کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11002881 1450007 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Geodesic registration for interactive atlas-based segmentation using learned multi-scale anatomical manifolds
ترجمه فارسی عنوان
ثبت زمین شناسی برای تقسیم بندی تعاملی مبتنی بر اتلتیک با استفاده از چند منظوره های تشریحی چند منظوره آموخته شده
کلمات کلیدی
ترجمه چکیده
تقسیم بندی مبتنی بر اطلس اغلب برای تقسیم مناطق تصویری پزشکی استفاده می شود. برای داده های نرمال شدت، کیفیت این تقسیم بندی ها به همبستگی بین اطلس و هدف تحت روش ثبت نام استفاده می شود. ما یک روش ثبت نام جغرافیایی برای تقسیم بندی مبتنی بر آلفا تعاملی با استفاده از چندجمله های تشریحی چند مقیاس تجربی ارائه می دهیم. این روش با استفاده از تصاویر بدون برچسب همراه با برگه های برچسب شده برای یادگیری مینی فاکتورهای آناتومیک تجربی استفاده می شود. این منیفولد ها براساس مقیاس ها و مناطق مجزا تعریف شده و مورد استفاده قرار می گیرند تا اطلاعات نشانه گذاری را از اطلس ها به هدف در امتداد ژئودزیک های آناتومی تشریح کنند. سپس تقسیم بندی های رقابتی حاصل از منیفولد های مختلف بر اساس یک اندازه گیری مشابه بر اساس تصویر رتبه بندی می شود. ما از حجم تصاویر گرفته شده با استفاده از تصویربرداری رزونانس مغناطیسی از 36 نفر استفاده کردیم. عملکرد این روش با استفاده از یک کار تقسیم بندی کبدی ارزیابی شد. سپس نتیجه با عملکرد مربوط به تقسیم بندی مستقیم با استفاده از آمار شاخص دایره مقایسه شد. این روش نشان دهنده بهبود قابل توجهی در عملکرد تقسیم بندی کبد بین روش پیشنهاد شده و تقسیم بندی مستقیم است. علاوه بر این، انحراف استاندارد در عملکرد به طور قابل توجهی کاهش می یابد. استفاده از رقابت های چند منظوره تکمیلی تعریف شده بر روی سلسله مراتب منطقه ای از منافع، بهبود بیشتری در عملکرد تقسیم بندی در مقایسه با تقسیم بندی چندگانه تک است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
ثبت زمین شناسی برای تقسیم بندی تعاملی مبتنی بر اتلتیک با استفاده از چند منظوره های تشریحی چند منظوره آموخته شده
چکیده انگلیسی
Atlas-based segmentation is often used to segment medical image regions. For intensity-normalized data, the quality of these segmentations is highly dependent on the similarity between the atlas and the target under the used registration method. We propose a geodesic registration method for interactive atlas-based segmentation using empirical multi-scale anatomical manifolds. The method utilizes unlabeled images together with the labeled atlases to learn empirical anatomical manifolds. These manifolds are defined on distinct scales and regions and are used to propagate the labeling information from the atlases to the target along anatomical geodesics. The resulting competing segmentations from the different manifolds are then ranked according to an image-based similarity measure. We used image volumes acquired using magnetic resonance imaging from 36 subjects. The performance of the method was evaluated using a liver segmentation task. The result was then compared to the corresponding performance of direct segmentation using Dice Index statistics. The method shows a significant improvement in liver segmentation performance between the proposed method and direct segmentation. Furthermore, the standard deviation in performance decreased significantly. Using competing complementary manifolds defined over a hierarchy of region of interests gives an additional improvement in segmentation performance compared to the single manifold segmentation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 112, 1 September 2018, Pages 340-345
نویسندگان
, , ,