کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10337098 692520 2014 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Concurrent tumor segmentation and registration with uncertainty-based sparse non-uniform graphs
ترجمه فارسی عنوان
همزمان سازی توزیع و ثبت نام با نمودارهای غیر یکنواخت مبتنی بر عدم قطعیت
کلمات کلیدی
تقسیم بندی / ثبت همزمان زمینه های تصادفی مارکوف، مینی مارینال، تومورهای مغزی،
ترجمه چکیده
در این مقاله، ما یک توزیع تومور همزمان مغز همزمان مبتنی بر گراف و اتلاق به چارچوب ثبت بیمار بیمار ارائه می کنیم. هر دو مسئله تقسیم بندی و ثبت نام مدل سازی می شوند با استفاده از یک مدل درست تصادفی مارکف گسسته و یکپارچه در یک شبکه ضعیف که در دامنه تصویر قرار دارد. تقسیم بر اساس تکنیک های طبقه بندی الگوی خطی صورت می گیرد، در حالی که ثبت نام با حداکثر سازی شباهت بین حجم ها و با توجه به معیار تطبیق مدولار انجام می شود. این دو مشکل با آرام کردن مدت ثبت نام در ناحیه تومور، مطابق با مناطق با نمره طبقه بندی بالا و عدم همبستگی بین حجم هستند. به منظور غلبه بر نقایص اصلی روشهای گسسته در مورد نمونه برداری مناسب از فضای راه حل و همچنین نیازهای حافظه مهم، نمونه گیری محرک محتوا از مجموعه جابجایی گسسته و شبکه های اسپرد در نظر گرفته شده بر اساس تقسیم بندی محلی و عدم اطمینان ثبت نام شده توسط حداقل انرژی های حاشیه ای. نتایج پیشرفت های علمی در پایگاه داده های مهم گلیوما ضعیف نشان دهنده پتانسیل روش ما است، در حالی که رویکرد پیشنهادی ما نشان دهنده عملکرد حفظ شده و پیچیدگی پیچیده مدل را کاهش می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر گرافیک کامپیوتری و طراحی به کمک کامپیوتر
پیش نمایش مقاله
همزمان سازی توزیع و ثبت نام با نمودارهای غیر یکنواخت مبتنی بر عدم قطعیت
چکیده انگلیسی
In this paper, we present a graph-based concurrent brain tumor segmentation and atlas to diseased patient registration framework. Both segmentation and registration problems are modeled using a unified pairwise discrete Markov Random Field model on a sparse grid superimposed to the image domain. Segmentation is addressed based on pattern classification techniques, while registration is performed by maximizing the similarity between volumes and is modular with respect to the matching criterion. The two problems are coupled by relaxing the registration term in the tumor area, corresponding to areas of high classification score and high dissimilarity between volumes. In order to overcome the main shortcomings of discrete approaches regarding appropriate sampling of the solution space as well as important memory requirements, content driven samplings of the discrete displacement set and the sparse grid are considered, based on the local segmentation and registration uncertainties recovered by the min marginal energies. State of the art results on a substantial low-grade glioma database demonstrate the potential of our method, while our proposed approach shows maintained performance and strongly reduced complexity of the model.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Medical Image Analysis - Volume 18, Issue 4, May 2014, Pages 647-659
نویسندگان
, , , , ,