Graph- based segmentation of skeletal striated muscles in NMR images

作者
Pierre‐Yves Baudin
出处
期刊: 被引量:2
摘要

La segmentation d’images anatomiques de muscles striés squelettiques acquises par résonance magnétique nucléaire (IRM) présente un grand intérêt pour l’étude des myopathies. Elle est souvent un préalable nécessaire pour l’étude les mécanismes d’une maladie, ou pour le suivi thérapeutique des patients. Cependant, le détourage manuel des muscles est un travail long et fastidieux, au point de freiner les recherches cliniques qui en dépendent. Il est donc nécessaire d’automatiser cette étape. Les méthodes de segmentation automatique se basent en général sur les différences d’aspect visuel des objets à séparer et sur une détection précise des contours ou de points de repère anatomiques pertinents. L’IRM du muscle ne permettant aucune de ces approches, la segmentation automatique représente un défi de taille pour les chercheurs. Dans ce rapport de thèse, nous présentons plusieurs méthodes de segmentation d’images de muscles, toutes en rapport avec l’algorithme dit du marcheur aléatoire (MA). L’algorithme du MA, qui utilise une représentation en graphe de l’image, est connu pour être robuste dans les cas où les contours des objets sont manquants ou incomplets et pour son optimisation numérique rapide et globale. Dans sa version initiale, l’utilisateur doit d’abord segmenter de petites portions de chaque région de l’image, appelées graines, avant de lancer l’algorithme pour compléter la segmentation. Notre première contribution au domaine est un algorithme permettant de générer et d’étiqueter automatiquement toutes les graines nécessaires à la segmentation. Cette approche utilise une formulation en champs aléatoires de Markov, intégrant une connaissance à priori de l’anatomie et une détection préalable des contours entre des paires de graines. Une deuxième contribution vise à incorporer directement la connaissance à priori de la forme des muscles à la méthode du MA. Cette approche conserve l’interprétation probabiliste de l’algorithme original, ce qui permet de générer une segmentation en résolvant numériquement un grand système linéaire creux. Nous proposons comme dernière contribution un cadre d’apprentissage pour l’estimation du jeu de paramètres optimaux régulant l’influence du terme de contraste de l’algorithme du MA ainsi que des différents modèles de connaissance à priori. La principale difficulté est que les données d’apprentissage ne sont pas entièrement supervisées. En effet, l’utilisateur ne peut fournir qu’une segmentation déterministe de l’image, et non une segmentation probabiliste comme en produit l’algorithme du MA. Cela nous amène à faire de la segmentation probabiliste optimale une variable latente, et ainsi à formuler le problème d’estimation sous forme d’une machine à vecteurs de support latents (latent SVM). Toutes les méthodes proposées sont testées et validées sur des volumes de muscles squelettiques acquis par IRM dans un cadre clinique.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
蛋蛋发布了新的文献求助10
1秒前
葛葛巫完成签到,获得积分10
1秒前
路不迷发布了新的文献求助10
2秒前
2秒前
深情安青的应助被Vicky采纳,获得10
2秒前
3秒前
4秒前
4秒前
水煮电吹风的应助被叉叉不叉采纳,获得10
4秒前
Yh完成签到,获得积分10
4秒前
123发布了新的文献求助10
5秒前
EAZE发布了新的文献求助20
5秒前
日薪月亿发布了新的文献求助10
5秒前
6秒前
小蘑菇的应助被DW采纳,获得10
7秒前
8秒前
iris发布了新的文献求助10
8秒前
8秒前
8秒前
8秒前
wg发布了新的文献求助10
9秒前
10秒前
11秒前
安详靖巧完成签到,获得积分10
11秒前
12秒前
乌贼爱吃发布了新的文献求助10
12秒前
12秒前
英俊的铭的应助被action采纳,获得10
13秒前
木炭发布了新的文献求助10
13秒前
13秒前
crescendo完成签到,获得积分10
14秒前
growl完成签到,获得积分10
14秒前
15秒前
Sealthy完成签到,获得积分10
16秒前
科目三的应助被xixi采纳,获得10
17秒前
123关闭了123的文献求助
17秒前
MOLLY完成签到 ,获得积分10
17秒前
wei发布了新的文献求助10
17秒前
halo完成签到,获得积分10
17秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8188295
求助须知:如何正确求助?哪些是违规求助? 9576112
关于积分的说明 21845392
捐赠科研通 7786320
什么是DOI,文献DOI怎么找? 3435276
关于科研通互助平台的介绍 2559581
邀请新用户注册赠送积分活动 2482182