3D brain tumors and internal brain structures segmentation in MR images - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2008

3D brain tumors and internal brain structures segmentation in MR images

Segmentation 3D de tumeurs et de structures internes du cerveau en IRM

Résumé

The main topic of this thesis is to segment brain tumors, their components (edema and necrosis) and internal structures of the brain in 3D MR images. For tumor segmentation we propose a framework that is a combination of region-based and boundary-based paradigms. In this framework, we first segment the brain using a method adapted for pathological cases and extract some global information on the tumor by symmetrybased histogram analysis. The second step segments the tumor and its components. For this, we propose a new and original method that combines region and boundary information in two phases: initialization and refinement. For initialization, which is mostly region-based, we present two new methods. The first one is a new fuzzy classification method which combines the membership, typicality and neighborhood information of the voxels. The second one relies on symmetry-based histogram analysis. The initial segmentation of the tumor is refined relying on boundary information of the image. This method is a deformable model constrained by spatial relations. The spatial relations are obtained based on the initial segmentation and surrounded tissues of the tumor. The proposed method can be used for a large class of tumors in any modality of MR images. To segment a tumor and its components full automatically the proposed framework needs only a contrast enhanced T1-weighted image and a FLAIR image. In the case of a contrast enhanced T1-weighted image only, some user interaction will be needed. We evaluated this method on a data set of 20 contrast enhanced T1-weighted and 10 FLAIR images with different types of tumors. Another aim of this thesis is the segmentation of internal brain structures in the presence of a tumor. For this, a priori knowledge about the anatomy and the spatial organization of the structures is provided by an ontology. To segment each structure, we first exploit its relative spatial position from a priori knowledge. We then select the spatial relations which remain consistent using the information on the segmented tumor. These spatial relations are then fuzzified and fused in a framework proposed by our group. As for the tumor, the segmentation process of each structure has two steps. In the first step we search the initial segmentation of the structure in a globally segmented brain. The search process is done in the region of interest (ROI) provided by the fused spatial relations. To globally segment the brain structures we use two methods, the first one is the proposed fuzzy classification and the second one is a multiphase level sets. To refine the initial segmentation, we use a deformable model which is again constrained by the fused spatial relations of the structure. This method was also evaluated on 10 contrast enhanced T1-weighted images to segment the ventricles, caudate nucleus and thalamus.
Le sujet principal de cette thèse est la segmentation 3D de tumeurs du cerveau et de leurs différentes composantes (oedème et nécrose), ainsi que de structures internes du cerveau en IRM. Pour la segmentation de tumeurs nous proposons un cadre général qui est une combinaison des paradigmes fondés sur les régions et les contours. Dans ce cadre, nous segmentons d'abord le cerveau en utilisant une méthode adaptée aux cas pathologiques et extrayons des informations globales sur la tumeur par analyse de symétrie. La deuxième étape segmente la tumeur et ses composantes. Pour cela, nous proposons une méthode nouvelle et originale qui combine l'information de régions et de contours en deux phases. Pour la première, l'initialisation, nous présentons deux nouvelles méthodes. La première est une nouvelle méthode de classification floue qui exploite à la fois l'information des voxels et leurs voisinages (inspirés des champs Markov (MRF)), l'appartenance et la typicalité. La seconde se fonde sur l'analyse de la symétrie. La segmentation initiale de la tumeur est raffinée dans la deuxième phase par un modèle déformable contraint par des relations spatiales. Les relations spatiales sont obtenues en utilisant la segmentation initiale et les tissus environnant la tumeur. La méthode proposée peut être employée pour une grande classe de tumeurs dans n'importe quelle modalité en IRM. Pour segmenter une tumeur et ses composantes automatiquement, le cadre proposé a besoin seulement d'une image CE-T1w (con- trast enhanced T1-weighted) et d'une image FLAIR. Dans le cas d'une image CE-T1w seulement, l'interaction de l'utilisateur peut être nécessaire. Nous avons évalué cette méthode sur une base de données de 20 images CE-T1w et 10 images FLAIR avec différents types de tumeurs. Un autre but de cette thèse est la segmentation de structures internes du cerveau en présence d'une tumeur. Pour cela, une connaissance a priori sur l'anatomie et l'organisation spatiale des structures est fournie par une ontologie. Pour segmenter chaque structure, nous exploitons ses relations spatiales par rapport à d'autres structures, selon la connaissance a priori. Nous choisissons alors les relations spatiales qui sont valables en fonction de la tumeur segmentée. Ces relations spatiales sont alors modélisées dans un cadre flou proposé par notre groupe. Comme pour la tumeur, la procédure de segmentation de chaque structure comporte deux étapes. Dans la première étape nous recherchons la segmentation initiale de la structure dans le cerveau globalement segmenté. Le processus de recherche est fait dans la région d'intérêt fournie par la fusion des relations spatiales. Pour segmenter globalement les structures du cerveau nous employons deux méthodes. La première est la classification floue propos ée et la seconde repose sur les ensembles de niveaux multi-phases. Pour raffiner la segmentation initiale, nous employons un modèle déformable qui est contraint par les relations spatiales de la structure. Cette méthode a été également évaluée sur 10 images CE-T1w pour segmenter les ventricules, les noyaux caudés et les thalami.
Fichier principal
Vignette du fichier
thesis-khotanlou.pdf (9.38 Mo) Télécharger le fichier
Loading...

Dates et versions

pastel-00003662 , version 1 (09-01-2009)

Identifiants

  • HAL Id : pastel-00003662 , version 1

Citer

Hassan Khotanlou. 3D brain tumors and internal brain structures segmentation in MR images. domain_other. Télécom ParisTech, 2008. English. ⟨NNT : ⟩. ⟨pastel-00003662⟩
645 Consultations
2140 Téléchargements

Partager

Gmail Facebook X LinkedIn More