Medical images analysis with fractal filters

Abstract

This work covers two main topics, the liver-organ segmentation in computed tomography images, and detection of neural activity in functional magnetic resonance imaging. The aim of this work is adaptation and analysis of a fractal model to segment liver region from computed tomography scans. Development and analysis of the method for neural activity detection in functional magnetic resonance imaging is included also. The tasks aiming these can be described in detail as follows. To adapt multifractal analysis to segmentation of liver region from computed tomography scans. To adapt fractal coding to segmentation of liver region from computed tomography scans. Neural activity detection in functional magnetic resonance images with additional a priori information on input signal. The tasks formulated are solved using multifractal analysis, fractal coding technique adapted to segmentation of images and general linear model with Bayes probability theory. The thesis layout consists of introduction chapter, four main chapters, conclusion chapter, bibliography chapter and appendices. The results of thesis were published in five scientific publications, three of which in the reviewed scientific publications. The results of thesis were announced in eight conferences also. The main results can be described as follows. Multifractal analysis adapted to segment liver region from computed tomography scans gives similar segmentation results according to the dice similarity coefficient in comparison to the other works. The results according to this coefficient fall approximately within interval between 75.76 % and 97.47 % for one image. The liver segmentation from computed tomography scans using fractal coding technique can achieve segmentation accuracy to 94.31 % according to the dice similarity coefficient for one image. However contrast variations in image have big negative impact on these results. False negative ratio in segmented image is bigger than established limit of 5 %. Detection of neural activity in functional magnetic resonance imaging with a priori information on input signal can improve detection results in comparison to the classical method. It gives 33 % less error probability value in comparison to classical method.

Darbe nagrinėjama medicininių atvaizdų analizės problema susideda iš dviejų temų. Pirmoji tema yra kepenų srities segmentavimas kompiuterinėse tomogramose, o antroji tema – aktyvuotų neuronų grupių atpažinimas funkcinio magnetinio rezonanso tomogramose. Tai problemos neturinčios visuotinai priimto sprendimo būdo. Darbo tikslas – ištirti galimybę taikyti fraktalų matematinį modelį kepenų sričiai segmentuoti kompiuterinės tomografijos atvaizduose, pritaikant egzistuojančias metodikas ir jas ištiriant; sukurti ir ištirti metodą, skirtą aktyvuotiems smegenų neuronams atpažinti funkcinio magnetinio rezonanso tomografijos atvaizduose. Pastaruoju atveju siekiama ištirti ar galima pagerinti aktyvuotų neuronų grupių atpažinimo rezultatus panaudojant a priori informaciją apie žadinimo signalą. Kepenų srities segmentavimo kompiuterinėse tomogramose atveju taikoma multifraktalinės parametrizacijos metodika, parenkant šiai užduočiai spręsti tinkamus parametrus. Taip pat tiriama fraktalinio kodavimo metodikos taikymo galimybė kepenų sričiai segmentuoti kompiuterinėse tomogramose. Tai sudaro uždavinius, kurie sprendžiami pasitelkiant šias metodikas: multifraktalinės parametrizacijos metodiką, fraktalinio kodavimo metodiką ir Bajeso tikimybinę metodiką. Disertacijos aiškinamąjį raštą sudaro įvadas, keturi pagrindiniai skyriai, išvados, literatūros sąrašas ir priedai. Tyrimų rezultatai paskelbti iš viso 5-iuose moksliniuose straipsniuose iš kurių trys – recenzuojamuose mokslo leidiniuose. Šie rezultatai taip pat pristatyti 8-iose konferencijose. Pasitelkiant pritaikytą multifraktalinės parametrizacijos metodiką ir taikant parinktus parametrus, gaunami kepenų srities segmentavimo rezultatai, atskiro atvaizdo, pagal panašumo indeksą yra panašios eilės kaip ir kituose darbuose, t. y. yra intervale nuo 75,76 % iki 97,47 %. Tiriant fraktalinio kodavimo metodikos galimybę taikyti kepenų kompiuterinėms tomogramoms segmentuoti nustatyta, kad segmentuoti atvaizdai lyginant su kepenų modeliu sutampa iki 94,31 % pagal panašumo indeksą, atskiram atvaizdui, naudojant Londhe et al (2004) metodą. Tačiau dėl netolygaus kontrasto nagrinėjamuose atvaizduose, praktiškai visuomet gaunamas didesnis nei leidžiama (5 %) klaidingai neigiamai segmentuotų elementų atvaizde kiekis. Nustatyta, kad a priori informacijos apie žadinimo signalą panaudojimas, nustatant aktyvuotas neuronų grupes, leidžia gauti iki 33 % tikslesnius rezultatus lyginant su klasikiniu metodu.