This thesis presents three original and complementary approaches to enhance the quality
of Statistical Shape Models (SSMs), that improve the accuracy of medical image
segmentation in challenging applications. First, we enhance the statistical richness of SSMs
by developing a technique capable of merging the shape representations and statistical
properties of several pre-existing models with no original or additional raw data. Second,
we enhance the geometrical quality of SSMs by developing a framework ...
This thesis presents three original and complementary approaches to enhance the quality
of Statistical Shape Models (SSMs), that improve the accuracy of medical image
segmentation in challenging applications. First, we enhance the statistical richness of SSMs
by developing a technique capable of merging the shape representations and statistical
properties of several pre-existing models with no original or additional raw data. Second,
we enhance the geometrical quality of SSMs by developing a framework for modeling
simultaneously both global and local characteristics of highly complex and/or multi-part
anatomical shapes. Last, we improve the specificity of SSMs for specific subjects by
integrating individual-specific non-imaging metadata such as demographic, clinical and
behavioral variables into the SSM construction and image segmentation tasks. These
techniques are demonstrated and validated by considering various imaging modalities such
as magnetic resonance imaging (MRI) and computed tomography (CT), and different
complex anatomies, including the human heart, brain and spine.
+
Esta tesis presenta tres propuestas originales y complementarias para mejorar la
calidad de los modelos estadísticos de formas (SSMs) que mejoran la precisión
de la segmentación de la imagen médica en aplicaciones difíciles. Proponemos,
primero, mejorar la riqueza estadística de los SSMs por medio de una técnica para
unir la representación de forma y las propiedades estadísticas de muchos modelos
pre-existentes sin observaciones adicionales. Segundo, mejorar la representacion
geométrica de los SSMs ...
Esta tesis presenta tres propuestas originales y complementarias para mejorar la
calidad de los modelos estadísticos de formas (SSMs) que mejoran la precisión
de la segmentación de la imagen médica en aplicaciones difíciles. Proponemos,
primero, mejorar la riqueza estadística de los SSMs por medio de una técnica para
unir la representación de forma y las propiedades estadísticas de muchos modelos
pre-existentes sin observaciones adicionales. Segundo, mejorar la representacion
geométrica de los SSMs modelando simultáneamente las características globales
y locales del objecto o de multiples anatomias. Por último, mejorar la
especificidad de los SSMs mediante la integración de metadatos del paciente no
derivados de la imagen, tales como, variables demográficas, conductuales y de
entorno clínico, en la construcción de los modelos. Estas técnicas son
demostradas y validadas en imágenes de resonancia magnética (MRI) y
tomografía computarizada (CT) y en anatomias como el corazón, el cerebro y la
espina dorsal humanos.
+
Programa de doctorat en Tecnologies de la Informació i les Comunicacions