentation of the left ventricle endocardium, 158 slices from the brain MRI figshare dataset for the brain tumor (meningioma) extraction and finally 66 cardiac MRI from MICCAI 2017. The segmentation results of LBLS and TPLBLS were evaluated and compared to some existing approaches using different metrics: the dice coefficient of similarity, the modified Hausdorff distance and the root mean square error. The obtained results show the efficiency of both proposed LBLS and TPLBLS models. However, the TPLBLS approach provided the best performance and remarkably improved the results of segmentation.
La segmentation d'image est une étape essentielle de l'analyse d'images médicales, telles que les images par résonnance magnétique (IRM). Elle a pour objectif de détecter et d’identifier plusieurs pathologies et/ou anomalies d'organes. Cette opération est généralement effectuée manuellement par des experts qui la trouvent fastidieuse et lente. Comme alternative, différentes méthodes automatiques et semi-automatiques de segmentation d'IRM ont été proposées dans la littérature. Plusieurs de ces méthodes sont basées sur les modèles déformables (MDs) que nous avons choisi d’étudier dans cette thèse avec des contraintes de topologie.
Nous rappelons d’abord le contexte théorique des MDs avec ces deux catégories : Les modèles déformables paramétriques (MDPs) et les modèles déformables géométriques (MDGs). Nous nous sommes intéressés plus particulièrement aux MDGs en raison de leurs nombreux avantages par rapport aux MDPs, tels que leur comportement intrinsèque, leur facilité d'implémentation et leur capacité à gérer les changements automatiques de topologie. Puis, nous présentons deux concepts de préservation de la topologie : le point simple et la force auto-répulsive utilisés pour contraindre la flexibilité des MDGs de manière à préserver leur topologie durant le processus de segmentation.
Ensuite, nous décrivons en détail le modèle déformable géométrique avec préservation de topologie TPGDM que nous proposons pour la segmentation d'images IRM. Celui-ci est le résultat d'une combinaison d’un MDG avec le concept de force auto-répulsive servant comme contrainte topologique au modèle actif. Nous voulions d'abord tester le MDG sans puis avec le contrôle de la topologie afin de démontrer sa capacité à améliorer les résultats de segmentation. Nous présentons ainsi le modèle déformable proposé pour la segmentation d’IRM: Ensembles de Niveau Binaire Sélectif (SBLS). Il est basé sur un modèle existant SBGFRLS (Ensemble de Niveau Binaire Sélectif Filtré Gaussien). Il fournit avec succès des segmentations globales ou locales sans avoir besoin d'une phase de prétraitement. Dans sa variante locale, LBLS (Ensemble de Niveau Binaire Local) est à même de contrôler le nombre d'objets à segmenter simultanément parmi tous ceux existants. Néanmoins, le modèle SBLS n'a pas pu atteindre le taux de précision souhaité et il peut éventuellement produire des contours imprévus. Ensuite, nous associons le concept de force auto-répulsive au modèle SBLS pour contraindre sa topologie, qui donne en fait notre modèle proposé TPGDM: Ensemble de Niveau Binaire Sélectif avec Préservation de Topologie (TPSBLS). Cela permet d'améliorer remarquablement les performances du modèle actif à plusieurs niveaux : plus de robustesse vis-à-vis de la qualité de l'image et l'absence de contours indésirables. De plus, le modèle TPSBLS n'implique aucune étape de prétraitement et sert également à fournir une segmentation globale ou locale.
Afin de valider les approches proposées pour la segmentation d'un seul objet (un ventricule cardiaque ou une tumeur cérébrale de type méningiome) et la segmentation simultanée de deux objets (les deux ventricules cardiaques), nous avons testé nos modèles SBLS et TPLBLS sur des coupes (IRM) réelles provenant de quatre bases de données différentes cardiaques et cérébrales; Nous avons utilisé 73 images de la base RVSC MICCAI 2012 pour la segmentation de l'endocarde du ventricule droit, 176 images de la base York 2006 pour la segmentation de l'endocarde du ventricule gauche, 158 coupes d'IRM cérébrales de la base figshare pour l'extraction du méningiome et enfin 66 slices d'IRM cardiaques de la base MICCAI 2017. Les résultats de segmentation de SBLS et TPLBLS ont été évalués et comparés à certaines approches existantes en utilisant trois métriques : le coefficient de similarité (Dice), la distance d'Hausdorff modifiée et l'erreur quadratique moyenne. Les résultats obtenus montrent la robustesse des modèles SBLS et TPLBLS proposés. Cependant, l'approche TPLBLS a fourni les meilleures performances et a remarquablement amélioré les résultats de la segmentation.
| | Directeur de thèse : | ZOUAGUI Tarik |
|
Faire une suggestion Affiner la rechercheSegmentation of medical images by geometric deformable models under topological constraints / YAHIA LAHSSENE Yamina
SUIVI DE L’ETAT DU CONDUCTEUR PAR VISION / YAHIA LAHSSENE Yamina
