Segmentação automática de tecidos cerebrais

• Autor(a) principal: Mestre, João Nuno Loução
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.26/16685
• topic: Processos de Dirichlet; Modelo de mistura Gaussianas; Segmentação; Ressonância magnética; Tecidos cerebrais

No âmbito da cadeira de Projeto do Mestrado em Instrumentação Biomédica foi proposto o trabalho de segmentação automática de tecidos cerebrais de imagens de ressonância magnética para ser um classificador num sistema de segmentação já existente. O trabalho teve como objetivo principal obter um modelo estatístico de previsão das intensidades dos pixéis para os diferentes tipos de tecidos cerebrais, através de modelos de mistura Gaussianas por processos de Dirichlet, das imagens da ressonância magnética. Com isso, foi feito um levantamento dos modelos estatísticos de previsão, quer paramétricos quer não-paramétricos, onde o modelo de mistura Gaussianas por processos de Dirichlet se insere. Também foi estudado o modelo de mistura Gaussianas por processos de Dirichlet apresentando a sua estrutura e o seu procedimento para calcular a distribuição de previsão dos dados observados. O trabalho experimental realizado apresenta a capacidade do modelo de mistura Gaussianas por processos de Dirichlet fazer a previsão de dados amostrados a partir de distribuições conhecidas, onde revela que o modelo consegue estimar corretamente a distribuição preditiva dos dados e até para amostras de misturas de distribuições conhecidas. Uma vez conhecida a aptidão do modelo de mistura Gaussianas por processos de Dirichlet para estimar a distribuição preditiva dos dados, foi realizada a sua implementação na segmentação de tecidos cerebrais. O resultado obtido da segmentação feita por modelos de mistura Gaussianas por processos de Dirichlet para os tecidos cerebrais, em comparação com um método de previsão paramétrico, indica que a segmentação por modelos de mistura Gaussianas por processos de Dirichlet obtém melhores resultados embora com limitações. Verificando essas limitações, descobrimos que a sua causa se deve à sobreposição de intensidades dos tecidos cerebrais. Com isso, alterámos o modelo para que este se ajustasse às intensidades dos tecidos cerebrais a fim de diminuir as limitações. No caso do tecido líquido cerebrospinal, modificámos o modelo para trabalhar com a distribuição Riciana. Observou-se que com essa alteração que a segmentação proposta melhorou com uma pequena diferença. No caso do tecido substância branca, modificámos o modelo para trabalhar com novas distribuições: Genlogistic, Powernorm, Log Gama, Gumbel enviesada à esquerda e Johnson Su. Apenas o modelo que trabalha com a distribuição Johnson Su é que consegue melhorar a segmentação dos tecidos cerebrais embora com uma diferença mínima.