Τμηματοποίηση Ορθοπεδικών Δεδομένων

Abstract

Η πρόοδος της τεχνολογία έχει επιτρέψει στα συστήματα ιατρικής απεικόνισης την παραγωγή μεγάλου αριθμού ιατρικών εικόνων υψηλής ευκρίνειας. Στις εικόνες αυτές τα όρια των ανατομικών δομών πρέπει να καθοριστούν με ακρίβεια για τη σωστή κατάστρωση του πλάνου θεραπείας. Σκοπός της παρούσας διπλωματικής εργασίας είναι η παρουσίαση μιας μεθόδου τμηματοποίησης ορθοπεδικών δεδομένων. Στην εργασία αυτή αρχικά προσδιορίζονται οι λόγοι που καθιστούν την τμηματοποίηση ένα κρίσιμο στάδιο στην ανάλυση ιατρικών εικόνων. Στη συνέχεια γίνεται αναφορά στις διάφορες μεθόδους τμηματοποίησης ανάλογα με το είδος του αλγορίθμου που χρησιμοποιείται σε αυτές. Ακολούθως παρουσιάζονται αναλυτικά όλα τα στάδια της μεθόδου τμηματοποίησης ορθοπεδικών δεδομένων που αναπτύχθηκε καθώς και ενδεικτικά αποτελέσματα εφαρμογής της μεθόδου στις αρχικές εικόνες. Η μέθοδος που αναπτύχθηκε εφαρμόζεται σε εικόνες αξονικής και μαγνητικής τομογραφίας. Τα δυο είδη εικόνων λόγω των διαφορετικών τεχνικών απόκτησης τους εμφανίζουν μεγάλες διαφορές φωτεινότητας και αντίθεσης. Για την αντιμετώπιση του φαινομένου αυτού μια σειρά από φίλτρα και τεχνικές ενίσχυσης των εικόνων αναπτύχθηκε και εφαρμόστηκε στο κάθε είδος εικόνας. Η μέθοδος τμηματοποίησης που χρησιμοποιείται είναι η μέθοδος ενεργών περιγραμμάτων χωρίς ακμές. Η επιλογή αυτή έγινε γιατί η εξέλιξη της καμπύλης δεν επηρεάζεται από την κλίση της εικόνας και συνεπώς ούτε από την χαμηλή αντίθεση των εικόνων. Για να είναι εφικτή η σύγκριση των αποτελεσμάτων για τα δυο είδη εικόνων δημιουργήθηκαν τα τρισδιάστατα μοντέλα από τα αντίστοιχα περιγράμματα όλων των εικόνων αξονικής και μαγνητικής τομογραφίας.

The advancement of technology has allowed medical imaging systems to produce a large number of medical images in high definition. In these images the boundaries of anatomical structures must be set accurately for proper design of the treatment plan. The purpose of this thesis is to present a method for segmenting orthopaedic data. This thesis begins by identifying the reasons that make segmentation a crucial stage in the analysis of medical images. Afterwards the different segmentation methods are referred according to the type of algorithm used in them. Then all the steps of the data segmentation method are presented in detail as well as indicative results of the method when applied to the initial images. The method developed is applied to computed tomography and magnetic resonance images. The two types of images due to the different techniques of acquisition exhibit large differences of brightness and contrast. To address this phenomenon a series of filters and image enhancement techniques was developed and applied to each kind of image. The segmentation method used is the method of active contours without edges. This method was chosen made because the evolution of the curve is not influenced by the gradient of the image and therefore neither from the low contrast of our data. To allow a comparison of results for the two types of images three-dimensional models of the corresponding contours of all computed tomography and magnetic resonance images were created.