Un approccio probabilistico per la segmentazione di immagini mediche tramite contorni attivi parametrici

In questo lavoro di tesi si considera il problema della segmentazione delle immagini mediche, ovvero il partizionamento delle immagini in regioni omogenee e successivamente il riconoscimento del bordo di una particolare regione d'interesse. In questa tesi si propone di incorporare un approccio probabilistico nel classico metodo ai contorni attivi parametrici, in modo da ottenere una tecnica più robusta ed efficiente rispetto ai metodi tradizionalmente utilizzati. In particolare, si propongono due tipi di modelli probabilistici per la classificazione: uno parametrico, costruito mediante il Gaussian Mixture Model, ed uno bayesiano non parametrico, costruito mediante il Dirichlet Process Mixture model vincolato dai campi aleatori di Markov. Un'ulteriore novità è fornita dalla combinazione di un termine deterministico, classicamente utilizzato, con il termine probabilistico costruito mediante il modello parametrico. Attraverso alcuni esempi applicativi, si confrontano i risultati ottenuti attraverso questi approcci con quelli prodotti utilizzando il solo termine deterministico. Si mostra come i metodi probabilistici portino a risultati di segmentazione più precisi rispetto agli altri modelli.