Atlas-based segmentation of multiple sclerosis lesions in magnetic resonance imaging

Abstract

This thesis deals with the segmentation of brain magnetic resonance imaging applied to multiple sclerosis patients. This disease is characterised by the presence of white matter lesions in this image modality. After a thorough analysis of the state-of-the-art on this topic, pointing out the importance of prior knowledge, and a subsequent review of atlas-based segmentation of brain imaging, we propose two different multiple sclerosis lesion segmentation pipelines based on the conclusions of these studies. The first one provides an initial tissue classification using a modified expectation-maximisation algorithm, which is later on refined with a lesion segmentation step based on thresholding and a regionwise false positive reduction approach. The second one focuses only on the segmentation of lesions and uses an ensemble classifier alongside a rich feature pool including image intensities, probabilistic atlas maps, an outlier map and contextual information. Both approaches are tested against a novel database comprising imaging data from three different hospitals with a variable lesion load per case. The evaluation, carried out in a quantitative and qualitative manner, includes a comparison and uses several metrics for detection and segmentation. The analysis of the results points out a better performance relative to state-of-the-art approaches, with a clear improvement on the first pipeline in terms of detection, and a clear improvement on the second pipeline in terms of segmentation

Aquesta tesi es centra en la segmentació de imatges de ressonància magnètica del cervell aplicada a pacients d'esclerosi múltiple. Aquesta malaltia es caracteritza per l'aparició de lesions de matèria blanca, visibles en aquesta modalitat d'imatge. Després d'un anàlisi exhaustiu de l'estat de l'art en aquest tòpic, remarcant la importància de la informació prèvia, i també de la segmentació basada en atles del cervell, proposem dues estratègies diferents per a la segmentació de lesions basades en les conclusions d'ambdós estudis. La primera proporciona una classificació inicial dels teixits mitjançant una extensió de l'algorisme d'esperança-maximització, que es refina posteriorment amb un procés de segmentació de les lesions basat en una binarització inicial i una conseqüent estratègia de reducció de falsos positius a nivell de regió. La segona proposta es focalitza bàsicament en la segmentació de lesions i utilitza una combinació de classificadors febles entrenats amb un ric conjunt de característiques que inclou imatges d'intensitat, mapes probabilístics provinents d'un atles, un mapa d'intensitats atípiques i informació contextual. Ambdues estratègies han estat provades amb una nova base de dades formada per imatges de tres hospitals diferents amb diferent càrrega lesional per cas. L'avaluació d'aquestes proves, que s'ha dut a terme de forma quantitativa i qualitativa, inclou una comparativa i utilitza diferents mètriques de detecció i segmentació. L'anàlisi d'aquests resultats apunta a un millor rendiment relatiu a l'estat de l'art actual, amb una millor detecció per part de la primera estratègia i una millor segmentació per part de la segona