New insights on multidimensional image and tensor field segmentation. Application to medical image analysis

Abstract

La obtención de información de las imágenes mediante la extracción de características apropiadas es un asunto de capital importancia en el procesado de imágenes y la visión por ordenador, Dentro de este marco general, esta tesis se centra en la combinación de la información de intensidad y de textura, codificada mediante el tensor de estructura local (LST, Local Structure Tensor), para la segmentación de imágenes. El LST es una herramienta bien conocida para la representación de texturas orientadas, y su incorporación al proceso de segmentación produce mejoras en el funcionamiento de la segmentación. Sin embargo, su uso combinado con la intensidad es un problema complejo que debe ser tratado cuidadosamente. Esta tesis explora varias alternativas para conseguir este uso combinado, y además estudia el equilibrio entre ambas fuentes de información. Dentro de un esquema de segmentación mediante level sets, en primer lugar la segmentación se lleva a cabo en el dominio tensorial a través de la definición de nuevas variantes del LST que incorporan información de intensidad. También se ha considerado una perspectiva distinta, basada en una formulación de la segmentación mediante la minimización de un funcional común que permite el uso del LST y la intensidad, respetando sus formas de representación y las medidas de distancia más adecuadas. Además, se propone un procedimiento adaptativo para la obtención de los parámetros de equilibro entre ambos términos, teniendo en cuenta sus respectivas capacidades de discriminación. En esta tesis también se estudia la segmentación de campos tensoriales. En esta dirección, se propone una extensión de los métodos que marcan el estado del arte en segmentación de tensores basada en el modelado de los datos tensoriales mediante mezclas de gaussianas. La aplicación de este esquema puede orientarse al uso combinado de la intensidad y la textura, como se ha mencionado anteriormente, así como a la