Curvilinear structures segmentation in fluoroscopic images

Nicolas Honnorat (1, 2, 3) , Régis Vaillant (3) , Nikolaos Paragios (2, 1)

1 GALEN - Organ Modeling through Extraction, Representation and Understanding of Medical Image Content
2 MAS - Mathématiques Appliquées aux Systèmes - EA 4037
3 GE Healthcare - General Electric Medical Systems [Buc]

Fluroscopic imaging provides means to asses the motion of the internal structures and therefore is of great use during surgery. In this report we propose a novel bottom-up approach for the segmentation of curvilinear structures in these images. The main challenge to be addressed is the lack of visual support due to the low SNR where traditional ridge-based methods fail. Our approach combines machine learning techniques, unsupervised clustering and linear programming / discrete optimization. In particular, numerous invariant to position/rotation classifiers are combined to detect candidates pixels of curvilinear structures. These candidates are grouped into consistent geometric segments through the use of a state-of-the art unsupervised clustering algorithm. The complete curvilinear structure is obtained through a linking of these segments using the elastica model in a linear programming framework in a first variant, and using discrete optimization in a second one. Very promising results were obtained on angioplasty guide wire segmentation in cardiac interventional images.

La fluoroscopie, qui permet de visualiser les mouvements des organes et des outils chirurgicaux à l'intérieur des patients, est très importante en chirurgie. Dans cet rapport, nous proposons une nouvelle approche bottom-up permettant de segmenter les structures linéaires dans les images fluoroscopiques. Le principal défi réside dans le niveau de bruit important de ces images, qui tient en échec les techniques de détection de lignes traditionnelles. Notre approche combine des techniques de Machine Learning (apprentissage) une méthode de clustering non supervisée et des techniques de programmation linéaire et d'optimisation discrète. Plus précisément : de nombreux détecteurs invariants par translation/rotation sont combinés pour détecter les pixels susceptibles d'appartenir aux structures curvilinéaires ; ces candidats sont regroupés en segments cohérents au moyen d'une technique de clustering non supervisée ; et les structures entières sont finalement obtenues en reliant les segments en se basant sur des critères comme l'Elastica, les liaisons optimales étant obtenues en résolvant un problème de programmation linéaire dans le cas de la première variante que nous proposons, et en résolvant un problème d'optimisation discrète pour une seconde variante. Des résultats très prometteurs ont été obtenus pour la segmentation des guides utilisés en angioplastie cardiaque.

Domaines: Imagerie médicale

Nicolas Honnorat, Régis Vaillant, Nikolaos Paragios. Curvilinear structures segmentation in fluoroscopic images. [Research Report] RR-7414, INRIA. 2010. ⟨inria-00524911⟩