Made available in DSpace on 2014-12-17T15:47:58Z (GMT). No. of bitstreams: 1 ItaloMSR_DISSERT.pdf: 4133389 bytes, checksum: 575496a3d8aa350df8e3e86992d9b27b (MD5) Previous issue date: 2011-03-02 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The vascular segmentation is important in diagnosing vascular diseases like stroke and is hampered by noise in the image and very thin vessels that can pass unnoticed. One way to accomplish the segmentation is extracting the centerline of the vessel with height ridges, which uses the intensity as features for segmentation. This process can take from seconds to minutes, depending on the current technology employed. In order to accelerate the segmentation method proposed by Aylward [Aylward & Bullitt 2002] we have adapted it to run in parallel using CUDA architecture. The performance of the segmentation method running on GPU is compared to both the same method running on CPU and the original Aylward s method running also in CPU. The improvemente of the new method over the original one is twofold: the starting point for the segmentation process is not a single point in the blood vessel but a volume, thereby making it easier for the user to segment a region of interest, and; the overall gain method was 873 times faster running on GPU and 150 times more fast running on the CPU than the original CPU in Aylward / A segmenta??o vascular ? importante no diagn?stico de doen?as como o acidente vascular cerebral e ? dificultada por ru?dos na imagem e vasos muito finos que n?o s?o vistos. Uma maneira de realizar a segmenta??o ? extraindo a centerline do vaso com height ridges, que usa a intensidade como caracter?sticas para a segmenta??o. Este processo pode levar de segundos a minutos, dependendo da tecnologia atual empregada. O m?todo ? implementado em GPU, ou seja, ? executado de maneira paralela em placa gr?fica. O desempenho do m?todo de segmenta??o executado em GPU ? comparado com o mesmo m?todo em CPU e o m?todo original de Aylward em execu??o tamb?m na CPU. O melhoramento do novo m?todo sobre o original ? dupla. O ponto de partida para o processo de segmenta??o n?o ? um ?nico ponto no vaso sangu?neo, mas um volume, tornando assim mais f?cil para o usu?rio a sele??o de uma regi?o de interesse, e, o ganho do m?todo proposto foi 873 vezes mais r?pido sendo executado em GPU e 150 vezes mais r?pido sendo executado em CPU do que o original de Aylward em CPU

Σκοπός της παρούσας Διπλωματικής Εργασίας είναι η ανάπτυξη συγκεκριμένης μεθοδολογίας και αλγορίθμων ψηφιακής επεξεργασίας εικόνων για την αυτόματη εκτίμηση των διαμέτρων αγγείων σε οφθαλμολογικές εικόνες. Η συγκεκριμένη μέτρηση της διαμέτρου των αγγείων διαδραματίζει σημαντικό ρόλο στην έγκαιρη διάγνωση παθήσεων καθώς έχει αποδειχθεί ότι υπάρχει συσχετισμός μεταξύ των μεταβολών των τιμών των εν λόγω διαμέτρων και της εμφάνισης αλλοιώσεων στον αμφιβληστροειδή. Στα πλαίσια της εργασίας, υλοποιήθηκαν δύο μεθοδολογίες για τον υπολογισμό των διαμέτρων αγγείων οφθαλμολογικών εικόνων, οι οποίες συλλέγονται με χρήση κάμερας πυθμένα (fundus camera). Η πρώτη μεθοδολογία στηρίζεται στην εύρεση των σημείων που αποτελούν τους κεντρικούς άξονες των υπό εξέταση αγγείων με χρήση διαφορικού λογισμού. Ακολούθως, σε κάθε σημείο που ανήκει σε κεντρικό άξονα αγγείου, υπολογίζονται οι παράμετροι μιας συνάρτησης. Η εν λόγω συνάρτηση περιγράφει βέλτιστα τα επίπεδα φωτεινότητας της εικόνας κατά μήκος του ευθύγραμμου τμήματος που διέρχεται από το σημείο και είναι κάθετο στο αγγείο. H εύρεση των παραμέτρων της συνάρτησης πραγματοποιείται με χρήση τεχνικών βελτιστοποίησης. Το τελικό βήμα της μεθοδολογίας είναι η εκτίμηση της διαμέτρου των αγγείων από τις τιμές των παραμέτρων που έχουν υπολογιστεί. Η δεύτερη μεθοδολογία στηρίζεται στον αλγόριθμο που προτείνει ο P.H. Gregson. Αρχικά, πραγματοποιείται κατάτμηση της εικόνας με κατωφλίωση και εφαρμόζονται μορφολογικοί τελεστές συστολής και διαστολής στην εικόνα. Στη συνέχεια, εφαρμόζεται ο αλγόριθμος λέπτυνσης (thinning algorithm) με σκοπό την εύρεση των κεντρικών αξόνων των αγγείων και τέλος εκτιμάται η διάμετρος σε κάθε σημείο του κεντρικού άξονα με χρήση των επιπέδων του γκρίζου των εικονοστοιχείων που κείνται στην ευθεία που είναι κάθετη στο αγγείο σε κάθε σημείο του. / The scope of this Thesis is the development of a methodology and advance image processing techniques in order to automatically estimate vessel diameters in ophthalmological images. Motivation for the thesis is the fact that the measurement of vessel diameter plays significant role in the seasonable diagnosis of vascular disorders, as it is believed to be a relation between the variation in diameters and the detection of retinal disorders. In this thesis, two methodologies are developed in order to be applied in ophthalmological images that are collected by using a fundus camera. The first methodology is based on the detection of the pixels that constitute the centerlines of vessels, by using differential calculus. Specifically, at each pixel that belongs to a centerline of vessel, the parameters of a specific function are calculated. This function describes as accurately as possible the intensity levels along the segment that passes through the specific pixel and is perpendicular to the vessel. The parameters of this function are estimated using optimization techniques. The final step of the methodology is the assessment of the diameters of vessels using the values of the parameters. The second methodology is based on the algorithm that P.H.Gregson has proposed. At first, the vessels are detected by tresholding and a morphological closing algorithm is applied. Then, a thinning algorithm is used in order to detect the pixels that constitute the centerlines of the vessels and ultimately the diameter at each pixel of the centerlines is assessed using the gray levels of the pixels that constitute the segment that is perpendicular to the vessel at each specific pixel.

Η αυτόματη επεξεργασία εικόνων του ενδομητρίου αποτελεί ένα δύσκολο και πολυδιάστατο πρόβλημα, το οποίο έχει απασχολήσει πλήθος ερευνητών και για το οποίο έχει αναπτυχθεί μεγάλος αριθμός τεχνικών. Στην παρούσα διατριβή, παρουσιάζεται μια μεθοδολογική προσέγγιση, η οποία βασίζεται στη χρήση αλγορίθμων ψηφιακής επεξεργασίας και ανάλυσης εικόνων, για την αυτόματη εκτίμηση χαρακτηριστικών που περιγράφουν την αγγείωση και την υφή εικόνων του ενδομητρίου. Αφορμή της μελέτης αποτελεί ο ρόλος που διαπιστώνεται ότι διαδραματίζει η μεταβολή των τιμών των εν λόγω χαρακτηριστικών στην έγκαιρη διάγνωση των παθήσεων του ενδομητρίου. Στα πλαίσια της διατριβής, υλοποιήθηκε κατάλληλη μεθοδολογία για τον υπολογισμό ενός συνόλου χαρακτηριστικών τόσο για υστεροσκοπικές εικόνες, όσο και για ιστολογικές εικόνες του ενδομητρίου. Ιδιαίτερη βαρύτητα δόθηκε στην προ – επεξεργασία των εικόνων προκειμένου να προκύψει βελτίωση της ποιότητας καθώς και ενίσχυση της αντίθεσης αυτών. Στη συνέχεια, ανιχνεύτηκαν τα σημεία που αποτελούν τους κεντρικούς άξονες των υπό εξέταση αγγείων με χρήση διαφορικού λογισμού για τις υστεροσκοπικές εικόνες και υπολογίστηκε ένα σύνολο χαρακτηριστικών μεγεθών που περιγράφουν την αγγείωση και την υφή των εικόνων τόσο για τις υστεροσκοπικές όσο και για τις ιστολογικές εικόνες. Τέλος, εφαρμόστηκαν κατάλληλοι αλγόριθμοι με σκοπό την κατηγοριοποίηση των υστεροσκοπικών και των ιστολογικών εικόνων και συγκεκριμένα τον διαχωρισμό των παθολογικών και των φυσιολογικών εικόνων του ενδομητρίου. Παράλληλα, χρησιμοποιήθηκε η ROC ανάλυση στην απεικόνιση και ανάλυση της συμπεριφοράς των εν λόγω κατηγοριοποιητών. / Automatic analysis of the endometrial images is a difficult and multidimensional problem. For this reason, the number of papers and techniques regarding this issue is numerous. In this Thesis, a methodology is presented, based on advance image processing techniques in order to automatically estimate texture and vessel’s features in endometrial images. Motivation for the Thesis is the fact that the variation of the measurements of the specific features plays significant role in the seasonable diagnosis of endometrial disorders. Throughout this Thesis, an appropriate methodology is developed in order to estimate the features for the hysteroscopical and histological images of the endometrium. An important step is the pre – processing of the images in order to enhance the image quality and the image contrast. Then, the pixels that constitute the centerlines of vessels are detected by using differential calculus for the hysteroscopical images, only. Furthermore, the texture and vessel’s features in hysteroscopical and histological images are estimated. Finally, appropriate algorithms are applied in order to classify the hysteroscopical and histological images and distinguish pathological and normal endometrial images. ROC analysis is used in order to evaluate the discrimination power of the features that were estimated.