Ocena metody zbiorów poziomicowych stosowanych do segmentacji trójwymiarowych obrazów fantomów cyfrowych oraz obrazów naczyń krwionośnych mózgu TOF-SWI rezonansu magnetycznego

Strzelecki, M.; Materka, A.; Kociński, M.; Szczypiński, P.; Deistung, A.; Reichenbach, J.

Artykuł - szczegóły

Tytuł artykułu

Ocena metody zbiorów poziomicowych stosowanych do segmentacji trójwymiarowych obrazów fantomów cyfrowych oraz obrazów naczyń krwionośnych mózgu TOF-SWI rezonansu magnetycznego

Autorzy

Strzelecki M. , Materka A. , Kociński M. , Szczypiński P. , Deistung A. , Reichenbach J.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Evaluation of level set method in segmentation of 3D digital phantom images and brain vessels TOF-SWI MR images

Języki publikacji

Abstrakty

W pracy zbadano dokładność metody segmentacji level set stosowanej do analizy trójwymiarowych obrazów fantomów przedstawiających fragmenty naczyń oraz układ drzew krwionośnych. Badano przydatność metody do detekcji cienkich naczyń (o średnicy mniejszej niż rozmiar woksela obrazu) oraz jej odporność na zakłócenia. Oceny metody dokonano za pomocą obiektywnej miary ilościowej opisującej dokładność segmentacji. Metodę level set wykorzystano również do segmentacji rzeczywistych trójwymiarowych obrazów TOF-SWI (Time Of Flight and Susceptibility Weighted Imaging) rezonansu magnetycznego naczyń krwionośnych mózgu wraz z metodą Sato, wykorzystującą filtrację wieloskalową. Wstępne wyniki, w postaci trójwymiarowych modeli naczyń krwionośnych, są obiecujące. W pracy przedstawiono kierunki dalszych badań prowadzących do uzyskania dokładniejszych modeli układu krwionośnego, zwłaszcza dla naczyń o małych średnicach.

The objective of this work is to evaluate performance of the level set approach applied to segmentation of 3D images of computer-simulated blood-vessel phantoms and artificial vascular trees. The segmentation of thin vessels with diameter smaller than voxel size and influence of noise on segmentation results, were studied. Quantitative measures of segmentation accuracy were used for the methods evaluation. The level set technique was also used for segmentation of 3D TOF-SWI MR (Time Of Flight and Susceptibility Weighted Magnetic Resonance Imaging) brain vessels images. Also, the multiscale filtering approach was applied. Preliminary results in the form of 3D vein and artery models are promising. Further work aimed at more accurate modeling of brain vasculature, focused on thin vessels detection is also addressed.

Słowa kluczowe

rezonans magnetyczny naczynie krwionośne 3D układ krwionośny

3D circulatory system magnetic resonance blood vessel

Wydawca

Jacek Doskocz

Czasopismo

Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna

Rocznik

2010

Tom

Vol. 16, nr 2

Strony

167--172

Opis fizyczny

Bibliogr. 21 poz.

Twórcy

autor

Strzelecki M.

autor

Materka A.

autor

Kociński M.

autor

Szczypiński P.

autor

Deistung A.

autor

Reichenbach J.

Instytut Elektroniki, Politechnika Łódzka, ul. Wólczańska 211/215, 90-924 Łódź, tel. +48 (42) 631 26 31, mstrzel@p.lodz.pl

Bibliografia

1. F. Frangi, W. J. Niessen, K. L. Vincken, M. A. Viergever: Muliscale Vessel Enhancement Filtering, Proc. of MICCAI 1998, s. 130-137.
2. N. Passat, C. Ronse, J. Baruthio, J.-P. Armspach: Automatic parameterization of grey-level hit-or-miss operators for brain vessel segmentation, Proc. of ICASSP 2005,vol. 2, s. 737-740.
3. E. Sorantin, C. Halmai, B. Erdohelyi, K. Palagyi, L. Nyul, K. Olle, B. Geiger, F. Lindbichler, G. Friedrich, K. Kiesler: Spiral-CT based assessment of tracheal stenoses using 3-dskeletonization, IEEE Transactions on Medical Imaging, vol. 21(3), 2002, s. 263-273.
4. Y. Hu, W. Rogers, D. Coast, C. Kramer, N. Reichek: Vessel boundary extraction based on a global and local deformable physical model with variable stiffness, Journal of Magnetic Resonance Imaging, vol. 16(8), 1998, s. 943-951.
5. J. Chen, A. Amini: Quantifying 3-D vascular structures in MRA images using hybrid PDE and geometric deformable models, IEEE Transactions on Medical Imaging, vol. 23(10), 2004, s. 1251-1262.
6. R. Manniesing, B.K. Velthuis, M.S. van Leeuwen, I.C. van der Schaaf, P.J. van Laar, W.J. Niessen: Level set based cerebral vasculature segmentation and diameter quantification in CT angiography, Medical Image Analysis, vol. 10, 2006,s. 200-214.
7. L. Lorigo, W. Grimson, L. Eric, O. Faugeras, R. Keriven, R. Kikinis, A. Nabavi, C.F. Westin: Two geodesic active contours for the segmentation of tubular structures, Proc.Comput. Vision Pattern Recognition (CVPR), 2000, s. 444-451.
8. N. Passat, C. Ronse J. Baruthio, J.P. Armspach C. Maillot: Magnetic resonance angiography: From anatomical knowledge modeling to vessel segmentation, Medical Image Analysis, vol. 10, 2006, s. 259-274.
9. J. Suri, K. Liu, L. Reden, S. Laxminarayan: A review on MR vascular image processing algorithms: acquisition and prefiltering: Part I & II, IEEE Transactions on Information Technology In Biomedicine, vol. 6(4), 2002, s. 324-337,338-360.
10. A. Deistung, E. Dittrich, J. Sedlacik, A. Rauscher, J. Reichenbach: ToF-SWI: A dual-echo sequence for simultaneous time-of flight angiography and susceptibility weighted imaging, Proc. of 17th Scientific Meeting, International Society for Magnetic Resonance in Medicine, 2009,s. 2650.
11. C. Kirbas, F. Quek: A review of vessel extraction techniques and algorithms, ACM Computing Surveys, vol. 36(2), 2004,s. 81-121.
12. A. Deistung, E. Dittrich, J. Sedlacek, A. Rauscher, J. Reichenbach: ToF-SWI: Simultaneous time of flight and fully compensated susceptibility weighted imaging, Journal of Magnetic Resonance Imaging, vol. 29(6), 2009, s. 1478-1484.
13. K.W. Sum, P. Cheung: Vessel extraction under non-uniform illumination: A level set approach, IEEE Transaction on Biomedical Engineering, vol. 55(1), 2008, s. 358-360.
14. M. Strzelecki, P. Szczypinski, A. Materka, M. Kocinski, A. Sankowski: Level-set segmentation of noisy 3D images of numerically simulated blood vessels and vascular trees, Proc. Of 6th International Symposium on Image and Signal Processing and Analysis, s. 742-747.
15. Y. Sato, S. Nakajima, H. Atsumi, T. Koller, G. Gerig, S.Yoshida, R. Kikinis: 3D multi-scale line filter for segmentation and visualization of curvilinear structures in medical image, 1997, http://www.spl.harvard.edu/archive/splpre2007/pages/papers/yoshi/cr.html.
16. R. Nowak: Wavelet-based Rician noise removal for magnetic resonance imaging, IEEE Transactions on Image Processing, vol. 8, 1999, s. 1409-1418.
17. R. Karch, F. Neumann, M. Neumann, W. Schreiner:A three-dimensional model for arterial representation, generated by constrained constructive optimization, Computers in Biology and Medicine, vol. 29, 1999, s. 19-38.
18. M. Kociński: Quantitative analysis of vascular trees represented by digital images, PhD Thesis, Technical University of Lodz, Faculty of Electrical, Electronic, Computer and Control Engineering, 2009.
19. A. Materka, M. Strzelecki, P. Szczypinski, M. Kocinski, A. Deistung, J. R. Reichenbach: Arteries tracking in simultaneous TOF-SWI MR images: image characteristics and preliminary results, Proceedings of 6th International Symposium on Image and Signal Processing and Analysis, s. 748-753.
20. T. Chan, L. Vese: Active Contours Without Edges, IEEE Transactions on Image Processing, vol. 10(2), 2001, s. 266-277.
21. P. Tan, M. Steinbach, V. Kumar: Introduction to data mining, Addison Wesley, 2005.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BSL7-0048-0037