Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/12572
Title: Improving quality of knee segmentation by 3D shape matching using deep functional maps
Authors: Φίλιπ, Κωνσταντίνος-Ειρηναίος
Keywords: Deep functional maps
3D shape matching
Knee modeling
Statistical shape models
Keywords (translated): Γεωμετρικά σχήματα
Προσομοίωση γονάτου
Μοντέλα πολλαπλών σχημάτων
Abstract: The reconstruction of geometric shapes plays an important role in many biomedical applications. A characteristic example is the patient-specific, computer-aided intervention and treatment, which requires the generation of explicitly represented geometric models of anatomical structures depicted in medical images. In the past few decades, there has been a lot of effort to automate the procedure of geometric model construction, since the manual segmentation of 3D images can be timeconsuming and irreproducible. However, most automatic segmentation algorithms are inherently sensitive to image artifacts and noise, resulting in invalid geometric representations. The fundamental hypothesis, pursued in this thesis, is that the aforementioned problems can be resolved by incorporating the a-priori knowledge of the shape of biological structures. The basic idea is to capture the essential variations contained in a given population of a certain class of geometric objects through Statistical Shape Models (SSMs), and restrict the result of a reconstruction algorithm to the space spanned by them. We extend the discussion to the construction of multiple - shape models, in which the relationship between the neighboring anatomical components is described through Canonical Correlation Analysis. A fundamental prerequisite for performing statistical shape analysis on a set of objects is the identification of corresponding points on their associated surfaces. In this thesis, we address the correspondence problem using the recently proposed Functional Maps framework, which is a generalization of the notion of point-to-point shape correspondence, describing how mappings act on real-valued functions defined on shapes. Additionally, we show that, by incorporating techniques from the deep learning theory into the Functional Maps framework, we can further enhance the ability of SSMs to better capture the shape variations within the given dataset. We present the applicability of our methods on real 3D medical data of the human knee. In particular, we construct 3D models of the knee complex that can be transferred across any image modality, and demonstrate their application for improving the quality of automated segmentation methods and conducting inference about missing shapes.
Abstract (translated): Η ανακατασκευή γεωμετρικών σχημάτων παίζει σημαντικό ρόλο σε πολλές βιοϊατρικές εφαρμογές. Χαρακτηριστικό παράδειγμα αποτελεί η υποβοηθούμενη απο υπολογιστή διάγνωση και θεραπεία κάθε εξατομικευμένου ασθενή, η οποία απαιτεί τη δημιουργία αντιπροσωπευτικών γεωμετρικών μοντέλων ανατομικών δομών που απεικονίζονται σε ιατρικές εικόνες. Τις τελευταίες δεκαετίες, έχει καταβληθεί μεγάλη προσπάθεια για την αυτοματοποίηση της διαδικασίας κατασκευής γεωμετρικών μοντέλων, καθώς η χειροκίνητη τμηματοποίηση τρισδιάστατων εικόνων μπορεί να αποδειχθεί χρονοβόρα και μη αναπαράξιμη. Ωστόσο, οι περισσότεροι αυτόματοι αλγόριθμοι τμηματοποίησης είναι εγγενώς ευαίσθητοι σε σφάλματα απεικόνισης και θόρυβο, με αποτέλεσμα την μη έγκυρη γεωμετρική αναπαράστηση των ανατομικών δομών. Η θεμελιώδης υπόθεση που ακολουθείται σε αυτή τη διπλωματική εργασία είναι ότι τα προαναφερθέντα προβλήματα μπορούν να επιλυθούν εκμεταλλεύοντας την εκ των προτέρων γνώση των σχημάτων των βιολογικών δομών. Στόχος μας είναι να καταγράψουμε τις μεταβολλές των σχημάτων που παρουσιάζονται σε ένα σύνολο μιας συγκεκριμένης κατηγορίας γεωμετρικών αντικειμένων μέσω Στατιστικών Μοντέλων και να περιορίσουμε το αποτέλεσμα ενός αλγορίθμου ανακατασκευής στο χώρο που αυτά ορίζουν. Επεκτείνουμε τη συζήτηση στην κατασκευή μοντέλων πολλαπλών σχημάτων, στα οποία η σχέση μεταξύ των γειτονικών ανατομικών δομών περιγράφεται μέσω της Ανάλυσης Κανονικής Συσχέτισης. Βασική προϋπόθεση για την πραγματοποίηση στατιστικής ανάλυσης σχήματος σε ένα σύνολο αντικειμένων είναι η ταυτοποίηση των αντίστοιχων σημείων μεταξύ των επιφανειών τους. Στην παρούσα εργασία, αντιμετωπίζουμε το πρόβλημα της αντιστοίχισης χρησιμοποιώντας το πλαίσιο Χαρτών Συναρτήσεων, το οποίο είναι μια γενίκευση της έννοιας της σημείο-προς-σημείο αντιστοίχισης σχήματων, περιγράφοντας τον τρόπο με τον οποίο οι αντιστοιχίσεις δρουν σε πραγματικές συναρτήσεις που ορίζονται στην επιφάνεια τους. Επιπλέον, δείχνουμε ότι ενσωματώνοντας σε αυτό το πλαίσιο τεχνικές από τη θεωρία Βαθιάς Μάθησης, μπορούμε να βελτιώσουμε την ικανότητα των στατιστικών μοντέλων να περιγράφουν τις διαφοροποιήσεις των σχημάτων του συνόλου των αντικειμένων. Παρουσιάζουμε την εφαρμοσιμότητα των μεθόδων μας σε πραγματικά ιατρικά δεδομένα του ανθρώπινου γόνατος. Συγκεκριμένα, κατασκευάζουμε τρισδιάστατα μοντέλα της άρθρωσης του γονάτου τα οποία μπορούν να χρησιμοποιηθούν για οποιαδήποτε μέθοδο τρισδιάστατης ιατρικής απεικόνισης, και παρουσιάζουμε την εφαρμογή τους για τη βελτίωση της ποιότητας των αυτόματων μεθόδων τμηματοποίησης εικόνας αλλά και για τη διεξαγωγή συμπερασμάτων σχετικά με ελλείπουσες δομές.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογιστών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Filip_Thesis(Final).pdf4.34 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons