segmentación automática de estructuras nerviosas en

1/52

Introduccion Objetivos Marco Conceptual Materiales y Metodos Resultados y Discusion Consideraciones Finales Agradecimientos

Segmentacion automatica de estructuras nerviosasen imagenes de ultrasonido: una comparacionentre tecnicas de procesamiento de imagenes y

modelos Bayesianos no parametricos.

Juan Jose Giraldo Gutierrez

Director: Ph.D. Mauricio Alexander Alvarez

July 15, 2015Juan Jose Giraldo Gutierrez UTP

Comparacion ASM vs. NPBHC

2/52


Contenido

1 Introduccion

2 Objetivos

3 Marco Conceptual

4 Materiales y Metodos

5 Resultados y Discusion

6 Consideraciones Finales

7 Agradecimientos

8 References

Juan Jose Giraldo Gutierrez UTP


3/52


Motivacion

Las imagenes de ultrasonido dado que constituyen una tecnicano invasiva, se han convertido en una herramienta util para lavisualizacion de estructuras nerviosas en procedimientos asoci-ados a la practica de anestesiologıa [1].

La pobre inteligibilidad de este tipo de imagenes dificulta la pre-cision de los especialistas en el procedimiento de anestesiologıa[2].

La perdida de uniformidad en la texturas de las imagenes y sudegradacion debida a la presencia de un ruido multiplicativoacustico conocido como speckle, hace del tratamiento de estetipo de imagenes una tarea desafiante [3].

Poco desarrollo en el estado del arte respecto al tratamientode imagenes de ultrasonido como asistencia para la practica deanestesiologıa.



4/52


Problema de Investigacion

Es posible desarrollar una metodologıa para la segmentacionde estructuras nerviosas en imagenes medicas de ultrasonidoe incrementar su inteligibilidad, facilitando ası los procesos deanestesiologıa?



5/52


Objetivos I

General

Desarrollar una metodologıa para la segmentacion automatica deestructuras nerviosas en 3 tipos de imagenes comunes en la practicade anestesiologıa; Estructura Cubital (brazo), Peroneal (detras dela rodilla) y del Mediano (antebrazo), basada en los resultadosobtenidos a partir de dos enfoques del tratamiento de senales: Proce-samiento de Imagenes y Modelos Bayesianos no parametricos.

Especıficos

Desarrollar algoritmos para la segmentacion de imagenes deultrasonido, basados en modelos de forma.

Desarrollar algoritmos para la segmentacion de imagenes deultrasonido, basados en modelos Bayesianos No Parametricos.



6/52


Objetivos II

Validar el desempeno de los algoritmos desarrollados en relaciona una segmentacion manual de las estructuras nerviosas, sum-inistrada por un especialista en anestesiologıa.



7/52


Filtrado Speckle basado en Non Local Means

El speckle es un ruido de degradacion inherente a la captura deimagenes de ultrasonido. Uno de los metodos mas relevantes en elestado del arte consiste en una adaptacion del filtro Non Local (NL)means propuesto por Coupe et. al. en [3], en el cual se utiliza unaestructura Bayesiana para derivar un filtro NL-means adaptado a unmodelo de reduccion de ruido de ultrasonido [4].



8/52


Filtrado Speckle basado en Non Local Means I

Considerese una imagen ruidosa en escala de grices u = (u (xi )) , xi ∈ Ωdim

definida alrededor de un dominio delimitado por Ωdim ⊂ Rdim y u (xi ) ∈ R+

es la intensidad ruidosa observada en un pixel xi ∈ Ωdim.1 Equivalente alestimador de media condicional propuesto en [4], el estimador v(Bik ) deun bloque Bik puede ser definido como

v(Bik ) =

|∆ik |∑j=1

u(Bj)p (u(Bik )|u(Bj))

|∆ik |∑j=1

p (u(Bik )|u(Bj))

,



9/52


Filtrado Speckle basado en Non Local Means II

donde p (u(Bik )|u(Bj)) denota la funcion de densidad de probabilidad deu(Bik ) dado el ruido y los parches desconocidos u(Bj) con Bi como unbloque cuadrado centrado en xi de tamano |Bi | = (2α+ 1)dim y ∆i comoun volumen cuadrado de busqueda centrado en el pixel xi de tamano |∆i | =(2M + 1)dim (M es el tamano del area de busqueda y α es el tamano delparche).

1dim denota la dimension de la cuadricula de la imagen. En este trabajo seutilizo dim = 2 para imagenes 2D.



10/52


Modelo de Forma Activa I

El modelo de forma activa (ASM) se deriva de un conjunto deimagenes de entrenamiento, cada una representada por un conjuntode n landmarks de puntos caracterısticos de la estructura nerviosapresente en la imagen. El entrenamiento del modelo ASM se llevaa cabo teniendo en cuenta:

Etiquetado del conjunto de entrenamiento.

Derivacion del Modelo de Forma.



11/52


Modelo de Forma Activa II

Etiquetado del conjunto de entrenamiento: la forma de un ob-jeto esta representada por un conjunto de n puntos, en cualquierdimension (comunmente en 2-D o 3-D). Por ejemplo, si se tieneuna imagen 2-D se puede representar n puntos de referencia como(xi , yi ), el vector x estara compuesto por 2n elementos de la forma

x = (x1, . . . , xn, y1, . . . , yn)T .

El conjunto de entrenamiento constituye en si las variaciones delas formas objetivo y son entonces las variaciones de las formas losmodos posibles a modelar.



12/52


Modelo de Forma Activa III

Derivacion del Modelo de Forma:

Analisis de Procrustes para centralizar las formas en un sistemas decoordenadas comun [5].

Analisis de Componentes Principales (PCA) para obtener los vec-tores propios pk y valores propios λk que representan los modos devariacion.

Los datos originales pueden ser aproximados por los primeros t modosy el conjunto de entrenamiento puede ser obtenido por

x = x + Pb,

donde x = (x1, y1, ..., xn, yn)T es la forma media (un vector medio

de las etiquetas), P = (p1,p2, ...,pt)T es la matriz de los primeros t

valores propios y b = (b1, b2, ..., bt)T es un vector de parametros de

forma.



13/52


Ajuste del ASM I

Un ejemplo de un modelo en una imagen es descrito por los parametrosde forma, b, sujeto a una transformacion de las coordenadas delmodelo a las coordenadas de la imagen [6]. Por lo tanto, ello con-siste en una transformacion de Similaridad si se define la posicion(Xt ,Yt), la rotacion θ y escalado s del modelo en la imagen. Lasposiciones de los puntos del modelo en la imagen x , estan dadosentonces por:

x = TXt ,Yt ,θ,s (x + Pb) ,

donde TXt ,Yt ,θ,s corresponde a la transformacion de la rotacion θ,escalado s y traslacion de (Xt ,Yt).



14/52


Ajuste del ASM II

Para encontrar la mejor pose y parametros de tal manera que elmodelo pueda estimar un nuevo conjunto de puntos Y en la imagen,se debe minimizar el cuadrado de la distancia entre el modelo ASMentrenado y los puntos en la imagen a estimar, de tal forma que seminimice:

‖Y − TXt ,Yt ,θ,s (x + Pb)‖22 .



15/52


Modelo Bayesiano No parametrico I

El analisis matematico del modelo no parametrico, Modelo infinitode Mezclas Gaussianas (iGMM) se deriva del modelo clasico de Mez-clas de Gaussianas (GMM) [7], en el cual el numero de mezclas esuna constante conocida. Se puede expresar matematicamente elGMM como:

p(y , µ1, ..., µk , s1, ..., sk , π1, ..., πk) =k∑

j=1πjN (µj , sj

−1),

donde k es el numero de mezclas, sj son las precisiones, πj lasproporciones de mezcla y µj las medias. Por lo tanto, el analisissugiere explorar el lımite en el cual k →∞.



16/52


Modelo Bayesiano No parametrico II

Cuando k → ∞, el prior condicional alcanza los siguientes lımites[8],

cuando n−i ,j > 0 : p(ci = j |c−i , α) =n−i,j

n−1+α ,

otros : p(ci 6= ci ′ forall i′ 6= i |c−i , α) = α

n−1+α ,

donde n−i ,j es el numero de observaciones, excluyendo yi , los cualesestan asociados con la componente j , y “otros” se refiere a todas lasdemas componentes combinadas. Los priors finalmente obtenidosse refieren a un caso particular de un proceso de Dirichlet conocidocomo el Proceso del Restaurante Chino [9].



17/52


Modelo Bayesiano No parametrico III

Figure: Interpretacion del Proceso del Restaurante Chino, tomada de[10]. En rojo cada nuevo cliente (dato) que entra y busca donde sentarse.Las mesas con mas clientes tienen mayor probabilidad de llenarse.



18/52


Clustering Jerarquico Clasico

El Clustering Jerarquico (HC) es un metodo que permite anidar clustersdentro de otro, creando una estructura ordenada de jerarquıas [7]. El HCpuede ser desarrollado a traves de dos enfoques: clustering aglomerativoo clustering divisivo. El primero, tambien conocido como “De abajo haciaarriba” consiste en definir una matriz de disimilaridades con medidas delas distancias promedio entre pares de datos como

davg (G ,H) =1

NGNH

∑i∈G

∑i ′∈H

di,i ′ ,

donde NG es el numero de elementos en el grupo G , NH el numero deelementos en el grupo H y di,i ′ la distancia entre un dato i y un dato i ′

[11].



19/52


Base de Datos

Esta base de datos contiene 75 imagenes de ultrasonido de diezpacientes, las cuales estan relacionadas con el bloqueo de nerviosperifericos.La base de datos se capturo mediante conexion AV (Audio/video)con un dispositivo Sonosite NanoMaxx con un tamano maximo delas imagenes de 640x480 pixeles.

Figure: Un ejemplo de las imagenes de ultrasonido del nervio mediano(izquierda), nervio peroneal (medio) y nervio cubital (derecha) con unasegmentacion manual de la region de interes (ROI).



20/52


Caja de Herramientas I

ASM and AAM Toolbox

Para la implementacion del ASM, se utilizo el Toolbox de MATLABActive Shape Model (ASM) and Active Appearance Model (AAM).

2

2Se utilizo la implementacion ASM disponible enhttp://www.mathworks.com/matlabcentral/fileexchange/

26706-active-shape-model--asm--and-active-appearance-model--aam-



http://www.mathworks.com/matlabcentral/fileexchange/26706-active-shape-model--asm--and-active-appearance-model--aam-

http://www.mathworks.com/matlabcentral/fileexchange/26706-active-shape-model--asm--and-active-appearance-model--aam-

21/52


Caja de Herramientas II

Funcion Inferencia iGMM

La inferencia del iGMM se realizo mediante un metodo de Cadenas deMarkov Monte Carlo (MCMC) conocido como Slice Sampling [12, 9],haciendo uso de la funcion mb iGMM1D.m.

3

3Se utilizo la implementacion del iGMM disponible enhttp://www.mathworks.com/matlabcentral/fileexchange/

34839-1d-infinite-gaussian-mixture-model/content/mb_iGMM1D.m



http://www.mathworks.com/matlabcentral/fileexchange/34839-1d-infinite-gaussian-mixture-model/content/mb_iGMM1D.m

http://www.mathworks.com/matlabcentral/fileexchange/34839-1d-infinite-gaussian-mixture-model/content/mb_iGMM1D.m

22/52


Esquema Metodologico con Base en ASM

ASM ASM Speckle Removal Speckle Removal

Figure: Diagrama de flujo para la segmentacion del nervio periferico.Primero el ruido speckle es removido de las imagenes de la base de datosy en consecuencia el ASM deforma su contorno para ajustar la estructuranerviosa dada. En color rojo: puntos ajustados a la estructura nerviosacubital.



23/52


Esquema Bayesiano No parametrico de HC

iGMM iGMM Speckle Removal Speckle Removal

HC HC

Figure: Esquema modelo Bayesiano no Parametrico de ClusteringJerarquico (NPBHC). Primero el ruido speckle es removido, el iGMM esusado para segmentar las intensidades de la imagen y los segmentos sonusados para jerarquizar la intensidad y ubicacion de los pixeles.



24/52


Validacion

Con la intencion de tener una medida cuantitativa de la precisionen los modelos de segmentacion, se computo el error cuadraticomedio (MSE) de la distancia Euclidiana entre la forma (contorno)ajustado por los modelos y las etiquetas manuales suministradas porun especialista en anestesiologıa, la metrica usada de define como

Error =1

NINpts

Npts∑i=1

‖pi − pi‖,

donde pi son los puntos etiquetados manualmente y pi son los pun-tos estimados por los modelos propuestos. De la misma manera,NI es el numero de imagenes etiquetadas manualmente y Npts es elnumero de puntos que fueron estimados [13].



25/52


Resultados Experimentales

En esta seccion se exponen los resultados de la segmentacion delas estructuras nerviosas pertenecientes a la base de datos UltraDB-UTP, obtenidos mediante la tecnica del procesamiento de imagenesconocida como ASM y el modelo Bayesiano no parametrico de Clus-tering Jerarquico (NPBHC). Teniendo en cuenta que todos los al-goritmos fueron implementados en MATLAB con un Core i5 con2.5GHz y 6GB de RAM.



26/52


Resultados Modelo ASM I

La ejecucion del modelo toma alrededor de 150 iteraciones mientras sedeforma el contorno inicial y se ajusta a la estructura nerviosa y alrededorde 8 segundos de tiempo en la CPU por imagen [14].

(a) (b) (c) (d)



27/52


Resultados Modelo ASM II

(e) (f) (g) (h)

(i) (j) (k) (l)

Figure: Resultados obtenidos con el ASM. De izquierda a derecha: ajustedel algoritmo con 1, 5, 50 y 150 iteraciones. Nervio Mediano (Primera



28/52


Resultados Modelo ASM III

fila), Nervio Cubital (Segunda fila), Nervio Peroneal (ultima fila). Puntosen color rojo: el contorno que se deforma a medida que transcurren lasiteraciones para ajustar la estructura nerviosa.



29/52


Resultados Modelo ASM III

0 50 100 1502

2.5

3

3.5

4

4.5

5

MS

E

Iteración

MedianoCubitalPeroneal

Figure: Error promedio del modelo ASM para los nervios cubital (rojo),mediano (azul) y peroneal (negro), con relacion al numero de iteracionesdel algoritmo.



30/52


Resultados iGMM I

La ejecucion del modelo toma alrededor de 250 iteraciones en elproceso de inferencia. La ejecucion de todo el modelo en generaltoma alrededor de 1.5 minutos del tiempo de la CPU por imagen.El numero de clusters ajustados por el iGMM estuvo concentradoalrededor de 3−10 clusters (segmentos) para todas las imagenes dela base de datos UltraDB-UTP [15].



31/52


Resultados iGMM II

0 50 100 150 200 250 3000

0.005

0.01

0.015

(a)

0 50 100 150 200 2502

4

6

8

10

12

14

16

Núm

ero

de C

lust

ers

Número de Iteraciones

(b)

Figure: Resultados iGMM para imagen del Mediano. Histograma(izquierda) y Clusters Ajustados (derecha). En color cyan el modelo demezcla ajustado al histograma.



32/52


Resultados iGMM III

0 50 100 150 200 2500

0.002

0.004

0.006

0.008

0.01

0.012

0.014

0.016

(a)

0 50 100 150 200 2502

3

4

5

6

7

8

9

10

11

Núm

ero

de C

lust

ers


(b)

Figure: Resultados iGMM para imagen del Cubital. Histograma(izquierda) y Clusters Ajustados (derecha). En color cyan el modelo demezcla ajustado al histograma.



33/52


Resultados iGMM IV

0 50 100 150 200 250 3000

0.005

0.01

0.015

0.02

0.025

(a)

0 50 100 150 200 2502

3

4

5

6

7

8

9

Núm

ero

de C

lust

ers


(b)

Figure: Resultados iGMM para imagen del Peroneal. Histograma(izquierda) y Clusters Ajustados (derecha). En color cyan el modelo demezcla ajustado al histograma.



34/52


Resultados Modelo NPBHC I

(a) (b) (c)

(d) (e) (f)



35/52


Resultados Modelo NPBHC II

(g) (h) (i)

Figure: Resultados obtenidos por el NPBHC. Primera columna de arribahacıa abajo: imagen original de los nervios Mediano, Cubital y Peroneal.Segunda Columna: Segmentacion por el iGMM. Tercera Columna:Segmentacion por iGMM and HC. Color cyan: ROI encontrada por elmodelo. Lınea roja: ROI etiquetada manualmente por el anestesiologo.



36/52


Resultados Modelo NPBHC III

(a) (b) (c)

Figure: Resultados obtenidos por el modelo NPBHC. Arteria (rojo) yestructuras musculares mezcladas con tejidos acuosos (los demas colores)(a), sombra acustica (purpura y azul) y estructuras musculares mezcladascon tejidos acuosos (los demas colores) (b), piel y grasa (purpura,naranja, rosado, azul y habano), estructura nerviosa (amarillo), contornode arteria (verde, blanco y azul claro) y sombra acustica (cafe) (c). Lalınea roja es la ROI etiquetada manualmente.



37/52


Resultados Modelo ASM vs. Modelo NPBHC I

El modelo ASM logra ajustar los contornos de las estructuras nerviosascon una precision alrededor de 2.5 pixeles de error, su bajo tiempode ejecucion hace de este una herramienta util en los procesos deanalisis de imagenes asociadas a la practica de anestesiologıa, por subajo costo computacional. Sin embargo, el ASM tiene una tendenciaal ajuste erroneo de las estructuras nerviosas cuando el contorno ini-cial que sera deformado en el proceso de ajuste esta muy alejado dela estructura.



38/52


Resultados Modelo ASM vs. Modelo NPBHC II

Por otra parte, el modelo NPBHC tiene la capacidad de aglomerar lainformacion de la imagen de ultrasonido, mejorando la inteligibilidadde la misma y no solo dando claridad en las estructuras nerviosas,sino tambien realzando las estructuras acuosas, piel y musculos. ElNPBHC segmenta las estructuras nerviosas con una precision alrede-dor de 1.5 pixeles de error superior al ASM, aunque su tiempo deejecucion se incrementa considerablemente por el proceso de inferen-cia del iGMM.

Ambos modelos implementados en MATLAB muestran resultados rel-evantes en la precision de la segmentacion, sin embargo su utilidaden procesos de anestesiologıa en tiempo real estan supeditados a laexploracion de un mejor tiempo de ejecucion sobre otros lenguajes deprogramacion. La Figura 12 muestra el desempeno obtenido en elproceso de validacion de cada uno de los modelos utilizados, para lasegmentacion de los nervios cubital, mediano y peroneal.



39/52


Resultados Modelo ASM vs. Modelo NPBHC III

0

0.5

1

1.5

2

2.5

3

3.5

C M P C** M** P**Estructura Nerviosa

Erro

r Pre

cisi

ón(M

SE)

Figure: Error de precision en la segmentacion para los tres nerviosCubital (C), Mediano (M) y Peroneal (P). El sımbolo ∗∗ en elvertice x quiere decir que el esquema de segmentacion usadocorresponde al ASM y los demas al NPBHC. Las cruces rojasindican errores atıpicos.



40/52


Conclusiones I

En este trabajo se desarrollaron dos metodologıas para la segmentacionde imagenes de ultrasonido asociadas a la practica de anestesiologıa,utilizando un modelo del procesamiento de imagenes conocido comoASM y un modelo denominado NPBHC que es el complemento entreiGMM y HC. Se construyo una base de datos denominada UltraDB-UTP con un etiquetado del contorno de las estructuras nerviosascubital, peroneal y mediano por un especialista en el area.

El modelo ASM se entreno mediante el aprendizaje de los modos devariacion de las formas de las estructuras nerviosas presentes en labase de datos, de tal manera que al ubicar un contorno elipsoidalsobre una region que contenga la estructura nerviosa, un algoritmodeforme el contorno hasta ajustar la estructura nerviosas presente.



41/52


Conclusiones II

El modelo NPBHC con un enfoque no supervisado, ajusta el numerode segmentos (clusters) presentes en la imagen en escala de gricesmediante iGMM y con base en estos segmentos se ejecuta un HC queaglomera la informacion de la imagen de forma tal que se segmen-tan estructuras acuosas, piel, grasa y particularmente la estructuranerviosa de interes.

Los resultados de la precision en la segmentacion de los modelos,indican que ambos modelos son promisorios dadas las necesidades deprecision en las practicas de anestesiologıa, no obstante, el modeloNPBHC supera no por un gran margen al modelo ASM.



42/52


Conclusiones III

Es necesario optimizar los tiempos de ejecucion de los modelos ASMy NPBHC, particularmente en este ultimo, el cual resulta ser costosocomputacionalmente dado los procesos de inferencia que son inher-entes al mismo. De tal manera, su implementacion en un sistema entiempo real serıa una herramienta util para la asistencia en la practicade anestesiologıa.

El modelo ASM depende de un contorno de inicializacion cercano ala estructura nerviosa, de esta manera el contorno se deforma hastalograr converger con la forma del contorno de la estructura nerviosa,sin embargo, una inicializacion alejada de la estructura nerviosa nogarantiza un ajuste correcto de la misma.



43/52


Conclusiones IV

El modelo NPBHC logra segmentar no solo las estructuras nerviosaspresentes en las imagenes, sino tambien segmentar estructuras acu-osas, piel, grasa y musculo, que son del interes de un anestesiologo ensu practica, no obstante, es necesario que el anestesiologo identifiquelos subsegmentos descubiertos por el modelo dado que carece de unaetapa final de clasificacion.

Ambos modelos ASM y NPBHC son herramientas que tienen el propositode asistir y dar mayor inteligibilidad de la informacion de las imagenesde ultrasonido, con el fin de incrementar la precision en la practicade anestesiologıa y llegar a reducir los factores de riesgo en pacientescon dificultadades fısicas asociadas al dolor cronico e intervencionesquirurgicas. Ası mismo, su utilidad se ve enmarcada en facilitar losprocesos de ensenanza-aprendizaje de futuros anestesiologos y la dis-minucion en el tiempo de capacitacion de los mismos.



44/52


Trabajos Futuros I

Adquisicion de un equipo de ultrasonido que permita capturar es-tructuras nerviosas con mas profundidad en el cuerpo humano, y detal manera construir una base de datos con una mayor cantidad deimagenes de distintos nervios, lo que conllevarıa a una tarea desafi-ante para la segmentacion de muchas otras estructuras nerviosas.

Implementacion de los algoritmos en otras plataformas y lenguajesde programacion para disminuir el tiempo de computo en el proce-samiento, con miras a la implementacion en tiempo real de un sistemade asistencia en la practica de anestesiologıa.

Seguimiento o tracking de las estructuras nerviosas en videos de in-tervenciones quirurgicas, en especial ante la accion de movimiento dela sonda sobre una region del cuerpo, por parte del anestesiologo.



45/52


Trabajos Futuros II

Un sistema de ubicacion espacial de la estructura nerviosa, con relaciona la ubicacion espacial de la aguja hipodermica, que pueda asistir y/oguiar al anestesiologo hacıa la proximidad de la estructura nerviosapara aplicacion del anestesico.



46/52


Publicaciones

El desarrollo de este trabajo condujo a la publicacion de:

Peripheral Nerve Segmentation Using Speckle Removal and BayesianShape Models. Hernan F. Garcıa, Juan J. Giraldo, Mauricio A.alvarez, alvaro Orozco, y Diego Salazar. Publicacion de un artıculoen Lecture Notes in Computer Science Series, volume 9117, pages387394. Springer International Publishing, 2015. IbPRIA 2015: 7thIberian Conference on Pattern Recognition and Image Analysis.

Peripheral Nerve Segmentation using Nonparametric Bayesian Hier-archical Clustering. Juan J. Giraldo, Mauricio A. alvarez y alvaro A.Orozco. Publicacion de un artıculo en la 37th Annual InternationalConference of the IEEE Engineering in Medicine and Biology SocietyIEEE EMBC 2015 en Milan, Italia.



47/52


Agradecimientos

Agradezco a mi Director Ph.D Mauricio A. Alvarez y al Dr. Diego Salazarquienes constantemente me asesoraron en el desarrollo de este trabajohasta su culminacion. Gracias al Ph.D Alvaro A. Orozco quien me brindosu apoyo y vinculacion al proyecto de investigacion CIE 6-13-6, financiadopor la Universidad Tecnologica de Pereira, bajo el cual se desarrollo estatesis de Maestrıa.



48/52


Gracias!



49/52


Bibliografıa I

G. Dougherty, Medical Image Processing: Techniques and Applications, ser.Biological and Medical Physics, Biomedical Engineering. Springer, 2011.[Online]. Available: http://books.google.com.co/books?id=Kwwv1oQ-hlcC

Z. Tao, H. D. Tagare, and J. D. Beaty, “Evaluation of four probabilitydistribution models for speckle in clinical cardiac ultrasound images.” IEEETrans. Med. Imaging, vol. 25, no. 11, pp. 1483–1491, 2006. [Online]. Available:http://dblp.uni-trier.de/db/journals/tmi/tmi25.html#TaoTB06

P. Coupe, P. Hellier, C. Kervrann, and C. Barillot, “Nonlocal means-basedspeckle filtering for ultrasound images,” Image Processing, IEEE Transactionson, vol. 18, no. 10, pp. 2221–2229, Oct 2009.

C. Kervrann, J. Boulanger, and P. Coupe, “Bayesian non-local means filter,image redundancy and adaptive dictionaries for noise removal,” in Proceedings ofthe 1st International Conference on Scale Space and Variational Methods inComputer Vision, ser. SSVM’07. Berlin, Heidelberg: Springer-Verlag, 2007, pp.520–532. [Online]. Available:http://dl.acm.org/citation.cfm?id=1767926.1767978



http://books.google.com.co/books?id=Kwwv1oQ-hlcC

http://dblp.uni-trier.de/db/journals/tmi/tmi25.html#TaoTB06

http://dl.acm.org/citation.cfm?id=1767926.1767978

50/52


Bibliografıa II

Goodall and Colin, “Procrustes methods in the statistical analysis of shape,”Journal of the Royal Statistical Society, Series B Methodological, vol. 53, pp.285–339, 1991.

T. F. Cootes, C. J. Taylor, D. H. Cooper, and J. Graham, “Active shapemodels-their training and application,” Comput. Vis. Image Underst., vol. 61,no. 1, pp. 38–59, 1995.

K. P. Murphy, Machine learning: a probabilistic perspective, Cambridge, MA,2012.

C. E. Rasmussen, The Infinite Gaussian Mixture Model. MIT Press, 2000.

E. Phadia, Prior Processes and Their Applications: Nonparametric BayesianEstimation. Springer Berlin Heidelberg, 2013. [Online]. Available:http://books.google.com.co/books?id=2HaEnQEACAAJ

E. B. Sudderth, “Graphical models for visual object recognition and tracking,”Ph.D. dissertation, Massachusetts Institute of Technology, Cambridge,Massachusetts, 2006.



http://books.google.com.co/books?id=2HaEnQEACAAJ

51/52


Bibliografıa III

A. N. Selvan, “Highlighting dissimilarity in medical images using hierarchicalclustering based segmentation (hcs),” Ph.D. dissertation, Sheffield HallamUniversity, Sheffield, UK, 2006.

D. J. C. MacKay, Information Theory, Inference & Learning Algorithms. NewYork, NY, USA: Cambridge University Press, 2002.

H. Garcıa, A. Salazar, D. Alvarez, and A. Orozco, “Driving fatigue detectionusing active shape models,” in Advances in Visual Computing, ser. Lecture Notesin Computer Science. Springer Berlin Heidelberg, 2010, vol. 6455, pp. 171–180.[Online]. Available: http://dx.doi.org/10.1007/978-3-642-17277-9 18

H. F. Garcıa, J. J. Giraldo, M. A. Alvarez, A. A. Orozco, and D. Salazar,“Peripheral Nerve Segmentation Using Speckle Removal and Bayesian ShapeModels,” in Pattern Recognition and Image Analysis, ser. Lecture Notes inComputer Science, R. Paredes, J. S. Cardoso, and X. M. Pardo, Eds. SpringerInternational Publishing, 2015, vol. 9117, pp. 387–394. [Online]. Available:http://dx.doi.org/10.1007/978-3-319-19390-8 44



http://dx.doi.org/10.1007/978-3-642-17277-9_18

http://dx.doi.org/10.1007/978-3-319-19390-8_44

52/52


Bibliografıa IV

M. A. A. J. J. Giraldo and A. A. Orozco, “Peripheral Nerve Segmentation UsingNonparametric Bayesian Hierarchical Clustering,” 37th Annual InternationalConference of the IEEE Engineering in Medicine and Biology Society IEEEEMBC 2015, Milan, Italia, 2015.



segmentación automática de estructuras nerviosas en

Documents