Сочинение на тему Сегментация медицинских изображений (MIS)

Сегментация медицинских изображений (MIS) применяется для многочисленных приложений, таких как разграничение структур тканей, подсчет клеток, поражение и отслеживание опухолей и т. д. Обычно подход для MIS можно разделить на три типа. Во-первых, сегментация с использованием классических методов обработки изображений, таких как пороговая обработка, морфологические операции и преобразование водораздела. Во-вторых, для обучения модели классификации на основе созданных вручную функций, таких как статистические признаки, матрица совместного появления уровня серого, локальный двоичный шаблон и т. Д. Третий подход – это сегментирование с использованием функций высокого уровня, полученных DCNN. Ву и соавт. использовали классические алгоритмы обработки изображений, в том числе пороговые и растущие области для сегментации кишечных желез человека. Однако этот метод учитывал предшествующее знание морфологических структур в железе и оценивался качественно (Wu et al., 2005).

В другом подходе Peng et al. для сегментации структур предстательной железы были использованы кластеризация k-средних и морфологические операции. На основе этих структур был построен линейный классификатор для различения нормальных и злокачественных желез (Peng et al., 2010). Выделение и выбор характеристик широко использовались в таких областях, как биомедицина, анализ изображений, биометрическая аутентификация и т. Д. В работе Farzam et al. и Doyle et al., структура, форма и графические особенности были выделены, и был построен линейный классификатор для различения различных патологических срезов тканей пациентов с раком простаты (Farzam et al., 2007) (Doyle et al., 2007). В работе, представленной Naik et al., Был использован байесовский классификатор для классификации между просветом, стромой и ядрами.

Истинные области просвета были определены с применением ограничений по размеру и структуре. Кривая установки уровня была инициализирована с использованием истинной площади просвета и развивалась до внутренней границы ядер. Морфологические признаки были рассчитаны по границам, за которыми следовала схема многократного обучения для классификации раковых образований на основе уменьшенных признаков (Naik et al., 2008). С помощью предыдущих методов структуры желез правильной формы были эффективно сегментированы. Тем не менее, из-за различных факторов подготовки образца структуры желез демонстрируют вариации, и сегментировать структуры желез неправильной формы является сложной задачей. Чтобы облегчить эту проблему, Gunduz-Demir et al. Предложил подход на основе объект-графа, основанный на разложении изображения на объекты. В их подходе использовался трехэтапный алгоритм увеличения области с последующим обнаружением границы и устранением ложной области (Gunduz-Demir et al., 2009). В другой работе Sirinukunwattana et al. Была сформулирована Модель случайных полигонов для сегментирования железистой структуры в ткани толстой кишки человека. Железистые структуры были смоделированы как многоугольники, вершины которых были расположены на ядрах эпителиальной границы. Сначала карта железистой вероятности была сгенерирована с использованием суперпиксельных структур текстуры, после чего были определены вершины ядер и построены случайные многоугольники из начальных областей. Ложноположительные полигоны были удалены с помощью процедур последующей обработки (Sirinukunwattana et al., 2015).