Tvarová klasifikace pro detekci chybně segmentovaných kostí v CT datech

Abstract

Práce pojednává o možnostech využití tvarové klasifikace pro detekci chybně segmentovaných (přerušených) kostí v datech výpočetní tomografie (CT). Je provedena rešerše publikovaných metod a algoritmů zabývajících se segmentací kostních struktur v CT datech. Následně je implementována segmentace kortikálních částí kostí metodou prostého prahování s globálním prahem. Práh je určen optimalizovaným proložením histogramu vybraným typem pravděpodobnostního rozdělení. Dále jsou popsány deskriptory, kterými lze kvantitativně popisovat tvary objektů v obrazu. Následně je implementována extrakce kontur a je aplikován vyhovující tvarový deskriptor - kumulativní úhlová funkce. Finálně jsou pomocí spojité vlnkové transformace detekovány body, které mohou potenciálně indikovat chybně segmentované kosti. Zmíněná technika je testována na reálných CT datech.The thesis discusses the possibilities of using contour shape classification for detection of mis-segmented bones in computed tomography (CT) data. In the first part there are presented published methods and algorithms which deal with the segmentation of bone structures in CT data. Then segmentation of cortical bones is implemented by a simple thresholding with global threshold. The threshold is determined by the optimized fitting of a selected type probability distribution to the histogram. Subsequently, the thesis describes some important shape descriptors that can quantitatively describe the shapes of objects in the image. Further, the contour extraction is implemented and a suitable shape descriptor, cumulative angular function, is applied. Finally, the points which can potentially indicate mis-segmented bones are detected by using continuous wavelet transform. The proposed technique is tested on the real CT data.