Keypoint masking for analyzing segmented medical image data

Pepin, Étienne (2020). Keypoint masking for analyzing segmented medical image data. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

This thesis investigates different methods of using segmentation masks, in the context of keypoint analysis of medical images and specifically the human brain in magnetic resonance images (MRI). Recent studies have used keypoints extracted following skull-stripping, i.e. first removing all non-brain image content. However we hypothesized that skull-stripping prior to convolution filtering (e.g. Gaussian derivative filtering used in 3D SIFT-Rank keypoint extraction) will lead to random boundary effects that will hinder brain analysis. To test this hypothesis, we compare against keypoints extracted from natural images prior to skull-stripping. Our experiment replicates a recent large-scale neuroimage family indexing experiment on data from Human Connectome Project, where classification results improve on average 2% for keypoints extracted from natural data vs. skull-stripped data. We develop a theoretical model explaining and predicting experimental results based on the properties of a n-dimensional normal distribution. Our methodology is general, and we expect our results to generalize to other non-brain data, e.g. natural image regions and other classification systems based on linear convolution, e.g. convolutional neural networks.

Titre traduit

Utilisation de points-clés 3D SIFT-Rank avec des neuro-images

Résumé traduit

Ce mémoire examine plusieurs utilisations des masques de segmentation en conjonction avec l’analyse par point-clé dans le contexte de l’imagerie médicale. Actuellement, la procédure la plus populaire pour les neuro-images est l’extraction de points-clés sur une image sans tissu provenant de l’extérieur du cerveau. Notre hypothèse initiale est que cette technique génère du bruit près de la bordure du cerveau et nuit aux études cliniques. Nous proposons une nouvelle méthode basée sur l’extraction de points-clés sur l’image naturelle avant le filtrage par masque. Nous avons reproduit une étude récente par Chauvin, Kumar, Wachinger, Vangel, de Guise, Desrosiers, Wells & Toews (2020) sur la classification des relations familiales utilisant la base de données Human Connectome Project et comparé la méthode classique avec notre nouvelle méthode. Celle-ci dépasse par 2% la méthode classique dans les tests de classification familiale. Les résultats ont été publiés dans l’atelier MLCN (Pepin, Carluer, Chauvin, Toews & Harmouche, 2020). Nous avons développé un modèle théorique expliquant et prédisant ces comportements en se basant sur les propriétés de la loi normale multidimensionnelle. Notre méthodologie est générale et nous nous attendons à ce que nos résultats soient généralisables pour d’autres types de données et de systèmes de classifications basés sur la convolution linéaire, les réseaux de neurones convolutifs par exemple.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in automated manufacturing engineering". Comprend des références bibliographiques (pages 81-84).
Mots-clés libres:	skull-strip, extraction de cerveau, points-clés, neuro-image, filtre de Gauss
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Toews, Matthew
Codirecteur:	Codirecteur Harmouche, Rola
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	19 oct. 2021 19:02
Dernière modification:	19 oct. 2021 19:02
URI:	https://espace.etsmtl.ca/id/eprint/2792

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt