Περίληψη
Σκοπός της διατριβής ήταν η ανάπτυξη νέων μεθοδολογιών ανάλυσης ιατρικών εικόνων που προέρχονται από ασύρματη ενδοσκόπηση με κάψουλα για την αναγνώριση περιοχών διαβρωμένου βλεννογόνου που σχετίζονται με ελκώσεις και τη νόσο του Crohn. Οι προτεινόμενες μεθοδολογίες χωρίσθηκαν σε τέσσερις πυλώνες, ανάλογα με τα χαρακτηριστικά τους και τα μαθηματικά εργαλεία που χρησιμοποιούν. Αρχικά εξετάσθηκε η διάκριση εικόνων διάβρωσης και φυσιολογικού ιστού χρησιμοποιώντας χαρακτηριστικά υφής που εξάγονται από εικόνες στην κλίμακα του γκρι με την εφαρμογή της Ανάλυσης Διαφορικής Κενότητας (ΑΔΚ), αφού προηγουμένως είχε αφαιρεθεί ο θόρυβος με χρήση της Δισδιάστατης Συλλογικής Εμπειρικής Μεθόδου Αποσύνθεσης (ΔΣΕΜΑ). Το διάνυσμα χαρακτηριστικών (ΔΧ) που προέκυψε από την εφαρμογή του συνδυασμού ΔΣΕΜΑ-ΑΔΚ εμφάνισε ενθαρρυντικά αποτελέσματα και οδήγησε στην αξιοποίηση χαρακτηριστικών υφής-χρώματος εφαρμόζοντας το συνδυασμό ΔΣΕΜΑ-ΑΔΚ στις χρωματικές συνιστώσες του χώρου RGB. Ακολούθως, διενεργήθηκε εμπεριστ ...
Σκοπός της διατριβής ήταν η ανάπτυξη νέων μεθοδολογιών ανάλυσης ιατρικών εικόνων που προέρχονται από ασύρματη ενδοσκόπηση με κάψουλα για την αναγνώριση περιοχών διαβρωμένου βλεννογόνου που σχετίζονται με ελκώσεις και τη νόσο του Crohn. Οι προτεινόμενες μεθοδολογίες χωρίσθηκαν σε τέσσερις πυλώνες, ανάλογα με τα χαρακτηριστικά τους και τα μαθηματικά εργαλεία που χρησιμοποιούν. Αρχικά εξετάσθηκε η διάκριση εικόνων διάβρωσης και φυσιολογικού ιστού χρησιμοποιώντας χαρακτηριστικά υφής που εξάγονται από εικόνες στην κλίμακα του γκρι με την εφαρμογή της Ανάλυσης Διαφορικής Κενότητας (ΑΔΚ), αφού προηγουμένως είχε αφαιρεθεί ο θόρυβος με χρήση της Δισδιάστατης Συλλογικής Εμπειρικής Μεθόδου Αποσύνθεσης (ΔΣΕΜΑ). Το διάνυσμα χαρακτηριστικών (ΔΧ) που προέκυψε από την εφαρμογή του συνδυασμού ΔΣΕΜΑ-ΑΔΚ εμφάνισε ενθαρρυντικά αποτελέσματα και οδήγησε στην αξιοποίηση χαρακτηριστικών υφής-χρώματος εφαρμόζοντας το συνδυασμό ΔΣΕΜΑ-ΑΔΚ στις χρωματικές συνιστώσες του χώρου RGB. Ακολούθως, διενεργήθηκε εμπεριστατωμένη μελέτη του βέλτιστου τρόπου υλοποίησης της ΑΔΚ και προτάθηκε ένα βελτιωμένο ΔΧ που συνοψίζει την τοπική και συνολική συμπεριφορά της καμπύλης ΔΚ. Ολοκληρώνοντας τον πρώτο πυλώνα, διερευνήθηκε ο ρόλος τριών χρωματικών μοντέλων (RGB, HSV, CIE Lab) στην απόδοση του συστήματος αναγνώρισης. Στο δεύτερο πυλώνα προσεγγίσεων έγινε προσπάθεια αξιοποίησης του συνόλου των δυνατοτήτων που παρέχει η ΔΣΕΜΑ μελετώντας την κατανομή των μοτίβων του διαβρωμένου ιστού στα εγγενή δομικά συστατικά των εικόνων που εξάγονται από τη ΔΣΕΜΑ. Στα πλαίσια αυτά, προτάθηκε ένα νέο σύστημα προσαρμοσμένης ανασύνθεσης, το οποίο, όχι μόνο απομακρύνει το θόρυβο, αλλά ανακατασκευάζει μια εικόνα βάσει των καταλληλότερων συνιστωσών, οι οποίες παρουσιάζουν ιδιότητες σχετικές με διάβρωση. Στον τρίτο πυλώνα προσεγγίσεων διεξάχθηκε περαιτέρω αξιοποίηση των προϊόντων της ΔΣΕΜΑ μελετώντας αναλυτικά τις μεταξύ τους αλληλεπιδράσεις και το πως αυτές μεταβάλλονται ανάλογα με την κατηγορία του ιστού που απεικονίζεται. Για το λόγο αυτό, εισάχθηκε το μέτρο της εγγενούς συσχέτισης δεύτερης και ανώτερης τάξης. Επίσης, παρουσιάστηκε ένα υβριδικό σύστημα εξαγωγής χαρακτηριστικών, που βασίστηκε τόσο στα χαρακτηριστικά υφής αποθορυβοποιημένων εικόνων, όσο και στις πληροφορίες εγγενούς συσχέτισης ανώτερης τάξης. Τα ενθαρρυντικά αποτελέσματα του μέτρου της εγγενούς συσχέτισης οδήγησαν στην ανάπτυξη μιας αναβαθμισμένης έκδοσης του παραπάνω συστήματος αναγνώρισης διαβρώσεων και στην παρουσίαση ενός βελτιωμένου υβριδικού ΔΧ. που δομείται από τις πληροφορίες εγγενούς συσχέτισης υφής δεύτερης και ανώτερης τάξης και τα χαρακτηριστικά υφής ανακατασκευασμένων εικόνων μέσω της διαδικασίας προσαρμοσμένης ανασύνθεσης. Τέλος, στον τέταρτο πυλώνα προσεγγίσεων αξιοποιήθηκε ο Μετασχηματισμός Κυρτοκυματιδίων (ΜΚ), ένα εργαλείο πολυκλιμακωτής ανάλυσης που αποσυνθέτει μια εικόνα σε συνιστώσες πολλών κλιμάκων και κατευθύνσεων που φέρουν πληροφορίες για τις εγγενείς καμπυλόγραμμες δομές. Στα πλαίσια αυτά, αρχικά, διερευνήθηκε η αποτελεσματικότητα της αναπαράστασης της υφής του βλεννογόνου στα προϊόντα της ανάλυσης ΜΚ και προτάθηκε ένα ΔΧ βασισμένο στη στατιστική ανάλυση της καμπύλης ΔΚ. Στη συνέχεια, αναπτύχθηκε η διαδικασία του Υβριδικού Προσαρμοσμένου Φιλτραρίσματος η οποία στοχεύει στην απομόνωση των εγγενών συνιστωσών των εικόνων που σχετίζονται με τα χαρακτηριστικά υφής του βλεννογόνου με τη βοήθεια ενός γενετικού αλγορίθμου (ΓΑ). Το προτεινόμενο σύστημα ελέγχθηκε ως προς την ευρωστία στην ύπαρξη θορύβου και στη μεταβολή παραμέτρων του ΓΑ και της ΑΔΚ και αποδείχθηκε ότι επιδεικνύει την υψηλότερη επίδοση σε σύγκριση με μεθοδολογίες της βιβλιογραφίας και όλες τις υπόλοιπες μεθοδολογίες που προτάθηκαν στα πλαίσια της παρούσας διατριβής.
περισσότερα
Περίληψη σε άλλη γλώσσα
The aim of the present thesis was the development of advanced image processing techniques for the analysis of Wireless Capsule Endoscopy images in order to recognize ulcer regions and Crohn’s Disease (CD)-based lesions. The proposed methodologies lie in four main pillars, according to the mathematical tools used and the information aiming to elicit. Initially, the discrimination of lesion/normal images was based on texture features extracted from grayscale images by using Differential Lacunarity Analysis (DLA) and Bidimensional Ensemble Empirical Mode Decomposition (BEEMD) for denoising. The feature vector (FV) obtained by the BEEMD-DLA combination exhibited encouraging results and led to the utilization of texture-color features by applying BEEMD-DLA on the chromatic components of RGB space. Afterwards, a detailed study of the optimal implementation of DLA was carried out and an improved FV was proposed that contains information about the global and the local behavior of the different ...
The aim of the present thesis was the development of advanced image processing techniques for the analysis of Wireless Capsule Endoscopy images in order to recognize ulcer regions and Crohn’s Disease (CD)-based lesions. The proposed methodologies lie in four main pillars, according to the mathematical tools used and the information aiming to elicit. Initially, the discrimination of lesion/normal images was based on texture features extracted from grayscale images by using Differential Lacunarity Analysis (DLA) and Bidimensional Ensemble Empirical Mode Decomposition (BEEMD) for denoising. The feature vector (FV) obtained by the BEEMD-DLA combination exhibited encouraging results and led to the utilization of texture-color features by applying BEEMD-DLA on the chromatic components of RGB space. Afterwards, a detailed study of the optimal implementation of DLA was carried out and an improved FV was proposed that contains information about the global and the local behavior of the differential lacunarity curve. Last but not least, the role of three color spaces (RGB, HSV, CIE Lab) in the performance of the recognition system was investigated. The second pillar of approaches tried to unlock the full potential of BEEMD analysis, by analyzing the distribution of lesion textural patterns in the image intrinsic components extracted by BEEMD. In this context, an adaptive reconstruction procedure was proposed that, not only removes the noisy components, but also performs image reconstruction based on the most informative intrinsic components with properties that relate to CD lesions/ulcers. The third pillar of approaches sought further exploitation of BEEMD products by studying in detail the interactions between them and the way they vary according to the type of tissue depicted. Therefore, the measure of second and higher order intrinsic correlation was introduced and a hybrid feature extraction system was presented, that was based on both, the texture features of denoised images and the higher-order intrinsic correlation data. The encouraging results of intrinsic correlation measure lead to the development of an upgraded version of the above scheme and the introduction of an improved hybrid FV that is constructed by the second/higher-order inherent texture correlation information along with the textural features of adaptively reconstructed images. At last, the approaches of the fourth pillar took advantage of Curvelet Transform (CT), a multi-scale analysis tool that decomposes an image into components of various scales/directions that bear information on the curved structures of the image. So, at first, a systematic study of the efficiency of CT products to represent the patterns of normal/abnormal mucosa was carried out and a new FV, based on the statistics of DL curve, was proposed. Thereafter, an innovative processed named Hybrid Adaptive Filtering (HAF) was developed that isolates, through a genetic algorithm, the intrinsic components of the images that mostly relate with the textural characteristics of mucosa. The robustness of the proposed system with regard to the presence of noise and the parameters of genetic algorithm and DLA was evaluated and it was evidenced that the HAF-based approach outperforms others in the literature and all the methodologies proposed in the thesis.
περισσότερα