Detection, classification and visualization of CT Scan data

• Auteur / Autrice : B. Dhalila S Y Khoodoruth
• Direction : Wilfrid Lefer
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2009
• Etablissement(s) : Pau

Mots clés

Mots clés contrôlés

Ensembles de niveaux, Méthodes d'

Visualisation

Reconnaissance des formes (informatique)

Classification automatique (statistique)

Traitement d'images -- Techniques numériques

Résumé

Cette thèse concerne la détection, la classication et la visualisation des traumas crâniens en imagerie scanner du cerveau. Plusieurs méthodes de segmentation y sont étudiées : hybride, extraction de carcatéristiques, level sets, watershed et propagation de région. Nous proposons une caractérisation des différentes méthodes en fonction de la méthodologie sousjacente et des contraintes associées. Plusieurs techniques de caractérisation, telles que l'intensité des pixels, l'amplitude du gradient, la carte d'affinité et les bassins d'attraction, sont évaluées en fonction de différents paramètres. Nous avons ainsi identifié la méthode qui nous semble la mieux appropriée pour segmenter chaque type de lésion. Nous proposons également une nouvelle méthode d'extraction du contour des lésions, qui combine filtrage bilatéral, propriétés de diffusion anisotropique, algorithme watershed et opérateurs de morphologie mathématique. La fonction gradient de l'image watershed est transformée par application d'une méthode de flooding et substituée par le gradient de la fonction de diffusion anisotropique. Différentes méthodes de segmentation supervisées et non supervisées dont le k-means, le champs de Markov randomisé, l'entropie ont été expérimentées afin de segmenter chaque type de trauma : atropie cérébrale, hygrome subdurale, hématome subdurale, hématome extracrânien et contusion non hémorragique. L'efficacité de chaque méthode est évaluée pour chaque type de lésion. Parallélement à l'approche géométrique, nous évaluons la pertinence d'approches statistiques appliquées aux images après amélioration du contraste. Notre dernière contribution concerne quelques aspects cliniques liés à notre travail. Les futures directions des travaux de recherche peuvent être entamées en appliquant un 'multilayer neural work with sparse distributions and switching linear dynamical system' pour les détection des caracteristiques et classification simultanément. Une seconde direction est l'implémentation d'un atlas constituant des différentes régions de l'anatomie en comparaison des cas typiques et des cas traumatiques par une structuration basée sur les pixels par plusieurs approches.

The dissertation include the detection, classification and visualization of brain trauma lesions from Computed Tomography. Various geometrical methods have been studied such as hybrid, feature extraction, level sets, watershed and region growing which are analyzed based upon their methodological aspects and their constraints evaluations. The pixel intensities, gradient magnitude, affinity map and catchment basins of these methods are validated based upon various ranges of constraints evaluations for which we have found out and contributed. We have also contributed for the deduction of the most appropriate method of detection for specific feature in the trauma lesions. We contribute a new methodology for the featurebased contour extraction of the lesion available that uses bilateral filtering, anisotropic diffusion properties, watershed and mathematical morphology operators based mainly on the gradient function. The gradient of the gray level values of watershed pixels are transformed after flooding and substituted by the gradient magnitude of the diffusion anisotropy. The evaluations of the classification of these lesions are undertaken by pattern recognition. We propose to classify these traumatic brain injuries from CT scans by pattern recognition. The k-means and the Markov random field algorithms have been implemented and experimented for each feature of the various lesions. Entropies of these CT scans have been calculated to get an optimized statistical evaluation for each feature lesion such as brain atropy, subdural hygroma, subdural haematoma, extracranial haematoma and nonhaemorraghic contusion. These methods are compared to assess their performance and statistical accuracy with respect to the featurebased lesion sets. These featurebased lesion sets are analyzed and evaluated statistically from the intensity to the pixel values and estimated calculated volumes. The numerical interpretations of each specific feature enables a proper assessment of the evolutionary stages of the featurebased lesions. Our last contributions are based mainly on the clinical aspects from these evaluated interpretations of the featurebased lesion sets. Herewith are the future directions of the research work. A multilayer neural work with sparse distributions and switching linear dynamical system for feature detection and classification simultaneously. The second direction is an implementation of a brain atlas of trauma case to typical case through a pixelbased structuring for heterogeneous regrouping of the anatomy and realtime visualization.