Esta tesis trata de la puesta en correspondencia automática de imágenes médicas. Proponemos un algoritmo genérico, aplicable a imágenes con una característica determinada: que contengan estructuras en forma de valle o de cresta. Estas estructuras es extraen automáticamente mediante un operador diseñador para detectar su forma. Ejemplos de este tipo de estructuras son los huesos en TC y RM, capilares en imágenes oftalmológicas y los sulci en ecografías. Una vez se han extraído éstas, una de las imágenes se transforma iterativamente mediante una aproximación jerárquica hasta que la función que detecta el alineamiento llega a un máximo. Hemos presentado informes completos del funcionamiento de este algoritmo para varias modalidades y condiciones de adquisición. En primer lugar, lo hemos aplicado a la puesta en correspondencia de TC con RM. Hemos participado en un proyecto para evaluar nuestro algoritmo para un centenar de imágenes, comparándolo con otros métodos, y los resultados, para algunas modalidades, han sido destacados. Otro campo de aplicación han sido las imágenes oftalmológicas. En esta modalidad, nuestro algoritmo funcionó mejor y más rápido que los algoritmos existentes hasta la fecha, y además ha podido ser aplicado a secuencias largas de imágenes SLO. Ejecutamos pruebas exhaustivas para conseguir una convergencia rápida y segura, lo que hizo posible, en colaboración con otro grupo, construir un primer prototipo real para un hospital.Finalmente, hemos explorado diferentes problemas de puesta en correspondencia en el área de las ecografías intra-operativas. Después de construir un sistema informático para capturar y localizar las imágenes en tiempo real, empezamos nuestros experimentos con un cerebro humano in vitro. Conseguimos construir un volumen con las imágenes, y alinearlo con una imagen RM del mismo. Además, conseguimos registrar las imágenes individuales de las ecografías con los volúmenes. / This thesis is concerned with the automatic alignment of medical images. We propose a generic algorithm applicable to images having a particular requisite: they must depict crest or valley-like features. These features are extracted automatically by means of a differential operator sensible to these particular shapes. Examples of detectable features are the bone issue in volume CT and MR, the vessels in ophthalmologic images and sulci in ecographies. Once the features have been extracted, one image is iteratively transformed using a hierarchical approach until an alignment assessment function reaches a maximum. We have made full reports of the performance of this algorithm for several modalities and conditions. Firstly, we have applied it to CT to MR volume image registration. We havee participated in a project to evaluate the accuracy against a golden standard, for a database of about one hundred pairs of images, whose results ranked us to be very accurate for some modality pairs.A different medical subject was the registration of ophthalmologic images. In this modality, our algorithm worked better and more generally than previous papers in literature, and could be applied also to long sequences of SLO video images. We performed exhaustive tests to permit a fast and robust convergence which contributed, in collaboration with another research group, to set a real medical application already working in a hospital.Finally, we explored several registration issues in the area of intra-operative ecographies. After designing a system to grab and locate the ecography transducer, we started the experiments with an in vitro human brain. We could compound a volume with the acquired B-frames and register it accurately to an MR volume (3D-3D), and also register each individual B-scan to the corresponding area in the volume (2D-3D). The registration algorithm for the latter case followed the same general scheme as the others.

En la actualidad, los avances en los sistemas de captación y procesado de imágenes médicas, permiten dotar a los clínicos de herramientas muy potentes que les ayudan en el desarrollo de su actividad clínica e investigadora. Pero no todas las herramientas comerciales permiten obtener la información necesaria para llevar a cabo ciertas investigaciones. Por esta razón surge la necesidad de realizar un procesado avanzado de ciertas imágenes médicas. Este proyecto trata de desarrollar una serie de herramientas para el análisis computacional basado en imagen cardiaca orientado fundamentalmente al escenario clínico de la insuficiencia cardiaca y la Terapia de Resincronización Cardiaca (TRC). La hipótesis global del proyecto es que el análisis más preciso de la electromecánica a partir del postprocesado de técnicas de imagen cardiaca puede mejorar los resultados clínicos de la TRC.

Prostate segmentation in trans rectal ultrasound (TRUS) and magnetic resonance images (MRI) facilitates volume estimation, multi-modal image registration, surgical planing and image guided prostate biopsies. The objective of this thesis is to develop computationally efficient prostate segmentation algorithms in both TRUS and MRI image modalities. In this thesis we propose a probabilistic learning approach to achieve a soft classification of the prostate for automatic initialization and evolution of a deformable model for prostate segmentation. Two deformable models are developed for the TRUS segmentation. An explicit shape and region prior based deformable model and an implicit deformable model guided by an energy minimization framework. Besides, in MRI, the posterior probabilities are fused with the soft segmentation coming from an atlas segmentation and a graph cut based energy minimization achieves the final segmentation. In both image modalities, statistically significant improvement are achieved compared to current works in the literature. / La segmentació de la pròstata en imatge d'ultrasò (US) i de ressonància magnètica (MRI) permet l'estimació del volum, el registre multi-modal i la planificació quirúrgica de biòpsies guiades per imatge. L'objectiu d'aquesta tesi és el desenvolupament d'algorismes automàtics per a la segmentació de la pròstata en aquestes modalitats. Es proposa un aprenentatge automàtic inical per obtenir una primera classificació de la pròstata que permet, a continuació, la inicialització i evolució de diferents models deformables. Per imatges d'US, es proposen un model explícit basat en forma i informació regional i un model implícit basat en la minimització d'una funció d'energia. En MRI, les probalitats inicials es fusionen amb una imatge de probabilitat provinent d'una segmentació basada en atlas, i la minimització es realitza mitjançant tècniques de grafs. El resultat final és una significant millora dels algorismes actuals en ambdues modalitats d'imatge.