Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático

Autores
Mansilla, Lucas; Ferrante, Enzo
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La segmentación multi-atlas (MAS por sus siglas en inglés) es una de las técnicas más utilizadas para la segmentación anatómica de imágenes médicas. Esta técnica utiliza un conjunto de atlas (imágenes previamente etiquetadas por expertos) para estimar la segmentación correspondiente a una nueva imagen, por medio de la registración y fusión de dichos atlas. Dado que los atlas de una población pueden variar significativamente entre sí, la selección de aquellos atlas más apropiados contribuye a mejorar su desempeño. En este trabajo, se presenta un estudio comparativo de segmentación basada en multiatlas que utiliza distintos métodos de selección del atlas aleatorios y basados en similaridad de imagen en el contexto de imágenes de radiografía torácica, para medir el impacto dicha selección en la precisión del algoritmo. Adicionalmente, para evaluar el desempeño del modelo en contextos en donde no se dispone de segmentaciones de referencia (también conocidas como ground-truth), se propone el uso del índice de Reverse Classification Accuracy (RCA) como estimador automático que posibilita el control de calidad de las segmentaciones en ausencia de segmentaciones de referencia. Los resultados obtenidos en dos grandes bases de datos demuestran que (i) la selección de atlas basada en similitud mejora significativamente los resultados al segmentar imágenes radiográficas y (ii) por medio de RCA es posible determinar un valor umbral de referencia que permite descartar automáticamente las segmentaciones de mala calidad en ausencia de ground-truth, tarea fundamental si se pretende avanzar en la utilización de este tipo de estrategias en el ámbito clínico real.
XVI Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
segmentación basada en multi-atlas
selección del atlas
segmentación
imágenes médicas
reverse classif cation accuracy
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/73180
Acceder
id SEDICI_c4714b5d173e15cefcd62ff9e360c906
oai_identifier_str oai:sedici.unlp.edu.ar:10915/73180
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automáticoMansilla, LucasFerrante, EnzoCiencias Informáticassegmentación basada en multi-atlasselección del atlassegmentaciónimágenes médicasreverse classif cation accuracyLa segmentación multi-atlas (MAS por sus siglas en inglés) es una de las técnicas más utilizadas para la segmentación anatómica de imágenes médicas. Esta técnica utiliza un conjunto de atlas (imágenes previamente etiquetadas por expertos) para estimar la segmentación correspondiente a una nueva imagen, por medio de la registración y fusión de dichos atlas. Dado que los atlas de una población pueden variar significativamente entre sí, la selección de aquellos atlas más apropiados contribuye a mejorar su desempeño. En este trabajo, se presenta un estudio comparativo de segmentación basada en multiatlas que utiliza distintos métodos de selección del atlas aleatorios y basados en similaridad de imagen en el contexto de imágenes de radiografía torácica, para medir el impacto dicha selección en la precisión del algoritmo. Adicionalmente, para evaluar el desempeño del modelo en contextos en donde no se dispone de segmentaciones de referencia (también conocidas como ground-truth), se propone el uso del índice de Reverse Classification Accuracy (RCA) como estimador automático que posibilita el control de calidad de las segmentaciones en ausencia de segmentaciones de referencia. Los resultados obtenidos en dos grandes bases de datos demuestran que (i) la selección de atlas basada en similitud mejora significativamente los resultados al segmentar imágenes radiográficas y (ii) por medio de RCA es posible determinar un valor umbral de referencia que permite descartar automáticamente las segmentaciones de mala calidad en ausencia de ground-truth, tarea fundamental si se pretende avanzar en la utilización de este tipo de estrategias en el ámbito clínico real.XVI Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)Red de Universidades con Carreras en Informática (RedUNCI)2018-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf371-380http://sedici.unlp.edu.ar/handle/10915/73180spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-12-03T10:30:54Zoai:sedici.unlp.edu.ar:10915/73180Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-12-03 10:30:54.523SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
title Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
spellingShingle Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
Mansilla, Lucas
Ciencias Informáticas
segmentación basada en multi-atlas
selección del atlas
segmentación
imágenes médicas
reverse classif cation accuracy
title_short Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
title_full Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
title_fullStr Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
title_full_unstemmed Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
title_sort Segmentación multi-atlas de imágenes médicas con selección de atlas inteligente y control de calidad automático
dc.creator.none.fl_str_mv Mansilla, Lucas
Ferrante, Enzo
author Mansilla, Lucas
author_facet Mansilla, Lucas
Ferrante, Enzo
author_role author
author2 Ferrante, Enzo
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
segmentación basada en multi-atlas
selección del atlas
segmentación
imágenes médicas
reverse classif cation accuracy
topic Ciencias Informáticas
segmentación basada en multi-atlas
selección del atlas
segmentación
imágenes médicas
reverse classif cation accuracy
dc.description.none.fl_txt_mv La segmentación multi-atlas (MAS por sus siglas en inglés) es una de las técnicas más utilizadas para la segmentación anatómica de imágenes médicas. Esta técnica utiliza un conjunto de atlas (imágenes previamente etiquetadas por expertos) para estimar la segmentación correspondiente a una nueva imagen, por medio de la registración y fusión de dichos atlas. Dado que los atlas de una población pueden variar significativamente entre sí, la selección de aquellos atlas más apropiados contribuye a mejorar su desempeño. En este trabajo, se presenta un estudio comparativo de segmentación basada en multiatlas que utiliza distintos métodos de selección del atlas aleatorios y basados en similaridad de imagen en el contexto de imágenes de radiografía torácica, para medir el impacto dicha selección en la precisión del algoritmo. Adicionalmente, para evaluar el desempeño del modelo en contextos en donde no se dispone de segmentaciones de referencia (también conocidas como ground-truth), se propone el uso del índice de Reverse Classification Accuracy (RCA) como estimador automático que posibilita el control de calidad de las segmentaciones en ausencia de segmentaciones de referencia. Los resultados obtenidos en dos grandes bases de datos demuestran que (i) la selección de atlas basada en similitud mejora significativamente los resultados al segmentar imágenes radiográficas y (ii) por medio de RCA es posible determinar un valor umbral de referencia que permite descartar automáticamente las segmentaciones de mala calidad en ausencia de ground-truth, tarea fundamental si se pretende avanzar en la utilización de este tipo de estrategias en el ámbito clínico real.
XVI Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)
Red de Universidades con Carreras en Informática (RedUNCI)
description La segmentación multi-atlas (MAS por sus siglas en inglés) es una de las técnicas más utilizadas para la segmentación anatómica de imágenes médicas. Esta técnica utiliza un conjunto de atlas (imágenes previamente etiquetadas por expertos) para estimar la segmentación correspondiente a una nueva imagen, por medio de la registración y fusión de dichos atlas. Dado que los atlas de una población pueden variar significativamente entre sí, la selección de aquellos atlas más apropiados contribuye a mejorar su desempeño. En este trabajo, se presenta un estudio comparativo de segmentación basada en multiatlas que utiliza distintos métodos de selección del atlas aleatorios y basados en similaridad de imagen en el contexto de imágenes de radiografía torácica, para medir el impacto dicha selección en la precisión del algoritmo. Adicionalmente, para evaluar el desempeño del modelo en contextos en donde no se dispone de segmentaciones de referencia (también conocidas como ground-truth), se propone el uso del índice de Reverse Classification Accuracy (RCA) como estimador automático que posibilita el control de calidad de las segmentaciones en ausencia de segmentaciones de referencia. Los resultados obtenidos en dos grandes bases de datos demuestran que (i) la selección de atlas basada en similitud mejora significativamente los resultados al segmentar imágenes radiográficas y (ii) por medio de RCA es posible determinar un valor umbral de referencia que permite descartar automáticamente las segmentaciones de mala calidad en ausencia de ground-truth, tarea fundamental si se pretende avanzar en la utilización de este tipo de estrategias en el ámbito clínico real.
publishDate 2018
dc.date.none.fl_str_mv 2018-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/73180
url http://sedici.unlp.edu.ar/handle/10915/73180
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
371-380
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1850507722880974848
score 13.214268

Publicaciones similares