Image similarity for registration and manifold learning: application to brain analysis
Mostra el registre complet Registre parcial de l'ítem
- dc.contributor.author Zimmer, Veronika Anne
- dc.contributor.other González Ballester, Miguel Ángel
- dc.contributor.other Piella Fenoy, Gemma
- dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
- dc.date.accessioned 2024-03-16T02:33:20Z
- dc.date.available 2024-03-16T02:33:20Z
- dc.date.issued 2017-04-05T10:24:56Z
- dc.date.issued 2017-04-05T10:24:56Z
- dc.date.issued 2017-02-13
- dc.date.modified 2024-03-15T10:58:00Z
- dc.description.abstract The aim of this thesis is to explore and develop measures for image comparison in two main areas of medical image analysis: image registration and manifold learning for population analysis. In particular, the main contributions of the thesis are the following: (i) the development of a multimodal similarity measure using the commutativity of the image graph Laplacians as a criterion of image structure preservation, (ii) the application of such similarity measure to fetal ultrasound-magnetic resonance registration, (iii) the development of a framework for optimal kernel-based manifold embeddings for medical image data, and (iv) the development of a method to learn and combine heterogeneous pairwise image similarities induced by application-specific distance functions for manifold learning. The methods developed in this thesis were evaluated both on synthetic and clinical data, here in particular for brain analysis and classification, both during early childhood and in aging adults.
- dc.description.abstract El objetivo de esta tesis es explorar y desarrollar métodos para la comparación de imágenes en dos de las principales áreas del análisis de imagen: el registro de imágenes y manifold learning por el análisis de población. En particular, las contribuciones pueden resumirse principalmente en tres: (i) se propone una medida de similitud multimodal para el registro de imágenes usando la commutatividad del grafo Laplaciano como criterio para preservar la estructura de la imagen, (ii) la aplicación de esta medida de similitud para el registro de resonancias magnética-ultrasonido de feto, (iii) se presenta un método para un optimo kernel-based manifold learning de imágenes médicas, y (iv) se propone aprender y combinar diferentes aproximaciones de vecindarios de las imágenes por manifold learning. Los métodos desarrollados en este tesis fueron evaluados en datos sintéticos y clínicos, en particular por el análisis de imágenes cerebrales de fetos, neonatos y adultos.
- dc.description.abstract Programa de doctorat en Tecnologies de la Informació i les Comunicacions
- dc.format 168 p.
- dc.format application/pdf
- dc.format application/pdf
- dc.identifier http://hdl.handle.net/10803/402101
- dc.identifier.uri http://hdl.handle.net/10230/32425
- dc.language.iso eng
- dc.publisher Universitat Pompeu Fabra
- dc.rights ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
- dc.rights info:eu-repo/semantics/openAccess
- dc.source TDX (Tesis Doctorals en Xarxa)
- dc.subject.keyword Similarity measure
- dc.subject.keyword Image registration
- dc.subject.keyword Simultaneous diagonalization
- dc.subject.keyword Laplacian commutator
- dc.subject.keyword Manifold learning
- dc.subject.keyword Manifold embedding quality
- dc.subject.keyword Kernel combinations
- dc.subject.keyword Random forest
- dc.subject.keyword Neighborhood approximation
- dc.subject.keyword Brain analysis
- dc.subject.keyword Medido de similitud
- dc.subject.keyword Registro de imagen
- dc.subject.keyword Diagonalización simultáneo
- dc.subject.keyword Comutador de Laplaciano
- dc.subject.keyword Cualidad de embeddings
- dc.subject.keyword Combinación de kernels
- dc.subject.keyword Aproximación de vecindarios
- dc.subject.keyword Análisis del cerebro
- dc.subject.keyword 62
- dc.title Image similarity for registration and manifold learning: application to brain analysis
- dc.type info:eu-repo/semantics/doctoralThesis
- dc.type info:eu-repo/semantics/publishedVersion