Automated brain tissue segmentation of magnetic resonance images in multiple sclerosis

L'objectiu principal d'aquesta tesi és el desenvolupament d'un nou mètode de segmentació totalment automàtic capaç de mesurar amb precisió el volum cerebral en imatges de pacients d'EM amb lesions. El mètode que hem proposat s'ha desenvolupat i implementat integrant no només la informació provinent de la intensitat dels vòxels, sinó a través de la incorporació d'atles morfològics i estructurals que guien la segmentació del teixit. Els vòxels candidats de ser lesions són estimats i processats abans de la segmentació del teixit utilitzant un algoritme de post-processat basat en la informació del context local i la informació anatòmica i morfològica prèvia. Aquest mètode de segmentació ha estat avaluat de forma quantitativa i qualitativa utilitzant diferents conjunts d'imatges que contenen lesions de substància blanca. Els resultats mostren que la precisió del mètode proposat és consistent i molt competitiva en tot tipus d'imatges en comparació amb altres tècniques proposades. En aquest sentit, els percentatges d'error obtinguts en els diferents experiments duts a terme mostren que el mètode proposat millora la segmentació del teixit cerebral de les imatges amb lesionsThe main goal of this thesis is to develop a novel, fully automated brain tissue segmentation method capable of computing accurate measurements of tissue volume from images of MS patients with lesions. The proposed tissue segmentation method has been designed and implemented using a combination of intensity along with anatomical and morphological prior maps to guide the tissue segmentation. WM outliers have been estimated and filled with signal intensities similar to those of the WM before segmentation using a multi-channel post-processing rule-based algorithm with spatial context, and prior anatomical and morphological atlases. The proposed method has been quantitatively and qualitatively evaluated using different databases of images containing WM lesions, yielding competitive and consistent results in both general and MS specific databases. The percentages of errors obtained in the different experiments carried out show that the proposed algorithm effectively improves automated brain tissue segmentation in images containing lesions