pathology-therapeutics

全文

評論文章
組織分離在放射學圖像在圖像分割的幫助

賽義德博士Saeid Zamanieh Shahri, MD*索尼婭Sayyedalhosseini博士,醫學博士*

教員在加州Northstate大學CNSU-University教授Losrios社區學院區,美國

*通訊作者:賽義德博士Saeid Zamanieh Shahri博士在加州Northstate大學教員,CNSU-University教授Losrios社區學院區,美國、電話:(916)724 - 9485;電子郵件:saeid.zamanieh@cnsu.edu, zamanis@flc.losrios.edu
索尼婭Sayyedalhosseini博士,醫學博士在加州Northstate大學教員,CNSU-University教授Losrios社區學院區,美國、電子郵件:sonia.sayyedalhosseini@cnsu.edu, sayyeds@flc.losrios.edu


文摘

醫學圖像分析領域的開發越來越多。數量增加的掃描儀器和數據大小和體積增加,有必要開發醫學影像分析方法一樣發達。提取的技術發展過程精度高,從而導致改變圖像可分析的數據。數據是有用的在決策、診斷和治療。目前,有很多從放射學圖像在圖像理解領域的利益。在這項研究中,它一直試圖利用圖像分割檢測組織放射學圖像。使用圖像的分割閾值,這是一種最常用的方法在圖像分割領域。這種方法用於灰色圖像分離的像素亮度水平較高的像素亮度較低的水平。最後,使用這種方法,肺和其他組織在放射學圖像。這些分割的結果進行了分析,結果表明該方法的精密度和準確度高。

關鍵字

閾值;分割;放射學圖像


介紹

今天,醫院環境具備醫療掃描儀,提供有價值的信息,幫助一個特殊疾病的診斷或治療。計算機斷層掃描(CT)、磁共振成像(MRI),超聲和正電子發射斷層掃描(PET)成像方法的一些例子,這些大多是使用。有經驗的放射科醫師可以得到大量的信息,對圖像的觀察產生的掃描儀。將圖像數據的組件,數據提取或一個特殊的區域分割,放射圖像分割是必需的。圖像分割可以提供關於所需的信息,比如尺寸和體積區域。放射學圖像分割的各種方法介紹,這裏描述。

人工智能算法,特別是深度學習,顯示相當大的進步在圖像診斷工作。循環神經網絡等方法獲得了許多項目在醫學圖像分析領域和項目的進展迅速。在傳統的形式,在放射學,受過教育的醫生評估醫學圖像診斷、檢測和監測疾病。人工智能已經使用了複雜的模式的自動檢測等放射學圖像數據提取和表示大範圍的定量評估。

使用人工智能(AI)是圖像分析的有力工具,這是評估日益由放射學專家。分割圖像的同質的地區組織,這是通常被認為是圖像分割,被廣泛用作高水平的理解的一個重要方法,可以大大減少內容分析的複雜性。圖像分割和高級方法被廣泛用於模仿規範的視覺理解人類(如目標檢測和圖像信息的理解)。性能測量方法可以細分的一個定性和定量的比較結果與人類分割方法[1]。

文獻綜述

劉C, et al .,一個人工智能項目進行圖像的自動分析放射學鼓勵跑步,在放射單位[2]。

Mazurowski馬,et al .,討論了一般在放射學和使用深度學習算法的機會。他們提供了一個研究深度學習,應用放射學。他們組織類型的特殊任務,嚐試解決廣泛的深度學習算法。最後,他們討論不久包含深度學習的機遇和挑戰未來的放射學操作[3]。

辛格P研究基於neutrosophic-entropy先生自適應閾值分割算法在帕金森病的影像。本研究的實驗結果顯示,NEATSA可以段先生的主要區域圖像非常清楚而著名的可用的圖像分割方法在文學的模式識別和計算機視覺領域[4]。

黃YP,辛格P,和郭H研究識別的混合模糊聚類方法和可視化在帕金森病的MRI圖像。所提供的實驗結果比較PD患者的分段和七個知名的核磁共振圖像分割方法。顯示性能的改善平均均方誤差,峰值信噪比和Jaccard相似係數相對於其他圖像分割方法[5]。

另一項由辛格P,對圖像分割先生提出了一種新的方法,包括兩個主要部分:(a) NeutrosophicEntropy基於聚類算法(NEBCA),和(b) HSV顏色係統。該方法顯示有效分割圖像和先生可以分化地區顯然代表那些分段區域[6]。

方法

圖像二值化的過程是分離的兩個黑色和白色組數量的像素,黑色是默認和白色的背景。在這種方法中,像素劃分閾值相比。閾值[7]是一個基本的重要的方法在圖像分割領域,這是常用的灰色圖像和旨在分離高的像素亮度的亮度較低。閾值可分為兩組局部閾值[8][9]和全球閾值。在全球的閾值,閾值在整個圖像的數量是固定的。二進製圖像是通過全局閾值T為灰度圖像如下:

閾值T可以使用各種方法獲得。最常用的方法是使用基於直方圖的方法。如果圖像包含一個對象和一個默認的同質亮度,然後有一個雙峰直方圖(圖1)。閾值等於最小的地方位於距離兩個直方圖的峰值。

圖1:直方圖的雙峰圖像。

計算複雜性低的方法是基於全局閾值[10];雖然這個方法可以用於圖像分割,圖像亮度的強度具有雙峰分布。更好的替代方法的全局閾值可以使用局部閾值,段圖像幾個次區域[11]。閾值在每個次區域可以不同的價值觀,因此,閾值可以在整體形象有所不同。

算法的第一步是獲取感興趣區域的直方圖(即接近圖像的中心部分)。最小值和最大值的值的灰度直方圖可以指定區域迭代閾值。在指定的灰色區域,應該7倍,閾值迭代算法在每個選定的步驟應該比前一步。每個迭代的算法,隻創建一個二進製圖像,像素與灰色的水平低於閾值保持光。8“連接映射是用於製造計數器在光和連續像素。概要文件由質量中心每個計數器,然後分析計數器包括像素是否屬於肺。像素的計數器的肺是分開的二進製圖像是由在以後的迭代。第七次迭代後,一組基本計數器獲得答案。完全分離肺,局部閾值方法是用於第一計數器。獲得最終的計數器集基礎上結合二進製圖像由當地像素的閾值確定感興趣區域的方法。 Then, the counter is normed and ball rolling algorithm [12] is run for that, so that the heterogeneity and problems of counter are resolved. Then, the process of determining costophrenic angles is done and exact segmentation of lung is obtained (Figure 2 and 3).

圖2:肺癌和中線確定模式(指定計算機有肺的開始和中間部分發光橫線與豎線)。

圖3:流程圖圖分割方法。

全局迭代閾值算法

首先,sobel過濾器[13]是與降低¼,右邊圖像的卷積強調隔膜邊緣線和輕[2]。因此,防止創建大型計數器創建因為腸的統一。像素的圖像¼,似乎更強大的過濾為合適的梯度圖像和像素所期望的值為999。的值是足夠大的去現實的閾值限製在全球直方圖分析。灰度的增加作為一個假定的邊界,從而防止肺與胃的麵積的影響氣體。全局直方圖分割的第一步是如圖1所示。獲得足夠的直方圖,直方圖估計僅限於141 * 181像素(早期的140像素包括圖像)。的形象包括像素密度高(低灰度)屬於肺和較低的像素密度(高灰度)屬於隔膜,肋間和胸部邊緣。

因此,從這個區域獲得的直方圖雙峰,包括一個峰值低灰度中心(肺),另一個峰上灰度(肋間區)(圖4)。

圖4:Sobel過濾器申請降低1/4,右邊的圖像,灰度999像素的值高於閾值過濾。

全局閾值的目的是使用直方圖來找到合適的灰度不同的灰色水平屬於從像素的像素在肺。已經證明,隻有使用灰度不可能有助於找到合適的閾值。如果灰度值非常小,肺也不足和周圍的計數器如果灰度值非常大,肺區或外部區被放置在一個計數器。使用全球閾值迭代解決問題和一個區域用於閾值而不是一個值。全局直方圖的斜率是用來檢測灰色的水平,與肺癌發生的峰值和灰色的水平發生肺癌和肋間之間的最小麵積(圖5),然後迭代全球使用兩個點間的灰度閾值技術。頻繁的迭代過程定義的閾值在7分相等的距離限製。在第一次迭代的算法和最小灰度閾值(從現有7水平),創建二進製圖像。如果圖像的灰度值小於閾值,在二進製圖像像素顯示光。因此,計數器放在獲得二進製圖像和逐漸改善。等櫃台的幾何規格中心,壓縮和計數器的長度和櫃台區域可以被估計。 The later iterations with larger thresholds can cause creation of additional binary images.

圖5:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

櫃台再次創建包含地區連續光和像素,每個計數器的幾何參數估計。算法的迭代過程對合適的肺分割是至關重要的。位置和最小和最大灰度和像素的中心是用來確定是否計數器包含了肺區。由於中心情況,中心檔案繼續上部或下部的圖像進行分析,以獲得額外的信息。如果發現與檢查中心櫃台的肺部區域,圖像的所有像素計數器被視為錯誤的像素和計數器中創建下一代(圖6)和外地區不是再次結合肺部區域在下個迭代。

圖6:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

二進製圖像在圖6中創建了檢查中央像素在早期的迭代中。在7的迭代中,使用閾值(二進製圖像和檢測計數器和停止一些像素)是通過檢查中央像素。打開形態學算子(14、15)與3 * 3山茱萸在二進製圖像3迭代後完成。打開操作符(腐蝕算子其次是擴張算子)可以刪除許多工件的圖像(圖7和圖8)。

圖7:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

圖8:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

全局閾值算法的最終結果以下和肺區隔開一個計數器(圖9)。

圖9:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

局部閾值

全局閾值可以使問題顯示正常肺的實際麵積。正確的位置點,全局閾值後,當地的閾值算法(圖10)。

圖10:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

感興趣區域的大小是選擇31 * 31個像素。盡管所有計數器維護早期,局部閾值隻在兩個大櫃台的形象。然後,如果計數器采取的不同部分胸部,分配給其中一個感興趣的區域。在像素的灰度分析每個感興趣區域和基於每個感興趣區域的位置,選擇好的閾值。找到櫃台後,結合二進製圖像是由獲得最終的計數器,然後櫃台賦範(之前解釋早期計數器)。

個頭算法

最後計數器有時會出現一些偏差突起或凹痕。偏差通常發生在峰值點的區域。例如,肩膀麵積可能會錯誤地認為是計數器的一部分。為了避免這種錯誤,滾球算法是創新。個頭軌道結構處理圖像水平繼續灰色的圖像和使用打開和關閉形態學操作符。球管的理解對象顯示在3 d屏幕顯示灰色的水平距離的函數。該算法的主要目的是消除異質性的圖像並刪除他們的滾球,為曲線。如果曲線不接觸球,這一點和指定為縮進顯示點(如麵積2在圖11和12)。

圖11:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

圖12:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

縮進1點不是在某種程度上,區域可以被認為是一個真正的縮進;盡管2被認為是一個縮進,因為整個櫃台麵積不接觸球(圖13、14)。

圖13:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

圖14:全局直方圖顯示雙峰分布(箭頭顯示像素屬於肺癌和肋間區域)。

結論

本研究的主要目的在放射學圖像分割的組織。在這方麵,在放射學圖像提出了一種圖像分割方法。在這種分割方法,精度高於人類的圖像分割,閾值方法用於圖像分割。分割的肺組織是在年代\胸部放射學圖像和分割的結果提出了在前麵部分的數據。這項研究的結果表明,使用該方法,可以單獨的肺組織放射學圖像的精密度和準確度高。進行進一步的研究,將是更好的在其他類型的放射學圖像分割也建議提取定量結果如體積、形式和規模的組織。閾值方法可以忽視的問題交互的像素。作為圖像的像素屬於一個組織可能是離散的,分割錯誤可以在這個方法中創建。靈敏度高,噪聲也可以這個方法的另一個問題,這可能會導致不準確的分割。在這項研究中,基於成立創新方法分割用於肺圖像分割和提供了比以前更好的回答方法和從其他地區肺分割精度非常高在這個方法中。


引用

  1. Ramgopal K, Rahamatkar年代(2019)醫學圖像分割:一種先進的方法。:一,保羅Bhattacharya P, S (eds)早期發現神經障礙使用機器學習係統。IGI全球292 - 321。(Ref。]
  2. 劉C,陳L,斯沃夫F,亞當·H,華W, et al。(2019) Auto-DeepLab:分層神經結構尋找語義圖像分割。《IEEE計算機視覺與模式識別會議,康奈爾大學(Ref。]
  3. Mazurowski馬布達M,薩哈,巴希爾先生(2019)深度學習在放射學:概述的概念和藝術的狀態的調查集中在核磁共振。成像因素49 J增效:939 - 954。(Ref。]
  4. 辛格P(2020)基於neutrosophic-entropy自適應閾值分割算法:一種特殊的應用程序在奧帕金森症的影像。地中海Artif智能104:101838。(Ref。]
  5. 黃YP,辛格P,郭H(2020)的混合模糊聚類方法識別和帕金森病的MRI圖像的可視化表示。IEEE訪問8:25041 - 25051。(Ref。]
  6. 辛格P(2020)基於neutrosophic-entropy聚類算法(NEBCA)與HSV顏色係統:一個特殊的應用程序在帕金森病(PD)的分割圖像。計算機在生物醫學方法和項目189:105317。(Ref。]
  7. 陳黃、楊,羅伯茨J, K(2011)閾值電壓不穩定在氧化鋁/氮化镓/沃甘/氮化镓金屬?絕緣體嗎?半導體HighElectron遷移率晶體管。日本J 50,20:: 110202 - 110203。(Ref。]
  8. 落伍者P, Reiner M, Pogany D, Ostermaier C(2014)的複雜動力學的全麵研究基於氮化镓的MIS-HEMTs Bias-Induced閾值電壓漂移的壓力/恢複實驗。IEEE 61年電子設備:1022 - 1030。(Ref。]
  9. 楊、劉,劉C,唐Z,陸Y, et al .(2014)熱誘導閾值電壓不穩定III-Nitride MIS-HEMTs MOSCHEMTs:潛在機製和優化方案。2014年IEEE國際電子設備的會議。(Ref。]
  10. 落伍者P, Schiffmann Pobegen G, Pogany D, Ostermaier C(2013)的快速動態閾值電壓漂移GaN-Based MISHEMTs。IEEE電子設備字母34:1112 - 1114。(Ref。]
  11. 約翰遜DW,李RTP,山及其它,黃MH, Bersuker G, et al。(2013)閾值電壓變化由於電荷俘獲Dielectric-Gated沃甘/氮化镓高電子遷移率晶體管在Au-Free技術檢查。IEEE電子設備60:3197 - 3203。(Ref。]
  12. 克勞德·約瑟夫·AB磅,威廉TC,托馬斯•埃德·韋恩·菲(2001)滾動球連接器。美國專利申請20010002330。(Ref。]
  13. 楊張高W X, L,劉H(2010)改進Sobel邊緣檢測。3理查德·道金斯計算機科學和信息技術國際會議5:67 - 71。(Ref。]
  14. Schegloff EA,麻袋H(2009)打開關閉。Semiotica 8: 289 - 327。(Ref。]
  15. Seeman P,烏爾比安C, Bergeron C, rieder P,定形K, et al。(1984)雙峰分布的精神分裂症患者的大腦的多巴胺受體密度。科學225:728 - 731。(Ref。]

在這裏下載PDF臨時

PDF

條信息

文章類型:評論文章

引用:Shahri SSZ Sayyedalhosseini年代(2020)組織分離在放射學圖像在圖像分割的幫助。J Radiol成像成岩作用1 (1):dx.doi.org/10.16966/JRID.101

版權:©2020 Shahri SSZ等。這是一個開放的文章下分布式知識共享歸屬許可條款,允許無限製的使用、分配、和繁殖在任何媒介,被認為提供了原作者和來源。

出版的曆史:

  • 收到日期:2020年11月23日,

  • 接受日期:09年12月,2020年

  • 發表日期:2020年12月18日