Badanie dynamicznej perfuzji tomografii komputerowej (pTK) jest nowoczesną i szeroko stosowaną w neuroradiologii techniką oceny regionalnego lub całkowitego przepływu krwi w jednostce czasu. Badanie to pozwala na rozpoznanie zmian strukturalnych w przebiegu niedokrwienia, a także na zróżnicowanie udaru niedokrwiennego mózgu z krwotocznym. Pomimo powszechności wykonywania takich badań, należy stwierdzić, że interpretacja znaczeniowa uwidocznionych patologii jest bardzo często utrudniona, a z wykorzystaniem komputerów – w ogóle nie stosowana. Uzasadnia to celowość rozwijania badań prowadzących do doskonalenia narzędzi diagnostyki perfuzji mózgowej.
W rozprawie doktorskiej autor zaproponował nowatorską metodę automatycznej analizy zobrazowań pTK. Zaproponowane rozwiązanie umożliwia detekcję uwidocznionych na pTK potencjalnych zmian o charakterze morfologicznym lub strukturalnym. Algorytm dokonuje klasyfikacji znaczeniowej pojedynczych lub wielokrotnych zmian patologicznych o charakterze ogniskowym, a także określa ich semantyczne znaczenie. Zaproponowana metodologia oparta jest na zaawansowanych metodach przetwarzania, analizy oraz rozpoznawania obrazów.
Pattern recognition techniques in semantic interpretation of selected lesions based on analysis of brain tissues blood perfusion visualization
Dynamic perfusion computed tomography treatment (pCT) is a modern and broadly used neuroradiology technique that enables to evaluate both total and regional blood flows in time unit. P-CT treatment enables recognition of structural changes of ischemia and shows the difference between ischemic and hemorrhagic stroke. Despite the common usage of this modality, the semantic interpretation of visualized symptoms is often difficult and it is not supported with contemporary computer software. Those factors justify to conduct the researches in the field of brain perfusion diagnostic tools.
In this dissertation the author presents a novel approach for analyzing of pCT visualization. With these methods it is possible to detect potential morphological and structural lesions visualized in pCT images. The algorithm performs classification of single and multiple pathological changes also performing semantic interpretation. The proposed methodology is based on advanced image processing and analysis techniques, as well as pattern classification approaches.
