INVESTIGADOR(ES) PRINCIPAL(ES):

David Alejandro Jiménez Sierra

0 horas

CODIGO CIE

E6-18-7

Alvaro Angel Orozco Gutiérrez

Tutor

0 Horas

TIPO DE CONVOCATORIA

2017. Estudiantes De Posgrado

TIPO DE PROYECTO

Investigación Aplicada

OBJETIVO(S)

Objetivo General: Desarrollar una metodología probabilística de variable latente basada en procesos Gaussiano para codificar patrones volumétricos relevantes sobre imágenes médicas, en tareas de segmentación de estructuras cerebrales ante condiciones de ruido y poca cantidad de muestras. Objetivos Específicos: 1) Desarrollar un modelo de representación deformable basado en procesos Gaussianos con el fin de codificar la variabilidad de estructuras cerebrales ante condiciones de entrenamiento con poca cantidad de muestras. 2) Desarrollar una estrategia de sintonización automática de la función de covarianza del proceso Gaussiano empleado en el modelo de representación deformable, con el fin de mejorar el rendimiento de la segmentación ante condiciones de ruido y artefactos (rotación, escala). 3) Desarrollar una estrategia de emparejamiento del modelo deformable basado en procesos Gaussianos, el cual permita realiza el ajuste de una imagen médica dada con el fin de segmentar el volumen de las estructuras cerebrales.

RESUMEN

La segmentación de estructuras en imágenes médicas es una tarea muy útil para realizar seguimientos, planeación de cirugías y determinar anomalías en un paciente. Por lo tanto este tópico en medicina es un gran desafío, pero principalmente el análisis que se realiza para la segmentación de estructuras en resonancias magnéticas (MRI) son métodos en 2D. Hay modelos que permiten obtener un análisis en 3D de la morfología de una estructura, estos modelos son llamados modelos deformables probabilísticos, los cuales permiten a través de un set de entrenamiento formar un espacio de deformación en el cual se puede deformar y adaptarse a la estructura deseada. El principal problema con estos modelos es el espacio de representación que se utiliza, ya que las aproximaciones clásicas solo implementan relaciones lineales en los datos y no contemplan incertidumbre, lo cual no permite modelar correctamente estructuras complejas. El método propuesto establece el uso de una aproximación paramétrica de u proceso Gaussiano, con el fin de modelar deformaciones locales como globales del modelo a partir de los parámetros obtenidos, obteniendo un modelo más flexible que el clásico que permite modelar estructuras complejas de una forma más precisa.

ESTADO

Concluido

FECHA DE INICIO

22/01/2018

FECHA DE FINALIZACION

22/01/2020

PRODUCTOS

A Kernelized Morphable Model for 3D Brain Tumor Analysis

Ponencia en evento especializado

URL

3D Probabilistic Morphable Models for Brain Tumor Segmentation

Artículos en revista A1 ó A2

URL