Kernel-based image analysis towards MRI segmentation and classification

Abstract

Recientemente, el análisis de imágenes médicas ha recibido gran interés debido a su amplia gama de aplicaciones incluyendo cirugía cerebral, construcción de atlases, y diagnostico asistido por computador. Por otro lado, la teoría de Kernels es uno de los métodos de aprendizaje de maquina más empleados en variadas tareas debido a sus propiedades y múltiples técnicas. En este trabajo, se combinan las imágenes médicas, en particular las imágenes de resonancia magnética, y la teoría de Kernels para mejorar las tareas de segmentación y clasificación. La primera contribución de esta tesis es un nuevo criterio para la sintonización del ancho de banda del Kernel Gaussiano, como ´único parámetro libre, el cual es denominado KEIPV. El algoritmo maximiza la variabilidad del potencial de información en el espacio reproducido de Hilbert. Este criterio se emplea para la sintonización de todos los Kernels Gaussianos considerados en este trabajo. Luego, se propone una nueva representación de imágenes 3D que realza las categorías inherentes en los sujetos, específicamente edad y género. La medida embebida de similitud de imágenes soporta los algoritmos de segmentación basados en atlases al seleccionar las plantillas más relevantes de tal forma que se reduce el costo computacional (inducido por el registro deformable) y se mejora el desempeño de segmentación. Posteriormente, se proponen dos estrategias de segmentación basadas en atlases: La primera presenta una función de costo empleando medidas de información para el esquema de segmentación Bayesiana, tal que los parámetros del modelo se ajustan mejor a las propiedades de la imagen. La segunda es una estrategia empleando parches, para la que se propone una extracción de características voxel a voxel local que se entrena con información supervisada proveniente de las etiquetas de voxeles vecinos. Con este objetivo, la maximización del criterio del alineamiento de Kernels centralizados (CKA) que mejora la discriminación de tejidos en el espacio de características. Finalmente, un nuevo esquema de entrenamiento para perceptrones multicapa (MLP) se describe en el último capítulo con dos contribuciones: Una etapa de pre-entrenamiento supervisado usando CKA que estima matrices de proyección lineal; y una función de costo empleando la entropía condicional de matrices para el ajuste fino de los parámetros del MLP en un esquema de actualización por retropropagación

Abstract : Recently medical image analysis has received significant interest due to its wide span of applications including brain surgery, atlas building, and computer-aided diagnosis. In addition, kernel theory is one of the most considered machine learning methods in several tasks due to its properties and multiple techniques. In this work, we combine both medical images, specifically magnetic resonance images, and kernel theory for improving segmentation and classification tasks. The first contribution of the thesis is a novel tuning criterion for Gaussian kernel bandwidth parameter, termed KEIPV. The approach maximizes the information potential variability in the reproduced Hilbert space. Such criterion allows tuning all Gaussian kernels considered in this work. Secondly, we propose new image representation that highlights inherent image categories, particularly age and gender. Resulting embedded image similarity supports atlas-based segmentation algorithms by selecting the most relevant templates so that computational cost (induced by pairwise image registration) and segmentation performance are improved. Then, we propose two template-based segmentation approaches: The first one introduces an information cost function in the Bayesian image intensity modeling so better fitting model parameters to the image properties. The second approach is patch-based, where we introduce a voxel-wise feature extraction locally learned using supervised information provided by neighboring label voxels. To this end, the maximization of the centered kernel alignment (CKA) criterion enhances the tissue discrimination in the feature space. Finally, a new training scheme for multi-layer perceptron (MLP) is described in the last chapter with two contributions: A supervised pre-training MLP stage using CKA to learn linear projecting matrices; and a matrix conditional entropy cost function for training MLP parameters in a backpropagation updating scheme.