Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Segmentation of White Matter Lesions – Using Multispectral MRI and Cascade of Support Vector Machines with Active Learning.
KTH, Skolan för datavetenskap och kommunikation (CSC).
2011 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Segmentation of White Matter Lesions

Using Multispectral MRI and Cascade of Support Vector Machines with Active Learning

Soheil Damangir

December 2011

The areas in cerebral white matter that appear hyperintense on T2-weighted (T2) magnetic resonance image (MRI) and hypointense on computed tomography (CT) are commonly referred as white matter lesions (WML). WML have been consistently related to vascular risk factors and they could have predictive value for future stroke, dementia and functional decline in activities of daily living.

Although, there is an important body of evidence regarding the importance of WML, the segmentation of these changes on different MRI modalities is not yet, validated and standardized.

The aim of this thesis was to segment the WML using multispectral MRIs based on a fully automated method.

A new method using a cascade of support vector machine (SVM) classifiers with active learning is proposed for the segmentation of the WML. It has been shown that this training method not only increase the speed of classification, but also helps to boost the accuracy of classification in biased datasets.

The classification method is put together with preprocessing and post-processing to form a general segmentation framework. To validate the method, a model was trained using two subjects and tested against the remaining 100 subjects. Results were validated against manually outlined WML which is the method that could provide replicable results between studies so far. Also, comparisons with other automatic segmentation procedures were performed. Results of this study proved to be comparable with the results from manual outlining in terms of both sensitivity and specificity

Abstract [sv]

Automatisk Segmentering av Vitsubstans Skador

i Magnetresonans Tomografi Bilder

Soheil Damangir

December 2011

Områden i hjärnans vitsubstans som verkar hyper-intensiva på T2 magnetresonans tomografi (MRT) bilder och hypo-intensiva på dator tomografi (DT) är så kallade vitsubstans skador. Vitsubstans skador är relaterade till vaskulära riskfaktorer och man tror att personer med dessa typer av skador löper större risk att få framtida stroke och utveckla olika former av demens sjukdomar.

även fast det finns bevis som stödjer betydelsen av vitsubstans skador så finns det fortfarande inga segmenterings metoder för kvantifiering av dessa skador som är validerade och standardiserade.

Syftet med detta examensarbete är att segmentera vitsubstans skador med multispektrala MRT bilder med hjälp av en automatiserad metod.

Vi föreslår en ny metod som använder kaskadkopplad stödvektormaskin (SVM) klassificering med aktivt inlärning. Det har visat sig att denna metod inte bara ökar hastigheten på klassificeringen, utan även bidrar till att öka antalet korrekt klassificerade dataset.

Inom denna klassificerings metod ingår både förbehandling och efterbehandling av datat. Två dataset användes för att träna metoden och resterande hundra för testning. Resultatet av den automatiserade metoden validerades emot manuell utlinjering. Manuell utlinjering är den enda metod som hittills kunnat producera jämförbara resultat mellan mätningar. Dessutom har jämförelser med andra automatiska segmentering metoder utförts. Våra resultat visar att vi med hjälp av en automatiserad metod kan erhålla jämförbara resultat med manuell utlinjering av vitsubstans skador.

Ort, förlag, år, upplaga, sidor
2011.
Serie
Trita-CSC-E, ISSN 1653-5715 ; 2011:147
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:kth:diva-130680OAI: oai:DiVA.org:kth-130680DiVA, id: diva2:654127
Utbildningsprogram
Teknologie masterexamen - Systemteknik och robotik
Uppsök
teknik
Handledare
Examinatorer
Tillgänglig från: 2013-10-07 Skapad: 2013-10-07 Senast uppdaterad: 2018-01-11

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

http://www.nada.kth.se/utbildning/grukth/exjobb/rapportlistor/2011/rapporter11/damangir_soheil_11147.pdf
Av organisationen
Skolan för datavetenskap och kommunikation (CSC)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 147 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf