Las enfermedades cardiovasculares (ECVs) son la principal causa de mortalidad en el mundo
Occidental. El interés de prevenir y tratar las ECVs ha desencadenado un rápido desarrollo de los
sistemas de adquisición de imágenes médicas. Por este motivo, la cantidad de datos de imagen
recolectados en las instituciones de salud se ha incrementado considerablemente. Este hecho ha
aumentado la necesidad de herramientas automatizadas para dar soporte al diagnóstico, mediante
una interpretación de imagen confiable y reproducible. La tarea de interpretación requiere traducir
los datos crudos de imagen en parámetros cuantitativos, los cuales son considerados relevantes
para clasificar la condición cardiaca de un paciente. Para realizar tal tarea, los métodos basados en
modelos 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 un
paciente, 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 el
órgano cardiaco desde diferentes ángulos. El personal clínico recopila todas estas piezas de información
y las ensambla mentalmente en un modelo integral. Este modelo integral incluye información
anatómica y funcional que muestra un cuadro completo del corazón del paciente. Es
de alto interés transformar este modelo mental en un modelo computacional capaz de integrar la
información de manera global. La generación de un modelo como tal no es simplemente un reto de
visualización. Requiere una metodología capaz de extraer los parámetros cuantitativos relevantes
basados en los mismos principios técnicos. Esto nos asegura que las mediciones se pueden comparar
directamente. Tal metodología debe ser capaz de: 1) segmentar con precisión las cavidades
cardiacas a partir de datos multimodales, 2) proporcionar un marco de referencia único para integrar
múltiples fuentes de información, y 3) asistir la clasificación de la condición cardiaca del
paciente.
Esta tesis se basa en que los modelos estadísticos de forma, y en particular los Modelos Activos
de 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 forma
de la información de apariencia. Obtenemos la información estadística de forma a partir de una
modalidad de alta resolución y aprendemos la apariencia simulando la física de adquisición de
otras modalidades.
Las contribuciones de esta tesis pueden ser resumidas así: 1) un método genérico para construir
automáticamente modelos de intensidad para los Modelos Activos de Forma simulando la
física de adquisición de la modalidad en cuestión, 2) la primera extensión de un simulador de Resonancia
Magnética Nuclear diseñado para producir estudios cardiacos realistas, y 3) un método
novedoso para el entrenamiento automático de modelos de intensidad y de fiabilidad aplicado a
estudios cardiacos de Resonancia Magnética Nuclear. Cada una de estas contribuciones representa
un artículo publicado o enviado a una revista técnica internacional. / Cardiovascular diseases (CVDs) are the major cause of death in the Western world. The desire
to prevent and treat CVDs has triggered a rapid development of medical imaging systems. As
a consequence, the amount of imaging data collected in health care institutions has increased
considerably. This fact has raised the need for automated analysis tools to support diagnosis with
reliable and reproducible image interpretation. The interpretation task requires to translate raw
imaging data into quantitative parameters, which are considered relevant to classify the patient’s
cardiac condition. To achieve this task, statistical shape model approaches have found favoritism
given the 3D (or 3D+t) nature of cardiovascular imaging datasets. By deforming the statistical
shape 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 modality
exploits distinct physical phenomena, which allows us to observe the cardiac organ from
different 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 picture
of the patient’s heart. It is highly desirable to transform this mental model into a computational
model able to integrate the information in a comprehensive manner. Generating such a model is
not simply a visualization challenge. It requires having a methodology able to extract relevant
quantitative parameters by applying the same principle. This assures that the measurements are
directly comparable. Such a methodology should be able to: 1) accurately segment the cardiac
cavities from multimodal datasets, 2) provide a unified frame of reference to integrate multiple
information 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 from
the appearance information. We obtain the statistical shape information from a high resolution
modality and include the appearance information by simulating the physics of acquisition of other
modalities.
The contributions of this thesis can be summarized as: 1) a generic method to automatically
construct intensity models for Active Shape Models based on simulating the physics of acquisition
of 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 and
reliability training strategy applied to cardiac MRI studies. Each of these contributions represents
an article published or submitted to a peer-review archival journal.
| Identifer | oai:union.ndltd.org:TDX_UPF/oai:www.tdx.cat:10803/37473 |
| Date | 30 June 2011 |
| Creators | Tobón Gómez, Catalina |
| Contributors | Frangi Caregnato, Alejandro, Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions |
| Publisher | Universitat Pompeu Fabra |
| Source Sets | Universitat Pompeu Fabra |
| Language | English |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/publishedVersion |
| Format | 120 p., application/pdf |
| Source | TDX (Tesis Doctorals en Xarxa) |
| Rights | info:eu-repo/semantics/openAccess, 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. |
Page generated in 0.003 seconds