view in publisher's site

Multi-modal medical image segmentation based on vector-valued active contour models

Positron emission tomography (PET), magnetic resonance imaging (MRI) and computed tomography (CT) are widely utilized medical imaging modalities that provide essential anatomic and structural details. Many medical segmentation methods are not effective for a single-modal image of poor quality (e.g., low contrast in CT or low spatial resolution in PET). For practical radiotherapy treatment planning, multi-modal imaging information is regularly used. In this paper, a novel vector-valued active contour model is proposed to segment multi-modal medical images simultaneously for abnormal tissue regions. The method makes use of the functionality information and anatomical structure information advantages from each modality. Since each modality has its own signal characteristics, we use region-based information, combining hybrid mean intensities simultaneously. Furthermore, by utilizing a two-dimensional vector field with different image modalities, edge-based information is used to constrain the results of the image segmentation. The proposed approach is evaluated on datasets including lung PET-CT and brain MRI-CT images. Our qualitative and quantitative research results confirm the effectiveness of the proposed method.

بخش‌بندی تصاویر پزشکی چند وجهی براساس مدل‌های کانتور فعال بردار - مقدار

توموگرافی نشر پوزیترون (PET)، تصویربرداری تشدید مغناطیسی (MRI)و توموگرافی کامپیوتری (CT)به طور گسترده‌ای از روش‌های تصویربرداری پزشکی استفاده می‌کنند که جزئیات ساختاری و آناتومیک ضروری را فراهم می‌کنند. بسیاری از روش‌های جداسازی پزشکی برای یک تصویر تک وجهی با کیفیت ضعیف موثر نیستند (به عنوان مثال، کنتراست کم در CT یا وضوح فضایی کم در PET). برای برنامه‌ریزی درمانی عملی، اطلاعات تصویربرداری چند وجهی به طور منظم مورد استفاده قرار می‌گیرد. در این مقاله، یک مدل کانتور فعال با مقدار بردار جدید برای بخش‌بندی تصاویر پزشکی چند وجهی به طور همزمان برای نواحی غیر عادی بافت پیشنهاد شده‌است. این روش از اطلاعات عملکردی و ساختار آناتومی اطلاعات از هر روش استفاده می‌کند. از آنجا که هر مدالیته ویژگی‌های سیگنال خاص خود را دارد، ما از اطلاعات مبتنی بر منطقه استفاده می‌کنیم، و شدت‌های میانگین ترکیبی را به طور همزمان ترکیب می‌کنیم. علاوه بر این، با استفاده از یک میدان برداری دو بعدی با روش‌های مختلف تصویر، اطلاعات مبتنی بر لبه برای محدود کردن نتایج جداسازی تصویر استفاده می‌شود. روش پیشنهادی بر روی مجموعه داده‌های شامل تصاویر PET - CT ریه و MRI - CT مغز ارزیابی می‌شود. نتایج تحقیق کمی و کیفی ما اثربخشی روش پیشنهادی را تایید می‌کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Information Systems and Management
  • ترجمه مقاله Information Systems and Management
  • مقاله سیستم‌های اطلاعاتی و مدیریت
  • ترجمه مقاله سیستم‌های اطلاعاتی و مدیریت
  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Theoretical Computer Science
  • ترجمه مقاله Theoretical Computer Science
  • مقاله علوم کامپیوتر نظری
  • ترجمه مقاله علوم کامپیوتر نظری
  • مقاله Control and Systems Engineering
  • ترجمه مقاله Control and Systems Engineering
  • مقاله مهندسی کنترل و سیستم‌ها
  • ترجمه مقاله مهندسی کنترل و سیستم‌ها
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.