Väitöskirjatyössä kehitettiin automaattinen tietokonemenetelmä rakenteiden tunnistamiseen kolmiulotteisista funktionaalisista kuvista. Funktionaaliset kuvat kuvaavat elimistön aineenvaihduntaa ja täten eroavat anatomisista rakennetta esittävistä kuvista. Positroniemissiotomografia (PET) on funktionaalinen kuvantamismenetelmä, jolla mitataan esimerkiksi sokerin kulutusta aivokudoksessa. Se perustuu jonkin elimistön oman aineenvaihduntaan osallistuvan molekyylin merkitsemiseen radioaktiivisella merkkiaineella. Hajoamisesta aiheutuva säteily pystytään mittaamaan kehon ulkopuolelta PET-kameralla. Mitatuista säteilyprofiileista muodostetaan tietokoneen avulla kolmiulotteisia kuvia, jotka kuvaavat mitattua merkkiainekertymää kudoksessa. Yksilölliset vaihtelut aineenvaihdunnassa ovat suuria. PET-kuvantaminen tuottaa kohinaisia kuvia, joissa kohteet ovat usein epäselviä eivätkä vastaa anatomiaa. Tästä johtuen kohteiden pintojen rajaaminen on tarkkuutta vaativaa ja aikaa vievää käsityötä eikä anatomisille kuville käytettyjä automaattisia menetelmiä voida suoraan hyödyntää. Automatisointi on tarpeen esimerkiksi kohteiden vertailua varten, jotta kuvista rajattavat kohteet saadaan määritettyä eri yksilöistä mahdollisimman samanlaisilla kriteereillä. Myös funktionaalisten ja anatomisten kuvien yhdistämiseen tarvitaan mahdollisimman tarkkaa kohteiden erottelua funktionaalisista kuvista. Tutkimus on ensimmäinen, jossa pintoja etsitään kolmiulotteisesti funktionaalisista aivokuvista.

Aluksi tutkimuksessa kehitettiin PET-aivokuville sopiva häviötön kuvantiivistysmenetelmä, josta on hyötyä automaattisessa hajautetussa kuvankäsittelyjärjestelmässä. Rakenteiden etsintää tutkittiin ensiksi käyttäen kaksiulotteisia menetelmiä päätyen mukautuviin malleihin. Mukautuva malli mukautuu automaattisesti kuvassa olevaan kohteeseen sen intensiteettiarvojen perusteella. Anatomisille kuville käytetyt mukautuvat mallit eivät sopineet kohteiden tunnistamiseen kohinaisista PET-aivokuvista.
Tässä työssä kehitettiin ja sovellettiin uutta kolmiulotteista mukautuvaa mallia etsimällä aivopintaa sekä harmaan ja valkoisen aineen välistä rajapintaa sokerin kulutusta kuvaavista aivokuvista. Löydetyn aivopinnan perusteella kuvassa oleva aivorakenne jaettiin vasempaan ja oikeaan puoliskoon. Prosessi on täysin automaattinen. Aivopinnan ja jaon osalta menettelyä testattiin menestyksellisesti myös välittäjäainekuviin.

Tutkimuksessa kehitetty pintojen etsintämenetelmä avaa uusia mahdollisuuksia kolmiulotteisten rakenteiden automaattiseen tunnistamiseen funktionaalisista kuvista. Menetelmää voidaan käyttää suurten kuvamäärien tarkempaan luokitteluun ja analysointiin lääketieteellisissä tutkimuksissa. Tästä on hyötyä esimerkiksi lääketutkimuksessa.