view in publisher's site

Design of a histopathology image segmentation algorithm for CAD of cancer

Highlights•Circular kernel application for the nuclei region enhancement in histopathology images.•A energy based boundary refinement pave the way for better nuclei region segmentation.•It offers high accuracy for the complex nuclei segmentation on multiple dataset images.•A combination of kernel application, boundary refinement, and curve fitting algorithm provides outstanding segmentation performance.AbstractIn the present world, medical diagnosis systems depend a lot on medical imaging and digital nosology. The digital nosology is leading to computer-aided diagnosis to facilitate the rapid and accurate screening of specimens. In this work, we present a method based on object shaped kernel for histopathology image segmentation to identify and analyze the cell nuclei region. The proposed segmentation technique is a multi-stage procedure, which includes contrast enhancement of the image, nuclei region extraction, nucleus centroid marking, nuclei area refinement and, complex nuclei separation. The performance of proposed method is measured using three standard H&E stained histopathology image datasets and a proposed dataset. The simulation results of the segmentation schemes are evaluated using the F1-score, Hausdorff distance and Jaccard index. The proposed system also introduced a novel performance measure as cumulative factor. The superiority of proposed segmentation system is verified in terms of cumulative factor in comparison to various the state of art methods.

طراحی یک الگوریتم بخش‌بندی تصویر histopathology برای CAD

نکات مهم کاربرد هسته در هسته مرکزی برای افزایش سطح در تصاویر histopathology. * یک پالایش مرزی مبتنی بر انرژی، راه را برای تقسیم‌بندی بهتر منطقه هموار می‌کند. همچنین دقت بالایی برای بخش‌بندی هسته پیچیده بر روی تصاویر چند مجموعه داده ارایه می‌دهد. ترکیبی از کاربرد هسته، پالایش مرزی، و الگوریتم برازش منحنی، تقسیم‌بندی قابل‌توجهی را در دنیای کنونی فراهم می‌کند، سیستم‌های تشخیص پزشکی به تصویربرداری پزشکی و nosology دیجیتال بسیار وابسته هستند. nosology دیجیتال منجر به تشخیص به کمک کامپیوتر برای تسهیل کنترل سریع و دقیق نمونه‌ها می‌شود. در این مقاله، ما روشی مبتنی بر کرنل شکل شی را برای تقسیم‌بندی تصویر histopathology به منظور شناسایی و تجزیه و تحلیل ساختار هسته سلول ارائه می‌کنیم. تکنیک بخش‌بندی پیشنهادی یک روش چند مرحله‌ای است، که شامل افزایش کنتراست تصویر، استخراج و هسته، هسته مرکز جرم، تصفیه هسته و تفکیک هسته پیچیده است. عملکرد روش پیشنهادی با استفاده از مجموعه داده‌های تصویر histopathology standard H و مجموعه داده پیشنهادی اندازه‌گیری می‌شود. نتایج شبیه‌سازی طرح‌های بخش‌بندی با استفاده از امتیاز F۱، distance فاصله Hausdorff و شاخص Jaccard مورد ارزیابی قرار می‌گیرند. سیستم پیشنهادی همچنین یک معیار عملکرد جدید را به عنوان عامل تجمعی معرفی کرد. برتری سیستم تقسیم‌بندی پیشنهادی بر حسب فاکتور تجمعی در مقایسه با روش‌های مختلف روش‌های هنری تایید شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Electronic, Optical and Magnetic Materials
  • ترجمه مقاله Electronic, Optical and Magnetic Materials
  • مقاله مواد الکترونیک، نوری و مغناطیسی
  • ترجمه مقاله مواد الکترونیک، نوری و مغناطیسی
  • مقاله Atomic and Molecular Physics, and Optics
  • ترجمه مقاله Atomic and Molecular Physics, and Optics
  • مقاله فیزیک اتمی، مولکولی و اپتیک
  • ترجمه مقاله فیزیک اتمی، مولکولی و اپتیک
  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.