کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4973609 | 1451647 | 2017 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Automatic pharynx and larynx cancer segmentation framework (PLCSF) on contrast enhanced MR images
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
DSCSUSANModified Hausdorff distanceIIHROIPCCMHDRTPCOV - THEMagnetic Resonance Imaging (MRI) - امآرآیBOT - بتRadiotherapy treatment planning - برنامه درمان رادیوتراپیAutomatic segmentation - تقسیم بندی خودکارRadiotherapy - رادیوتراپیRadiation oncologist - رادیکال انکولوژیLevel set method - روش تعیین سطحLSM - سازمان غیر دولتیHead and neck cancer - سرطانهای سر و گردنDice similarity coefficient - ضریب تشابه تاسCoefficient of Variation - ضریب تغییرPearson correlation coefficient - ضریب همبستگی پیرسونFuzzy C-means clustering - فازی C به معنای خوشه بندی استfuzzy rules - قوانین فازیMean Shift - متوسط تغییرregion of interest - منطقه مورد نظرIntensity inhomogeneity - ناهمگنی شدتbase of tongue - پایه زبان
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
پردازش سیگنال
پیش نمایش صفحه اول مقاله
چکیده انگلیسی
A novel and effective pharynx and larynx cancer segmentation framework (PLCSF) is presented for automatic base of tongue and larynx cancer segmentation from gadolinium-enhanced T1-weighted magnetic resonance images (MRI). The aim of the proposed PLCSF is to assist clinicians in radiotherapy treatment planning. The initial processing of MRI data in PLCSF includes cropping of region of interest; reduction of artefacts and detection of the throat region for the location prior. Further, modified fuzzy c-means clustering is developed to robustly separate candidate cancer pixels from other tissue types. In addition, region-based level set method is evolved to ensure spatial smoothness for the final segmentation boundary after noise removal using non-linear and morphological filtering. Validation study of PLCSF on 102 axial MRI slices demonstrate mean dice similarity coefficient of 0.79 and mean modified Hausdorff distance of 2.2Â mm when compared with manual segmentations. Comparison of PLCSF with other algorithms validates the robustness of the PLCSF. Inter- and intra-variability calculations from manual segmentations suggest that PLCSF can help to reduce the human subjectivity.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Biomedical Signal Processing and Control - Volume 33, March 2017, Pages 178-188
Journal: Biomedical Signal Processing and Control - Volume 33, March 2017, Pages 178-188
نویسندگان
Trushali Doshi, John Soraghan, Lykourgos Petropoulakis, Gaetano Di Caterina, Derek Grose, Kenneth MacKenzie, Christina Wilson,