dc.contributor.author | Chen, Zhonghua | |
dc.date.accessioned | 2024-02-08T09:14:13Z | |
dc.date.available | 2024-02-08T09:14:13Z | |
dc.date.issued | 2024 | |
dc.identifier.isbn | 978-951-39-9936-0 | |
dc.identifier.uri | https://jyx.jyu.fi/handle/123456789/93303 | |
dc.description.abstract | Lääketieteellisen kuva-analyysin alalla kohteiden tarkka segmentointi on vaativaa.
Viime vuosikymmenien aikana kehitetyt segmentointimenetelmät ovat
tarkoitettu pääasiassa yksittäisille kohteille. Useiden kohteiden segmentointiin
kerralla ei edelleenkään ole sujuvia prosesseja. Lääketieteellinen kuva-analyysi
sisältää monia vaiheita ja on työläs. Nykyiset kehitysalustat eivät mahdollista
useiden vaiheiden tehokasta yhdistämistä, mikä hidastaa alan kehitystyötä. Tästä
syystä useiden kohteiden samanaikainen tarkka segmentointi sekä tehokkaan
kehitysalustan luominen tarvitaan lisätutkimusta.
Tämä väitöskirja laajentaa lääketieteellisen kuvan segmentoinnin tutkimusta
kolmella tavalla. Ensinnäkin työssä on kehitetty kolmiulotteisia joustavia
ja muunneltavia monielinmalleja, joita lähestyttiin nk. pääkomponenttianalyysin
ja neuroverkkomenetelmien avulla. Tulokset laajentavat mahdollisuuksia monielinmallien
muodonmuutoksille, mutta työssä myös käsitellään yleistä näytteistyksen
harvuuden ongelmaa. Toiseksi työssä sovitetaan vallitsevaa ymmärrystä
muunneltavista malleista ja ihmisen vuorovaikutuksesta useiden elinten samanaikaiseen
segmentointiin. Tulokset osoittavat, että useita elimiä voidaan segmentoida
nopeasti ja tarkasti. Segmentointimenetelmä on myös stabiili eli ”robusti”.
Kolmanneksi työssä on kehitetty AnatomySketch nimetty ohjelmisto tehokkaiden
lääketieteellisten kuvantamisalgoritmien toteuttamiseen perustuen edellä
mainittuihin tekniikoihin. Ohjelmisto sisältää joustavan plug-in-liittymän ja
käyttäjäystävällisen graafisen käyttöliittymän, mikä mahdollistaa nopeiden prototyyppien
luomisen ja testaamisen. Tulokset osoittavat, että ohjelmisto kaventaa
laboratorioprototyyppien ja kliinisen työn välistä kuilua ja nopeuttaa kuvantamisalgoritmien
kehitystä.
Työ demonstroi muunneltavia elinmallien konstruoinnin sekä mallintaa
ja segmentoitu onnistuneesti useampia elimiä yhdellä kertaa. Lisäksi
AnatomySketch-ohjelmisto on osoittautunut toiminnallisuudeltaan tehokkaaksi
lääketieteellisten kuvantamisalgoritmien kehityksessä.
Avainsanat: Lääketieteellinen kuva-analyysi, tilastollinen muotomalli, pääkomponenttianalyysi,
pinottu autoenkooderi, hiiren mikro CT-kuvat, käyttäjävuorovaikutus,
syväoppiminen, AnatomySketch. | fin |
dc.description.abstract | In the field of medical image analysis (MIA), accurate segmentation of targets has
encountered numerous challenges. Segmentation methods targeting a single
specific object have emerged over the past few decades. But the implementation
of segmentation methods for multiple targets is technically challenging. MIA is a
laborious process with many stages. Current development platforms do not
allow for multiple stages efficiently, which slows down the development process.
The accurate segmentation of multiple targets simultaneously and the creation of
an efficient development platform still require further research.
This thesis expands medical image segmentation (MIS) research in three
ways. Firstly, it develops three-dimensional (3D) flexible and deformable multiorgan
models, which are investigated using methods based on principal
component analysis (PCA) and neural networks. The results expand the
deformability of the multi-organ models but also address the general sparsity of
samples in large dimensions. Secondly, existing knowledge of deformable
models and human interaction is adapted for the simultaneous segmentation of
multiple organs. The results demonstrate that such a technique can segment
multiple organs quickly and accurately. The segmentation method is also stable
or 'robust.' Thirdly, the thesis develops a software named AnatomySketch (AS)
for implementing efficient medical imaging algorithms, enabling the
aforementioned techniques. The software includes a flexible plug-in interface
and a user-friendly graphical user interface (GUI), facilitating the creation and
testing of rapid prototypes. The results show that the software bridges the gap
between laboratory prototypes and clinical work and accelerates the
development of imaging algorithms.
The thesis successfully demonstrates deformable organ model construction
and performs simultaneous segmentation of multiple organs. Additionally, the
AS software has proven to be effective in the development of medical imaging
algorithms.
Keywords: Medical image analysis (MIA), statistical shape model (SSM),
principal component analysis (PCA), stacked autoencoder (SAE), mouse micro-
CT images, user interaction, deep learning (DL), AnatomySketch (AS) | eng |
dc.format.mimetype | application/pdf | |
dc.language.iso | eng | |
dc.publisher | Jyväskylän yliopisto | |
dc.relation.ispartofseries | JYU Dissertations | |
dc.relation.haspart | <b>Artikkeli I:</b> Chen, Z., Ristaniemi, T., Cong, F., & Wang, H. (2020). Multi-resolution Statistical Shape Models for Multi-organ Shape Modelling. In <i>M. Han, S. Qin, & N. Zhang (Eds.), ISNN 2020 : Advances in Neural Networks : 17th International Symposium on Neural Networks, Proceedings (pp. 74-84). Springer. Lecture Notes in Computer Science, 12557.</i> DOI: <a href="https://doi.org/10.1007/978-3-030-64221-1_7"target="_blank"> 10.1007/978-3-030-64221-1_7</a> | |
dc.relation.haspart | <b>Artikkeli II:</b> Chen, Z., Wang, H., Cong, F., & Kettunen, L. (2022). Construction of Multi-resolution Multi-organ Shape Model Based on Stacked Autoencoder Neural Network. In <i>ICACI 2022 : 14th International Conference on Advanced Computational Intelligence (pp. 62-67). IEEE.</i> DOI: <a href="https://doi.org/10.1109/ICACI55529.2022.9837706"target="_blank"> 10.1109/ICACI55529.2022.9837706</a> | |
dc.relation.haspart | <b>Artikkeli III:</b> Chen, Z., Wang, H., Cong, F., & Kettunen, L. (2022). Low-Dose Mouse Micro-CT Image Segmentation Based on Multi-Resolution Multi-Organ Shape Prior Knowledge Model. In <i>CIPAE 2022 : 2022 International Conference on Computers, Information Processing and Advanced Education (pp. 349-353). IEEE.</i> DOI: <a href="https://doi.org/10.1109/cipae55637.2022.00079"target="_blank"> 10.1109/cipae55637.2022.00079</a> | |
dc.relation.haspart | <b>Artikkeli IV:</b> Zhuang, M., Chen, Z., Wang, H., Tang, H., He, J., Qin, B., Yang, Y., Jin, X., Yu, M., Jin, B., Li, T., & Kettunen, L. (2022). AnatomySketch : An Extensible Open-Source Software Platform for Medical Image Analysis Algorithm Development. <i>Journal of Digital Imaging, 35(6), 1623-1633.</i> DOI: <a href="https://doi.org/10.1007/s10278-022-00660-5"target="_blank"> 10.1007/s10278-022-00660-5</a> | |
dc.rights | In Copyright | |
dc.title | Multi-organ Medical Image Analysis, Modeling, and Segmentation Exploiting Pre-existing Knowledge | |
dc.type | Diss. | |
dc.identifier.urn | URN:ISBN:978-951-39-9936-0 | |
dc.contributor.tiedekunta | Faculty of Information Technology | en |
dc.contributor.tiedekunta | Informaatioteknologian tiedekunta | fi |
dc.contributor.yliopisto | University of Jyväskylä | en |
dc.contributor.yliopisto | Jyväskylän yliopisto | fi |
dc.relation.issn | 2489-9003 | |
dc.rights.copyright | © The Author & University of Jyväskylä | |
dc.rights.accesslevel | openAccess | |
dc.type.publication | doctoralThesis | |
dc.format.content | fulltext | |
dc.rights.url | https://rightsstatements.org/page/InC/1.0/ | |