Přesná segmentace obrazových dat

Abstract

Práce pojednává o tvorbě rozšiřujícího modulu pro platformu 3D Slicer. Jádro modulu je implementací klasifikátoru Support Vector Machines, jenž je využíván k segmentaci obrazových dat. Obrazová data byla poskytnuta lékaři z Fakultní nemocnice Brno Bohunice. Jedná se obrazové sekvence páteře pořízené pomocí dvou modalit, tedy výpočetní tomografie a magnetické rezonance. Cílem práce bylo tato data zpracovat, konkrétněji pak provést převzorkování, prostorové srovnání a následnou registraci. Obrazy pořízené výpočetní tomografií pak díky svému dostatečnému kontrastu poskytují autorům možnost lépe odhadnout segmentaci kostní tkáně od okolního prostředí i pro obrazy pořízené pomocí magnetické rezonance dosahujících menšího kontrastu. Pro kontrastní obrazy pořízené pomocí výpočetní tomografie bylo dosaženo odpovídajících výsledků, u predikovaných masek méně kontrastních obrazů se tento nedostatek projevil hrubými nepřesnostmi.

The concern of this thesis is a development of an extension module for 3D Slicer platform. The core of the module is an implementation of a Support Vector Machines classifier, which is used for segmentation of the vertebral column image data provided by the University Hospital Brno. One of the goals of the thesis was resampling and registration of these image sequences. CT volumes provided solid contrast and were used as a reference for gaining properly segmented groups of vertebrae. Due to the low quality of the MRI volumes image data, segmentation of MRI images was not completely succesful. The extension module scripted in Python language can be seen as a tool and can be used in the future for different datasets.