Advanced

Statistical Segmentation and Registration of Medical Ultrasound Data

Hansson, Mattias LU (2012)
Abstract (Swedish)
Popular Abstract in Swedish

De flesta kommer i kontakt med medicinskt ultraljud under sina liv, t.ex vid foster- eller hjärtdiagnostik. Det vanliga intrycket av ultraljud är en grynig bild eller film som kan framstå som svårtolkad för en lekman. Sanningen är att ultraljud även kan vara svårtolkat för experter, vilket gör att kliniskt arbete med ultraljud är tidskrävande. Detta är en anledning till att forskning inom datoralgoritmer, som förbättrar tolkningen av ultraljud, är ett aktivt område. Dessutom har ultraljud många fördelar, som relativ billighet, säkerhet och mobilitet, jämfört med andra medicinska modaliteter, som t.ex magnetröntgen och datortomografi.



I denna avhandling presenterar vi metoder... (More)
Popular Abstract in Swedish

De flesta kommer i kontakt med medicinskt ultraljud under sina liv, t.ex vid foster- eller hjärtdiagnostik. Det vanliga intrycket av ultraljud är en grynig bild eller film som kan framstå som svårtolkad för en lekman. Sanningen är att ultraljud även kan vara svårtolkat för experter, vilket gör att kliniskt arbete med ultraljud är tidskrävande. Detta är en anledning till att forskning inom datoralgoritmer, som förbättrar tolkningen av ultraljud, är ett aktivt område. Dessutom har ultraljud många fördelar, som relativ billighet, säkerhet och mobilitet, jämfört med andra medicinska modaliteter, som t.ex magnetröntgen och datortomografi.



I denna avhandling presenterar vi metoder för segmentering och registrering av ultraljudsdata. Segmentering är en potentiellt tidskrävande process där olika anatomiska strukturer märks ut i ultraljudsdata. Vi presenterar tre olika segmenteringalgoritmer för endokardiet, dvs hjärtsäcken. Segmentering av endokardiet är relevant för att kunna approximera hjärtvolym, nödvändigt som hjälpmedel vid diagnos av hjärtsjukdom. I konstruktionen av dessa algoritmer har vi utnyttjat att ultraljudssignalen kan modelleras statistiskt och inkluderat forminformation av hjärtkammare, som inhämtats från manuella segmenteringar.

Registrering, dvs sammanfogning av bilder eller sekvenser, är avgörande för att bedöma utseendet

av strukturer i kroppen. En viktig applikation är spårning av sjukdomsförlopp; det är uppenbart att detta kräver korrekt rekonstruerade bilddata för att kunna genomföras. För att en korrekt registrering ska kunna ske krävs att det är möjligt att kunna mäta likhet mellan datapunkter, och därför har vi lanserat flera matematiska mått för att mäta likhet i ultraljudsdata.



Vi har i experiment visat användbarheten av våra segmenteringsalgoritmer genom jämförelse med motsvarande manuella segmentering av biomedicinisk analytiker och resultat från tidigare

studier. Registreringsalgoritmerna har applicerats på ultraljudsbilder av mänsklig nacke, och för rekonstruktion av hjärna från en mängd ultraljudsbilder som inhämtats med en ultraljudsgivare placerad vid tinningarna på patienten. Vi har observerat signifikant förbättrade resultat i jämförelse med standardalgoritmer för registrering.



De utvecklade metoderna har potential att underlätta bedömningen av olika sjukdomstillstånd. Segmenteringsalgoritmerna underlättar bedömningen av hjärtvolym, vilket är avgörande för diagnos av ischemisk hjärtsjukdom, medan registreringsalgoritmer kan underlätta diagnos av degenerativa sjukdomar. En av de utvecklade metoderna appliceras på rekonstruktion av mellanhjärnan, specifikt substantia nigra vars utveckling över tid är en viktig del av diagnos av Parkinsons sjukdom. (Less)
Abstract
The interpretation of ultrasonic imagery is typically not straightforward and of quite subjective nature and therefore strongly dependent on the expertise of its users. Thus the development of algorithms which aid in the interpretation of ultrasonic data is a highly relevant topic. This thesis examines aspects of segmentation and registration of ultrasonic data, utilizing the fact that the ultrasound signal can be modeled statistically. The object of segmentation is the endocardium in the left-ventricular long-axis view of the human heart in clinical B-mode ultrasound (US) image sequences, while similarity measures for feature descriptors and registration are applied to the envelope-detected radio frequency US data of the human neck and... (More)
The interpretation of ultrasonic imagery is typically not straightforward and of quite subjective nature and therefore strongly dependent on the expertise of its users. Thus the development of algorithms which aid in the interpretation of ultrasonic data is a highly relevant topic. This thesis examines aspects of segmentation and registration of ultrasonic data, utilizing the fact that the ultrasound signal can be modeled statistically. The object of segmentation is the endocardium in the left-ventricular long-axis view of the human heart in clinical B-mode ultrasound (US) image sequences, while similarity measures for feature descriptors and registration are applied to the envelope-detected radio frequency US data of the human neck and brain. Locally and globally optimal variational active contour methods and a Bayesian Markov Chain Monte Carlo sampling method are applied to the segmentation problem, utilizing prior formulations for shape and regularization. A feature descriptor is proposed which combines global data statistics, by a maximum-likelihood-estimated distribution, with local pattern characteristics, employing Markov Random Field interaction parameters. For registration we propose two approaches. Firstly, a hybrid procedure incorporating global statistics, by Hellinger distance between distribution in images, and local textural features by a statistics-based extension of Fuzzy Local Binary Patterns. Secondly, we explore the registration of 3D freehand US data, where view dependency of ultrasound is addressed by modeling speckle statistics, using a finite mixture model. The proposed methods for segmentation, feature description and registration are evaluated through experiments and/or comparative experiments to state-of-the-art models. (Less)
Please use this url to cite or link to this publication:
author
supervisor
opponent
  • Dr Destrempes, Francois, Laboratoire de Biorhéologie et d'Ultrasonographie Médicale (LBUM), Centre de Recherche du Centre Hospitalier de l'Université de Montréal (CRCHUM), Montreal, Canada
organization
publishing date
type
Thesis
publication status
published
subject
keywords
Registration, Segmentation, Feature descriptor, Statistical image and signal processing, Medical ultrasound, Variational methods, Mixture model, Bayesian, Markov Chain Monte Carlo, Similarity measur
pages
189 pages
defense location
Lecture hall MH309:A, Centre for Mathematical Sciences, Sölvegatan 18, Lund University Faculty of Engineering
defense date
2012-11-09 13:15
ISSN
1404-0034
language
English
LU publication?
yes
id
28868c66-9a25-4bf5-9266-e674e2d1b980 (old id 3129292)
alternative location
http://www.maths.lth.se/matematiklth/personal/mattiash/thesis.pdf
date added to LUP
2012-10-17 11:33:20
date last changed
2016-09-19 08:45:00
@misc{28868c66-9a25-4bf5-9266-e674e2d1b980,
  abstract     = {The interpretation of ultrasonic imagery is typically not straightforward and of quite subjective nature and therefore strongly dependent on the expertise of its users. Thus the development of algorithms which aid in the interpretation of ultrasonic data is a highly relevant topic. This thesis examines aspects of segmentation and registration of ultrasonic data, utilizing the fact that the ultrasound signal can be modeled statistically. The object of segmentation is the endocardium in the left-ventricular long-axis view of the human heart in clinical B-mode ultrasound (US) image sequences, while similarity measures for feature descriptors and registration are applied to the envelope-detected radio frequency US data of the human neck and brain. Locally and globally optimal variational active contour methods and a Bayesian Markov Chain Monte Carlo sampling method are applied to the segmentation problem, utilizing prior formulations for shape and regularization. A feature descriptor is proposed which combines global data statistics, by a maximum-likelihood-estimated distribution, with local pattern characteristics, employing Markov Random Field interaction parameters. For registration we propose two approaches. Firstly, a hybrid procedure incorporating global statistics, by Hellinger distance between distribution in images, and local textural features by a statistics-based extension of Fuzzy Local Binary Patterns. Secondly, we explore the registration of 3D freehand US data, where view dependency of ultrasound is addressed by modeling speckle statistics, using a finite mixture model. The proposed methods for segmentation, feature description and registration are evaluated through experiments and/or comparative experiments to state-of-the-art models.},
  author       = {Hansson, Mattias},
  issn         = {1404-0034},
  keyword      = {Registration,Segmentation,Feature descriptor,Statistical image and signal processing,Medical ultrasound,Variational methods,Mixture model,Bayesian,Markov Chain Monte Carlo,Similarity measur},
  language     = {eng},
  pages        = {189},
  title        = {Statistical Segmentation and Registration of Medical Ultrasound Data},
  year         = {2012},
}