|
Abstract:
|
Las enfermedades cardiovasculares (ECVs) son la principal causa de mortalidad en el mundoOccidental. El interés de prevenir y tratar las ECVs ha desencadenado un rápido desarrollo de lossistemas de adquisición de imágenes médicas. Por este motivo, la cantidad de datos de imagenrecolectados en las instituciones de salud se ha incrementado considerablemente. Este hecho haaumentado la necesidad de herramientas automatizadas para dar soporte al diagnóstico, medianteuna interpretación de imagen confiable y reproducible. La tarea de interpretación requiere traducirlos datos crudos de imagen en parámetros cuantitativos, los cuales son considerados relevantespara clasificar la condición cardiaca de un paciente. Para realizar tal tarea, los métodos basados enmodelos estadísticos de forma han recibido favoritismo dada la naturaleza tridimensional (o 3D+t)de las imágenes cardiovasculares. Deformando el modelo estadístico de forma a la imagen de unpaciente, el corazón puede analizarse de manera integral.Actualmente, el campo de las imágenes cardiovasculares esta constituido por diferentes modalidades.Cada modalidad explota diferentes fenómenos físicos, lo cual nos permite observar elórgano cardiaco desde diferentes ángulos. El personal clínico recopila todas estas piezas de informacióny las ensambla mentalmente en un modelo integral. Este modelo integral incluye informaciónanatómica y funcional que muestra un cuadro completo del corazón del paciente. Esde alto interés transformar este modelo mental en un modelo computacional capaz de integrar lainformación de manera global. La generación de un modelo como tal no es simplemente un reto devisualización. Requiere una metodología capaz de extraer los parámetros cuantitativos relevantesbasados en los mismos principios técnicos. Esto nos asegura que las mediciones se pueden comparardirectamente. Tal metodología debe ser capaz de: 1) segmentar con precisión las cavidadescardiacas a partir de datos multimodales, 2) proporcionar un marco de referencia único para integrarmúltiples fuentes de información, y 3) asistir la clasificación de la condición cardiaca delpaciente.Esta tesis se basa en que los modelos estadísticos de forma, y en particular los Modelos Activosde Forma, son un método robusto y preciso con el potencial de incluir todos estos requerimientos.Para procesar múltiples modalidades de imagen, separamos la información estadística de formade la información de apariencia. Obtenemos la información estadística de forma a partir de unamodalidad de alta resolución y aprendemos la apariencia simulando la física de adquisición deotras modalidades.Las contribuciones de esta tesis pueden ser resumidas así: 1) un método genérico para construirautomáticamente modelos de intensidad para los Modelos Activos de Forma simulando lafísica de adquisición de la modalidad en cuestión, 2) la primera extensión de un simulador de ResonanciaMagnética Nuclear diseñado para producir estudios cardiacos realistas, y 3) un métodonovedoso para el entrenamiento automático de modelos de intensidad y de fiabilidad aplicado aestudios cardiacos de Resonancia Magnética Nuclear. Cada una de estas contribuciones representaun artículo publicado o enviado a una revista técnica internacional.
Cardiovascular diseases (CVDs) are the major cause of death in the Western world. The desireto prevent and treat CVDs has triggered a rapid development of medical imaging systems. Asa consequence, the amount of imaging data collected in health care institutions has increasedconsiderably. This fact has raised the need for automated analysis tools to support diagnosis withreliable and reproducible image interpretation. The interpretation task requires to translate rawimaging data into quantitative parameters, which are considered relevant to classify the patient’scardiac condition. To achieve this task, statistical shape model approaches have found favoritismgiven the 3D (or 3D+t) nature of cardiovascular imaging datasets. By deforming the statisticalshape model to image data from a patient, the heart can be analyzed in a more holistic way.Currently, the field of cardiovascular imaging is constituted by different modalities. Each modalityexploits distinct physical phenomena, which allows us to observe the cardiac organ fromdifferent angles. Clinicians collect all these pieces of information to form an integrated mental model.The mental model includes anatomical and functional information to display a full pictureof the patient’s heart. It is highly desirable to transform this mental model into a computationalmodel able to integrate the information in a comprehensive manner. Generating such a model isnot simply a visualization challenge. It requires having a methodology able to extract relevantquantitative parameters by applying the same principle. This assures that the measurements aredirectly comparable. Such a methodology should be able to: 1) accurately segment the cardiaccavities from multimodal datasets, 2) provide a unified frame of reference to integrate multipleinformation sources, and 3) aid the classification of a patient’s cardiac condition.This thesis builds upon the idea that statistical shape models, in particular Active Shape Models,are a robust and accurate approach with the potential to incorporate all these requirements.In order to handle multiple image modalities, we separate the statistical shape information fromthe appearance information. We obtain the statistical shape information from a high resolutionmodality and include the appearance information by simulating the physics of acquisition of othermodalities.The contributions of this thesis can be summarized as: 1) a generic method to automaticallyconstruct intensity models for Active Shape Models based on simulating the physics of acquisitionof the given imaging modality, 2) the first extension of a Magnetic Resonance Imaging (MRI)simulator tailored to produce realistic cardiac images, and 3) a novel automatic intensity model andreliability training strategy applied to cardiac MRI studies. Each of these contributions representsan article published or submitted to a peer-review archival journal.
|
