Сегментація як ефективний метод виділення пухлини головного мозку на зображені МРТ
DOI:
https://doi.org/10.17721/AIT.2021.1.07Ключові слова:
МРТ, сегментація, морфологічні методи, метод Отцу.Анотація
Обробка цифрових зображень, що виникають у багатьох сферах життя, є однією з областей, що вимагає стрімкого розвитку та удосконалення існуючих алгоритмів, як з метою точності та повноти, так і з міркувань швидкодії та економічності як технічних так і програмних рішень. Саме медичне застосування є тією областю, де важлива як і точність в обробці, оскільки недостатня інформація впливає на протокол лікування, так і вартість для доступності та широкого застосування. У рамках даної роботи запропоновано алгоритм сегментації цифрових зображень МРТ головного мозку з метою виділення сегмента, який містить пухлину. Даний алгоритм базується на послідовному виконанні наступних кроків: порогового методу Отцу бінаризації зображення, виділення тканин мозку та пухлини за допомогою морфологічних операцій, сегментації методом маркованого вододілу, видалення лінії черепа і виділення сегменту, що містить пухлину за допомогою ерозії. У результаті верифікації не виявлено хибно-позитивних результатів сегментації, а відсоток зображень, що вірно відсегментовані з метою виявлення пухлини, складає 96,2%. Необхідно відмітити високу швидкодію процесу сегментації, що отримано авторами.Завантажити
Посилання
R. Vinoth, and C. Venkatesh, “Segmentation and Detection of Tumor in MRI images Using CNN and SVM Classification,” in Proc.ICEDSS, 2018, pp. 21-25.
M. Rahimpour, K. Goffin, and M. Koole, “Convolutional Neural Networks for Brain Tumor Segmentation Using Different Sets of MRI Sequences,” in Proc. Nuclear Science Simposium and Medical Imaging Conferece, 2019, pp.1-3.
S. Somasundaram, and R. Gobinath, “Current Trends on Deep Learning Models for Brain Tumor Segmentation and Detection – A Review,” in Proc. COMITCon, 2019, pp. 217-221.
T. Imtiaz, S. Rifat, and S. A. Fattah, “Automated Brain Tumor Segmentation from MRI Data Based on Local Region Analysis,” in Proc. BECITHCON, 2019, pp. 107-110.
M. Kurnar, A. Sinha, and N. V. Bansode, “Detection of Brain Tumor in MRI Images by Applying Segmentation and Area Calculation Method using SCILAB,” in Proc. ICCUBEA, 2019, pp. 1-5.
A. Hussain, and A. Khunteta, “Semantic Segmentation of Brain Tumor from MRI Images and SVM Classification using GLCM Features,” in Proc. ICIRCA, 2020, pp. 38-43.
T. M. S. Sazzad, K. M. T. Ahmmed, M. Hoque, and M. Rahman, “Development of Automated Brain Tumor Identification Using MRI Images,” in Proc. ECCE, 2019, pp. 1-4.
T. A. Jemimma, and Y. J. Vetharaj, “Watershed Algorithm based DAPP features for Brain Tumor Segmentation and Classification,” in Proc. ICSSIT, 2019, pp. 155-158.
Yurchuk I., “Digital image segmentation based on the persistent homologies,” in Proc. ICTES, 2019, pp. 226-232.
R.C. Gonzalez, Digital Image Processing, 2nd ed.; Prentice Hall: Upper Saddle River, NJ, USA, 2002.
R. Roslan, N. Jamil and R. Mahmud, “Skull Stripping of MRI Brain Images using Mathematical Morphology,” in IEEE-EBMS Conference on Biomedical Engineering and Sciences (IECBES 2010), 2010, pp. 26-31.
B. Srinivas, and G. S. Rao, “Unsupervised learning algorithms for MRI brain tumor segmentation,” in Proc. SPACES, 2018, pp. 181-184.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сучасні інформаційні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
