Proje cte/Tre eball Fi i de Ca arrera - UdG
Proje cte/Tre eball Fi i de Ca arrera - UdG
Proje cte/Tre eball Fi i de Ca arrera - UdG
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Parametric Mo<strong>de</strong>ls<br />
Aquest tipus <strong>de</strong> tècniques <strong>de</strong>fineixen els obje<strong>cte</strong>s d’interès <strong>de</strong> forma paramètrica. En la<br />
segmentació d’obje<strong>cte</strong>s tubulars els obje<strong>cte</strong>s són <strong>de</strong>scrits com a un conjunt d’el∙lipses<br />
superposa<strong>de</strong>s. Algunes aplicacions<br />
usen un mo<strong>de</strong>l <strong>de</strong> vas circular.<br />
Generalized Cylin<strong>de</strong>rs Mo<strong>de</strong>l<br />
Normalment s’utilitzen per a representar obje<strong>cte</strong>s cilíndrics. Tècnicament, es po<strong>de</strong>n consi<strong>de</strong>rar<br />
dins <strong>de</strong>l conjunt <strong>de</strong>ls mèto<strong>de</strong>s paramètrics.<br />
2.2.1.3. Trackingbased Approaches<br />
Les tècniques <strong>de</strong> tipus tracking‐based apliquen operadors localment en un focus concret el<br />
qual saben prèviament que és un vas. Aquestes tècniques, partint d’un punt inicial, <strong>de</strong>te<strong>cte</strong>n<br />
les centerlines <strong>de</strong>l vas o les fronteres mitjançant l’anàlisi <strong>de</strong>ls píxels ortogonalment a la direcció<br />
<strong>de</strong> tracking.<br />
2.2.1.4. Artificial IntelligenceBased Approaches<br />
Utilitzen el coneixement per a guiar el procés <strong>de</strong> segmentació i <strong>de</strong>terminar les estructures<br />
vasculars. Una font <strong>de</strong> coneixement po<strong>de</strong>n ésser les propietats <strong>de</strong> la tècnica d’adquisició <strong>de</strong> la<br />
imatge. Algunes aplicacions utilitzen un mo<strong>de</strong>l <strong>de</strong> vas sanguini genèric com a font <strong>de</strong><br />
coneixement.<br />
2.2.1.5. Neural NetworkBased Approaches<br />
Les xarxes neuronals són utilitza<strong>de</strong>s per a simular aprenentatge biològic. Són àmpliament<br />
usa<strong>de</strong>s en el reconeixement <strong>de</strong> patrons. La xarxa és una col∙lecció <strong>de</strong> processadors elementals<br />
(no<strong>de</strong>s). <strong>Ca</strong>da no<strong>de</strong> pren un nombre d’entra<strong>de</strong>s, realitza computacions elementals i genera<br />
una sola sortida. A cada no<strong>de</strong> se li assigna un pes i la sortida és la suma pon<strong>de</strong>rada <strong>de</strong> les<br />
entra<strong>de</strong>s. Aquests pesos s’aprenen i s’usen en el reconeixement. Un exemple força conegut<br />
d’aquesta classe <strong>de</strong> mèto<strong>de</strong>s és el <strong>de</strong>ls mapes <strong>de</strong> Kohonen [maps of Kohonen, 1995]. El lector<br />
interessat en saber més sobre aquesta classe <strong>de</strong> mèto<strong>de</strong>s es pot dirigir a Ripley [1996], Clak<br />
[1991] i Haykin [1994].<br />
24