Κατάτμηση εικόνων υπερήχων για την εύρεση ανατομικών αναφορών.

Abstract

Σε αυτήν την πτυχιακή εργασία καλούμαστε να βελτιώσουμε τις συνθήκες υπό τις οποίες εφαρμόζεται η τοπική αναισθησία σήμερα. Η βασική ιδέα είναι να χρησιμοποιήσουμε τις πληροφορίες που μας δίνουν οι υπέρηχοι, δεδομένου ότι η ένεση του αναισθησιογόνου γίνεται σε σημείο σύμφωνα με απλές ανατομικές αναφορές. Έτσι, ασχοληθήκαμε με κατατμήσεις εικόνων υπερηχογραφιών, ώστε να αποκομίσουμε από την εικόνα το κέντρο του νεύρου γύρω από το οποίο θα χορηγηθεί η αναισθησία. Στο πρώτο κεφάλαιο ,λοιπόν, αναλύουμε τις πληροφορίες που παίρνουμε από τους υπερήχους, τον τρόπο που εκτελείται η υπερηχοτομογραφία και τα σφάλματα στα οποία μπορεί να οδηγηθούμε. Στο δεύτερο κεφάλαιο ασχολούμαστε με διαφόρων ειδών κατατμήσεις εικόνας, δίνοντας ορισμό, πλεονεκτήματα, μειονεκτήματα, διαδικασία εκτέλεσης, ιστορικές αναφορές και παραδείγματα εφαρμογών τους. Στο τρίτο κεφάλαιο αποσαφηνίζουμε την σημασία της υποβοήθησης των τοπικών αναισθησιών και το ερευνητικό έργο που καλούμαστε να εκτελέσουμε. Στο τέταρτο, και τελευταίο, κεφάλαιο αναπτύσσουμε μια εφαρμογή μέσω Matlab στην οποία εφαρμόζουμε έναν αλγόριθμο seeded region growing (αυξανόμενης περιοχής με σπόρο) σε συνδυασμό με μια μέθοδο threshold (κατωφλίωση). Κατόπιν επεξεργασίας καταλήγουμε σε επιτυχή κατάτμηση εικόνας και εντοπισμό του ζητούμενου νεύρου.

In this thesis we are called to improve the conditions that local loco-regional anesthesia (L.R.A.) is applied today. The basic idea is to use the information that the ultrasounds provide us, since the anesthesia injects in a point according to simple anatomic reports. Thus, we dealt with segmentations of ultrasound images to extract from the picture the centre of the nerve, so that the anesthesia will be injected around it. In the first chapter, therefore, we analyze the information that we take from the ultrasounds, the way that ultrasound procedure is executed and where we can be fault. In the second chapter we dealt with various types of image segmentations, giving their definition, advantages and disadvantages, process of implementation, historical reports and examples of applications. In the third chapter we clarify the importance of assisting local anesthesia and the research we were called to proceed. Finally, in fourth chapter we develop an application through Matlab, in which we apply a seeded region growing algorithm combined with a threshold method. Through further elaboration we lead to successful image segmentation and detection of the terminus nerve.