Texturní analýza 3D obrazů

Abstract

Texturní analýza obrazů je oblastí s četnými možnostmi využití, např. při analýze 3D snímků v medicíně. Většina autorů se ovšem dosud primárně zabývala pouze texturní analýzou 2D obrazů. Texturní analýza zaměřená specificky na 3D obrazy je, díky četným možnostem využítí, nyní velmi aktuálním a rychle se rozvíjejícím odvětvím. V první části této diplomové práce jsou představeny teoretické koncepty přístupu k texturní analýze, zaměřené již od počátku speciálně na 3D obrazy. Nejprve je diskutováno téma rychlé digitální filtrace obrazu, které je následně rozvedeno a využito k výpočtu rotačně invariatních, globálních vlastností textur 3D obrazů, založených na Fourierově transformaci Zernikeho polynomů. Na teoretickou část navazuje implementace v prostředí MATLAB, která umožní vypočtené vlastnosti obrazů využít ke klasifikaci SPECT snímků mozků pacientů s Alzheimerovou chorobou. Pomocí tohoto přístupu je možné dosáhnout vysoké přesnosti klasifikace pacientů, což tuto metodu činí vhodnou k využití při diagnostice v medicíně.

Texture-based image analysis is a field with numerous applications, e.g., in the analysis of 3D medical images. In the past, however, most authors were primarily concerned with the texture-based analysis of 2D images. Texture analysis specifically focused on 3D images is, thanks to its numerous applications, now a state-of-the-art, rapidly developing discipline. In the first part of this master's thesis, theoretical concepts of an approach to texture analysis specifically tailored to 3D images are presented. First, the topic of fast digital image filtering is discussed, which is then developed and used to compute rotationally invariant global texture characteristics of 3D images based on the Fourier transform of Zernike polynomials. The theoretical part is followed by a MATLAB implementation that allows the computed image features to be used for the classification of SPECT images of the brains of patients suffering from Alzheimer's disease. Using this approach, it is possible to achieve high accuracy in patient classification, which makes this method suitable for use in medical diagnostics.