Discrete Methods for Guide-wire Segmentation and Tracking

In this report, we propose a complete pipeline for guide-wire segmentation and tracking in the context of cardiac angioplasty. Segmentation is addressed through a bottom up approach which first detects interest points using appropriate features. These points are then clustered into local segments using geometric and proximity constraints. Ordering of these segments through a local permutation model is finally carried out towards complete delineation of the guide-wire. Tracking is addressed using a discrete iconic-geometric approach. Control points are used to represent the guide-wire. Their displacements in time aims at optimizing an image-driven likelihood (on the same space used for segmentation), preserving the geometric characteristics of the curve while establishing correspondences for meaningful landmark points automatically extracted along the guide-wire. The tracking and the landmark correspondence problem form a two layer inter-connected graphical model, that is solved using linear programming towards simultaneous recovery of the two set of variables. Large scale clinical validation and comparisons with state of the art methods demonstrate the potentials of our method. Key-words: Markov Random Field, guide-wire, segmentation, tracking, clustering. in ria -0 06 19 72 3, v er si on 1 6 Se p 20 11 Méthodes discrètes pour la segmentation et le suivi de guides Résumé : Dans ce rapport, nous proposons un système complet de segmentation et de suivi des guides utilisés en angioplastie cardiaque. La segmentation est réalisée selon une approche agglomérative qui consiste dans un premier temps à détecter des points intéressants en extrayant des caractéristiques appropriées des images. Ces points sont ensuite regroupés en prenant en compte des contraintes de géométrie et de proximité en paquets formant des segments de droites. L’ordonnancement de ces segments par permutations successives permet finalement de reconstruire le guide entièrement. Le suivi est réalisé selon une approche discrète couplant recalages iconique et géométrique. Des points de contrôle sont utilisés pour décrire le guide. Leur déplacement d’image en image est choisi de manière à maximiser une probabilité calculée à partir des images tout en préservant la forme du guide. Simultanément, des points d’intérêt extraits le long du guide sont mis en correspondance avec des candidats extraits dans l’image suivante. Le recalage iconique et la mise en correspondance de points d’intérêt forment un modèle graphique à deux couches inter-connectées qui est résolu en utilisant des techniques de programmation linéaire. Une validation clinique approfondie et une comparaison avec les techniques de l’état de l’art démontrent le potentiel de notre méthode. Mots-clés : Champs de Markov, guides, segmentation, suivi, clustering. in ria -0 06 19 72 3, v er si on 1 6 Se p 20 11 Discrete Methods for Guide-wire Segmentation and Tracking 3 Figure 1: summary of our segmentation (a) and tracking method (b).