雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

新的大脑IMAGESSEGMENTATION区域增长算法

苏丹Aljahdali1e·a·Zanaty2,阿什拉夫阿菲菲1
  1. 计算机科学部门,大学计算机和它,塔伊夫大学,塔伊夫,沙特阿拉伯。
  2. 电脑部门,理学院,索哈杰省大学索哈杰省,埃及。
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

医学图像的分割是挑战由于穷人图像对比和工件,导致缺失的组织边界,即像素区域内也有类似的强度。在这篇文章中,我们介绍一种新的方法自动区域生长能力段2 d / 3 d (MRI)和磁共振图像计算机断层扫描(CT)含有弱边界的不同组织。该方法用于提取可靠的图像区域产生3 d图像的计算机辅助设计。它包括一个自动阈值和基于估计给定图像的像素强度的概率。自动阈值的函数计算强度和像素的概率。这使得阈值时要灵活,可以给大阈值像素有非常相似的强度和小当他们的界限。实验结果表明,该技术生产的准确和稳定的结果。

关键字
医学影像分割、地区发展、自动阈值、MRI、CT、弱边界。

介绍
医学成像包括传统投影射线照相法、计算机断层扫描(CT)、磁共振(MRI)和超声波图像,MRI和CT图像提供3 d数据。然而,的数据量是太多手动分析/解释,这一直是一个最大的障碍在核磁共振成像的有效使用。医学图像分割算法经常面临困难的挑战,如图像对比度差,噪音,和失踪或扩散边界。
区域的分割是一个重要的第一步为各种图像相关应用程序和可视化的任务。医学图像的分割也非常重要,因为它提供了帮助医生发现体内的疾病没有手术过程,减少阅读时间,发现病变的位置和确定疾病的概率的估计。
分割的脑部核磁共振成像组织分成不同类别,尤其是灰质(GM),白质(WM),是一个重要的任务。脑部核磁共振成像对比低一些不同的组织。在许多图像,核磁共振成像的问题是组织之间的低对比度。因此,之前的作品[1、2、11、13、14、16 - 22]提取这些组织作为一个组织。大脑核磁共振成像和弱边界有非常相似的像素值在边界所以很难段这个组织由以前的作品。区域增长(RG)方法不能指定组织和弱边界分割,因为该地区的增长不会停止的界限,将添加像素外组织器官。
为了解决这个问题,我们提出一个自动RG技术能力与弱段组织边界。拟议的RG方法包括一个阈值,可以计算不同的图像和概率的函数的图像强度改善地区削减。这里使用的图像像素的概率是迫使越来越多的地区停止添加像素从该地区的其他组织,即阈值时使用像素有非常相似的强度和小当他们的界限。该方法应用于核磁共振和CT图像来证明其效率。核磁共振和CT图像包含测试的背景和对象与一个或多个组织和弱边界。
剩下的纸是组织如下。第二节讨论的相关工作。第三节介绍了RG技术。该方法是在第四节中描述。获得的结果与模拟大脑和CT数据提出了在第五节。我们在第6节给出了结论。

相关的工作
有许多类型的图像分割技术[1],其中包括:基于直方图(6、10)和提出(4月19号)技术是最受欢迎的。许多研究人员试图解决在直方图阈值问题,提出[1]。然而,真的很难找到一个通用阈值对所有情况下确定分割阈值。
基于直方图分割技术基于阈值产生一个二进制图像。对象和背景像素的强度往往集群分成两组在这两组之间的直方图阈值。基于直方图的方法只考虑图像的直方图没有检查连接像素之间的空间关系。
介绍基于区域的分割技术领域具有较强的边界图像分成几个小区域,其次是合并程序使用特定阈值。在两个分割技术,如果不合适的阈值,对象将被摧毁的轮廓。扎等。[3]提出了RG技术用于医学图像分割结果,获得了较好的低噪声水平但对高噪声水平的结果是一样的Del-Fresno et al . [4]。吴et al。[6]提出了一种自顶向下提出医学图像的图像分割技术包含三个主要区域:背景和两个组织。这种方法只能段2 d图像和不段3 d图像或图像含有两个以上的组织。[12]处理图像分割的技术只使用提出图像特征与假设,只有对象和背景图像中存在。
图切图像分割技术(8、13、16)两种种子像素作为“对象”和“背景”,为市场细分提供硬约束。在这些技术中,我们需要将种子像素在每个组织描述为背景,和这些技术描述图像中每个像素属于对象或属于背景。Forouzanfar等。[1]提出了一个研究调查潜在的遗传算法和粒子群优化确定最佳值的程度的吸引力。这种技术只能段二维核磁共振成像的一个已知数量的组织。Baillard等。[15]使用水平集方法部分大脑三维核磁共振成像,但这种水平集技术提取大脑核磁共振成像和不能提取WM或通用汽车从相同的图像。

区域生长技术
RG是一个相邻像素的图像分割方法检查和添加到一个区域类。这种技术只有少数种子像素作为“对象”,并描述每个像素的对象属于该对象或属于该对象的边缘。RG[19]有门槛的问题和不段图像含有弱边界。简单的RG技术在于合并相邻像素的像素像素Py,在该地区,根据|我(Px)——(Py) | T, T是一个固定阈值和我(¢—)像素强度值。这种方法有两个问题,1)阈值的选择和2)这种技术会导致链接的影响尤其是对图像像素强度逐渐改变。第二个问题可以通过使用均匀性测试解决f (Ii, j) = | Ii, j RA | T,该地区在RA平均(像素强度的总和超过区域内像素的数量)。这种技术使用不同的固定阈值为每个组织的形象。十字架固定阈值函数f (Ii, j)两个点(< RA和b > RA见图1)相同的距离RA,如果T是一个线性函数是不正确的,然后小像素内部组织将被描述为外部,如果大一些像素以外的组织将被添加到该地区特别当组织弱边界。RG迭代技术相似的像素合并到集或分区合并成更大地区三个主要步骤:(1)种子像素的选择;(2)社区分析根据相似性原则,和(3)种子区域生长,包括相邻像素满足相似法则。 The steps (1) and (2) are repeated until there are no more adjacent pixels to be included in a seed region. In the next section, we will solve the choice of threshold problem.
图像

拟议的技术
弱边界:
在核磁共振成像,图像的强度不均匀性会影响计算分析由于信号强度的差异。它表现为光滑的空间变化的信号强度图像和由几个因素,包括不均匀的射频(RF)字段(由射频场的畸变被扫描的对象或传输场的不均匀性)。组织间的界限变得脆弱,当射频和噪声增加。
此外,在每个组织区域的像素有非常相似的强度和外部组织在区域的像素具有不同的强度。同时,边界上的像素强度强度之间的内部和外部。界限变得强大如果有很大的区别的像素内部和外部的组织,并成为弱如果差异很小。
在这两种情况下,边界上的像素强度从内部和外部像素强度有不同的值。此外,像素的数据具有相同的强度内部或外部组织(s)比像素的数量界限。所以,这些像素强度的概率在组织或其他组织有更高的价值比像素强度的界限。所使用的基于直方图技术只有像素的数量相同的强度分割。regionbased技术使用像素之间的连接性不使用图像的像素强度相同的数量。我们的想法是使用概率(相关像素数量)给大门槛RG当像素时也有类似的强度和小的边界。
自动阈值:
在本节中,我们讨论的关于该方法的更多细节。我们提出一个自动阈值法来识别相似的像素强度。我们将使用像素强度和像素强度的概率在RG技术提取的组织(s)用户将选择哪一个。每个像素的阈值计算区域内通过使用像素强度值二世,j和像素强度的概率公关(Ii, j)。我们定义阈值函数T非线性函数,这个函数将削减和交叉f (Ii, j)至少在一个像素强度。T将削减f (Ii, j)向后像素强度(Ii, j < RA)和向前像素强度(Ii, j > RA)当我们分别提取亮和暗的组织。我们假设
图像
由于边界变得较弱的射频和噪音水平增加时,所以在边界像素阈值应该小于阈值的无边界像素。提取组织边界,较弱的地区将会停止增长第一像素以外的组织(s)。我们定义的阈值函数如下:
图像
图像
该算法:
我们的方法将如下:
a。从种子开始我们的算法(s)用户选择像素(s),
b。添加种子像素区域的邻居列表和候选人
从情商c。计算T1和T2。(3)和Eq。(4),在情商替代它们。(2)像素强度值最小f (Ii, j),如果这个像素满足Eq。(1)将其添加到该地区,把它作为新的种子。
步骤(2)和(3)会重复,直到最小的像素强度值f (ii, j)阈剂量不能满足Eq。(1),因为所有像素像素后该地区的候选人名单也不会满足Eq。(1)。
2 d和3 d的像素的邻居是4和6或8像素或26像素分别如图2所示。在下一节中,我们将通过我们的方法获得的结果。

实验结果
实验进行了使用MATLAB与多个数据集。我们提出的技术应用于t1加权磁共振幻片厚度1毫米,生成在不同的噪声水平和空间强度不均匀(RF)水平[25]。我们生成各种尺度和边界的弱点分别通过控制噪音和射频。我们用4和6的邻居分别为2 d和3 d。在我们的算法中,我们设置的参数1 = 1 = 1 = 3.2和2.2。展示的优势提出的其他技术方面的准确性,我们使用平均重叠度规(急性中耳炎)[24]作为一个指标来评估图像分割算法的性能。急性中耳炎是计算如下:
在一组代表的结果通过该技术和B代表地面实况数据的集合。这些指标达成的价值1.0的结果非常相似,接近0.0时他们没有分享同样的分类体素。
分割的脑部核磁共振成像:
我们应用核磁共振成像技术来段从BrainWeb幻影数据生成[25]在不同噪音水平(0%,1%,3%,5%,7%,和9%)和空间射频水平(0%、20%和40%)。我们生成各种尺度和边界的弱点分别通过控制噪音和射频。对于2 d和3 d我们使用4和6像素分别邻居。图3显示了原始片# 62噪音水平3%和射频级20%来自BrainWeb[25],地面真理这片和WM和通用的分割结果分别与1 = 1 = 3.2和1 = 2.2。图4显示了分割结果的WM使用该技术使用BrainWeb[25]与噪音水平和射频水平0%,1%和9% 20%和40%。
图5显示了大脑核磁共振成像BrainWeb[25]射频20%,噪音水平3%,从片切片# 72 # 61,第一行显示原始片和第二行显示3 d分割结果。图6显示了三维重建的WM和通用分割三维核磁共振成像BrainWeb[25],最初的片是181 181 217像素点。)和d)显示的地面实况表面分别WM和通用,c)和e)显示Ayman et al。[3]表面分别WM和通用,c)和f)显示我们的方法分别WM表面和通用汽车。
:CT图像分割
我们还应用我们的技术部分CT图像DicomWeb [26]。图7显示了3 d CT图像片切片# 160 # 151,第一行显示原始片和第二行显示3 d分割结果。图8显示了3 d重建手术修复面部畸形,原始片512 512 361像素点。
准确性和比较:
表1显示了急性中耳炎BrainWeb WM使用我们的技术的数据集[25]在不同噪音和射频的水平,这些研究结果表明我们的算法是非常健壮的异同对噪音和强度和尺度。根据Zijdenbos[24]声明,急性中耳炎> 0.7意味着优秀的协议;我们的技术在皮质分割所需的性能。最好的急性中耳炎实现低噪声和射频水平,急性中耳炎的值高于0.97。
表2显示了急性中耳炎的WM BrainWeb数据使用不同的技术。在这个表中,我们将我们的方法和扎等。[3],Del-Fresno等。[4]和Yu等。[7]技术。特别是,虽然逻辑上分割质量恶化的噪音和强度的变化,当前技术的鲁棒性是高度满意甚至与其他细分技术的结果[3、4、7]。
图像
图像
图像
图像
图像

结论
一种新的RG技术提出了分段核磁共振成像和噪音水平(0%,1%,3%,5%,7%,和9%)和射频水平(0%、20%和40%)和CT图像含有弱边界提出了一个自动阈值。该方法有几个优点与以前相比分割策略。最重要的一个改进是生成一个自动阈值对不同卷。我们使用一些种子识别区域。此外,我们使用核磁共振和CT图像的像素强度的概率来提取组织(s)在2 d和3 d图像。
当地社区的成长过程包括信息和全球各体素的像素强度的概率。分割的技术测试复杂的18个解剖3 d结构从标准的合成幻影,和一个CT扫描。这些测试画面显示,分割结果更封闭地面实况,白质的分割显示优秀的表演,平均超过94%。我们将能够段真实图像的噪音水平从0%到9%和射频水平从0%降至40%。
图像

引用
  1. m . Forouzanfar: Forghani, m . Teshnehlab参数优化改进的模糊c均值聚类算法对大脑图像分割,工程应用人工智能,23日,2010年,160 - 168。
  2. o . Gloger j·库恩,A . Stanski h . Volzke r·普尔斯,全自动三步肝脏分割方法LDA-based概率地图先生为多个对比图像,磁共振成像,28岁,2010年,882 - 897。
  3. a .扎,t . Funatomi m . Minoh z Elnomery, t·冈田克也K Togashi, t .酒井法子和山田,新的区域增长分割技术,较差的图像边界,IEICE会议mi2010 - 79,日本,2010年,71 - 76。
  4. m . Del-Fresno m . Venere, A . Clausse结合区域生长和形变模型方法提取封闭表面的3 d CT和MRI扫描,计算机医学影像和图形,33岁,2009年,369 - 376。
  5. l . Wang l .他s Quansen x Deshen,和k . Chiu-Yen脑MR图像分割使用本地和全球强度拟合主动轮廓/表面,MICCAI 2008,第一部分,信号5241,2008,384 - 392。
  6. y - t。f . y . Shih, j .史和吴Yi.-T。,A top-down region dividing approach for image segmentation, Pattern Recognition, 41, 2008, 1948 – 1960.
  7. 朱y z .问:Yu, j .杨y . m .朱混合region-boundary模型脑皮质在MRI分割,计算机医学影像和图形,30岁,2006年,197 - 208。
  8. y Boykov诉柯尔莫哥洛夫,实验比较min-cut / max -流的能量最小化算法的愿景。IEEE模式分析与机器智能,26(9),2004年,1124 - 1137。
  9. k . Belloulata和j·康拉德,分形图像压缩与提出功能,IEEE反式。图像过程中,11(4),2002年,351 - 362。
  10. y陈,j . z,提出模糊特征匹配方法,基于内容的图像检索,IEEE反式,模式肛门。机器智能。,24(9), 2002, 1252–1267.
  11. o . j .托拜厄斯,r . Seara直方图图像分割的阈值使用模糊集,IEEE反式。图像过程中,11(12),2002年,1457 - 1465。
  12. l . Vese, t . Chan多相水平集图像分割框架使用芒福德和沙模型。如您。j . Comp。50、2002、271 - 293。
  13. y Boykov和m - p。削减快活、交互式图形对象的最优边界和区域分割一天图片。Proc。ICCV, 2001, 105 - 112。
  14. t . Chan和l . Vese活跃没有边缘轮廓。IEEE反式。图像放大。Proc。, 2001, 266 - 277。
  15. c . Baillard p的命运,c . Barillot大脑先生3 d图像的分割使用水平集和密集的登记、医学图像分析、5,2001,185 - 194。
  16. y Boykov和m - p。快活、交互式器官分割使用图表。2000年Proc。MICCAI, 276 - 286。
  17. h . Tang e . x, y问:妈,d·加拉格尔通用佩蕾娜和t .壮族,核磁共振脑图像分割的多分辨率边缘检测和区域选择、医疗成像和计算机图形学中,24岁,2000年,349 - 357。
  18. k·哈里斯,s . n . Efstratiadis n . Maglaveras和a . k . Katsaggelos混合使用分水岭图像分割和快速的区域合并,IEEE反式。图像过程中,7(12),1998年,1684 - 1699。
  19. s . a . Hojjatoleslami和j .麻烦的地区发展:一个新的方法,IEEE图像处理,7,1998年,1079 - 1084。
  20. a Mehnert, p . Jackway,改进种子区域生长算法,模式识别字母,18日,1997年,1065 - 1071。
  21. 朱s c和a . Yuille地区竞争:统一的蛇,区域增长,和贝叶斯/ MDL多波段图像分割,IEEE反式。模式肛门。机器智能。,18(9), 1996, 884–900.
  22. r·亚当斯和l .女孩播种地区增长,IEEE模式分析与机器智能,16日,1994年,641 - 647。
  23. 李和x, y l . Chang,自适应图像区域增长,IEEE图像处理,3,1994,868 - 873。
  24. a . p . Zijdenbos MRI分割和量化的白质病变,博士论文,范德比尔特大学电气工程系,纳什维尔,田纳西州;1994年12月。
  25. http://www.bic.mni.mcgill.ca/brainweb/
  26. http://pubimage.hcuge.ch: 8080 /