绩效评估基于轮廓的超声图像分割方法

文摘

活动轮廓方法广泛用于医学图像分割。使用水平集算法的应用活动轮廓的方法已经变得灵活和方便。介绍了绩效考评活动轮廓模型的使用性能指标和统计分析。我们有五种不同的方法实现对关节炎滑膜地区影响超声图像的分割。分割的方法之间的比较分析进行最好的分割方法被确定使用相似性标准,标准误差和野生。对于进一步分析,分类的分割技术使用支持向量机(SVM)分类器确定绝对执行滑膜区域检测的方法。基于这些结果,局部地区活动轮廓的命名Lankton方法被定义为是最好的分割方法。

1。介绍

流行病的预防肌肉骨骼疾病(MSD),现在是一个重要的健康问题在新兴和世界上大多数发展中国家。默沙东公司仍是最普遍的疾病在社会由于其对流动性的影响,工作能力和生活方式。关节炎是一种普遍的默沙东在所有年龄组的人1]。受影响最严重的部分是联合区域。在相对早期阶段疾病的周围的滑膜关节用来点燃并导致关节退化。主系统可视化联合状态是通过超声音诊断(美元)。美元是更便宜的和可用的所有临床医生2,3]。美元图片代表不同组织区域变化的灰色阴影。这些图像进一步处理段滑膜地区和分析疾病状况和疾病的进一步发展。

在图像分析的基本任务之一,是图像分割。从图像分割是提取对象将图像分割成区域具有不同的特性。分割中扮演一个重要的角色在自动目标识别或模式识别过程识别病态和医学诊断4,5]。最具挑战性的任务是提取的轮廓与边界所需的区域解剖结构的动态分析。其中一个最强大的医学图像分割方法是活动轮廓的方法(ACM)。意味着曲线演化方法检测感兴趣的区域在一个给定的图像(6- - - - - -8]。基于边缘的分割过程和基于区域的方法。几何活动轮廓模型Caselles和Malladi等人提出的基于边缘的方法是基于演化曲线和几何流(9]。陈,少Vese提出了边缘活动轮廓模型是其中一个最著名的基于区域的方法。伯纳德等人提出了一个参数化的活动轮廓的方法。最近李等人,Lankton提出了一个方法,利用局部区域分割的信息(9- - - - - -14]。

在本文中,我们有不同的分割方法适用于关节炎影响手指关节滑膜地区超声图像部分。分析了这些方法的效率使用性能分析指标和统计分析方法。性能分析指标我们用骰子和分离系数,系数为标准误差的统计分析方法,野生。最后分类是用来定义滑膜地区的绝对活动轮廓分割方法通过培训和分析性能指标和统计值。剩下的纸是组织如下2。方法和材料,部分3结果和讨论,部分4结论。

2。方法和材料

在医学成像,分割的区域与特定的参数活动轮廓模型的帮助下进行。因为这些模型开发一个轮廓在目标对象和隔离它从图像,分割图像仅拥有所需的信息的目标对象15]。水平集分割方法如Caselles Chan-Vese,伯纳德,李,Lankton应用于关节炎影响手指关节图像从美杜莎数据库http://medusa.aei.polsl.pl获得。16- - - - - -18]。进一步使用骰子和Hausdroff距离系数等性能分析指标和统计分析指标标准误差和野生描述用于分割技术之间的显著差异。使用支持向量机分类定义了滑膜区域分割的最适合的方法。

美杜莎是一个标准化的和授权的数据库由手指关节不同等级的图像(0级,1级,2级,等级3)滑膜炎。执行相关的各种研究关节炎、滑膜炎使用这个数据库。

2.1。Caselles

Caselles是基于测地线活动轮廓的方法,很大程度上取决于水平集函数描述图像中特定区域的分割。轮廓描述基于曲线的几何流和检测图像中的对象(11]。这种类型的轮廓模型修改曲线在平面上的曲线的点垂直移动。点的运动速度与曲率成正比的地区形象。通过添加一个区域最小化地区(气球力),传播的轮廓出现在内部的内部能量的最小化 我是图像强度,G是统一方差的高斯滤波器,C是派生参数曲线,高梯度地区设置水平函数执行作为有符号距离函数(P =)

轮廓模型使用的能源力量几何流量曲线描述。几何轮廓可以获得基于区域和边缘在图像的曲率12]。

2.2。Chan-Vese

Chan-Vese是一种基于区域的方法这段图像分成两个相似的区域。方法利用能量最小化技术定义的加权值对应的平均值之和强度区别内外分割区域(9,10]。轮廓是基于方差内外轮廓或平均强度的平方区别内外轮廓的总轮廓长度。这个轮廓模型有助于确定不同的图像属性,不仅边缘,它还包括地区基于纹理和其他几何特性。能量从图像中定义了整个地区的利益。

的总能量模型 μ,ν,λ₁,λ₂:真正的参数C₁C₂市场细分:常数决定的−1≤φ(一)≤1:水平集函数中φ(一)= 0指定的接口f:原始图像H:重侧功能维度集中在0和1δ= H′。

2.3。伯纳德

伯纳德方法利用b样条系数作为能量最小化函数。这些利用参数化的活动轮廓的方法12]。样条系数定义轮廓模型感兴趣的像素。基于能量函数内部和外部与这些系数描述。轮廓模型描述整个结构与通胀力量可以压倒部队从弱边缘,放大问题定位的初始猜测。加快这个过程使用b样条基函数的线性组合中给出

Φ(a)是b样条基函数的线性组合。

2.4。李正在

以地区划分为两个同质区域这个方法利用使用本地社区为每个像素的统计数据(6)。它使用本地区域分割的信息(13]。基于区域的活动轮廓模型的能量函数是基于区域范围域核函数。通过最小化能量函数,可以确定元素的区域目标图像的轮廓。 我(a):像素强度xH:重功能 :高斯的内核。

2.5。Lankton

Lankton是基于区域的活动轮廓的方法这段非均匀的对象。该方法利用本地化区域基础能源这段区域基于本地信息。它不适合无监督图像分割,因为它需要适当的曲线初始化(14]。这些模型和所需的能源力量形成轮廓边界感兴趣的特定区域。内部和外部的能量取决于图像的局部区域像素描述所需的地区。能量方程中说明了 δ狄拉克函数B球为中心的半径为r的x点

2.6。绩效评价指标

细分方法是定性和定量评估和比较基于三种标准。在此基础上选择最适合的算法为特定的应用程序。

视觉标准:使用活动轮廓分割区域方法与专家带注释的图像相比放射科医师参考图像。分割区域获得水平集函数方法与参考图像。

计算时间:每个算法来分割区域所花费的时间表示算法的速度。各自的速度算法进行比较。

相似性标准:这一标准措施参考和分割图像之间的相似性。分割图像的质量是衡量计算骰子系数,豪斯多夫距离和PSNR

骰子系数比较了分段区域的引用区域的带注释的图像,并提供骰子系数值在0和1之间不等。如果是1分段区域更相似,不同的是0时(19]。 Hausdroff距离是一个度量来衡量两个点集之间的不同。距离变换是用于计算的高清图像。这是用于控制基于水平集算法的进展和评估质量的集群(20.]。

2.7。统计分析

功能,如均值、方差和标准误差计算的分割方法。五个分割方法最适合的方法之一是使用统计分析确定。

意思是:的平均值称为平均值计算通过所有感知结果的总和除以总人数的灰色的水平。下面显示了意思表示为数学表达式 : 其中n是样本大小和x是观测值。

方差是研究实际值与预测值的偏差。偏离实际和预测表明方法的性能。

标准错误被定义为衡量预测的准确性。估计标准误差与偏差值的平方之和预测(即平方和误差),描述 是估计的标准误差,Y是一个实际的范围,Y′是预测范围,N是对分数的数量。是平方的和实际的分数和分数预测之间的区别。

2.8。分类

分类是一个过程来描述有效类型或类基于感兴趣的特性来自该地区。支持向量机(SVM)的机器学习模型。SVM是观测的代表点映射到形式定义为独立的部门和一个清晰的边界因素决定边界。多类支持向量机分类基于内核模型类型。多类支持向量机是用来说明适当的类型的活动轮廓的分割技术滑膜地区。

3所示。结果

在这种方法中,不同类型的活动轮廓分割技术用于滑液区域的检测。分割方法评估使用性能指标和统计分析。超声图像从数据库用于滑液区域的识别。对五十个不同等级的图像分割的滑膜地区从数据库。不同的活动轮廓分割技术用于部分滑膜地区。视觉分割过程的变化通过图像如图所示1。

在这个图中,注释的图像定义与绿色和滑膜区域定义的五个不同类型的分割显示在红色。分段滑膜地区相比,带注释的图像,直观地定义Caselles和Lankton具有相似性。进一步分析绝对分割技术,性能指标描述、统计分析、分类进行。性能分析指标如骰子系数,豪斯多夫距离,计算时间值的图像列在下表中1。

对比各性能指标的五个不同的活动轮廓技术图形表示在图2。这些表示说明Caselles测地线活动轮廓和Lankton局部地区基于活动轮廓的方法有稍微相似值。从骰子系数值表明Caselles Lankton更接近1,最高的范围。Hausdroff距离也展示了这两种方法之间的相似性。计算时间以秒为单位定义这一事实本地化的基于区域的活动轮廓Lankton是有效的。进一步分类是最好的合适的分割技术进行统计分析。

统计分析的功能,如标准误差,平均的意思是,和平均方差值来源于相似性指数参数(骰子和Hausdroff距离系数)的检测分割技术。在这个表2显示相似指数参数的统计分析在性能指标定义平均的意思是,标准误差,平均方差值。

意思是平均值定义了重要的变化在所有类型的活动轮廓技术用于滑膜地区分割的过程。但具有轻微的相似性值两种活动轮廓的方法。两者之间的滑膜分割的微小偏差方法如图3代表相似性指数参数的平均值的5个活动轮廓的方法。

标准误差测量描述预测值的准确性。标准错误Caselles之间的差异和Lankton主动轮廓是0.0021,这是无关紧要的。所以有一点相似的测地线和基于局部地区活跃的轮廓。

平均方差推导找出方法之间的显著差异。区别可以定义适当的执行使用野生的方差值。野生的结果表明Caselles测地线活动轮廓和Lankton局部地区基于活动轮廓的方法很可能显著,这表明该地区分割使用这些方法并不相似。野生的结果基于测地线活动轮廓Caselles和局部地区的活动轮廓Lankton表所示3。

统计分析的结果,Caselles Lankton略有差异显著,证明拥有滑膜地区的不同分割的过程中。为进一步确定准确的分割技术,从该地区获得的性能指标和统计特性进行分类的过程。在这个过程中,支持向量机(SVM)分类器是用于训练和识别的重要滑膜区域检测的分割技术。基于局部区域活动轮廓Lankton被描述为更重要的帮助下分类的结果。这些结果定义混淆矩阵和散点图滑膜的训练特征区域的超声图像。在图4,混淆矩阵定义了每个类别的分割的准确率。与这些结果,Lankton确定检测方法的重要自然的滑液。特征提取滑膜地区拥有重要的变化和局部地区基于活动轮廓描述混淆矩阵的准确性基于真阳性和假阴性率。

从这些结果,基于局部区域活动轮廓更有效的为滑膜地区活动轮廓分割方法的训练和分类等功能性能指标和统计值。这些特性定义适当的分类的区域执行Lankton活动轮廓。

4所示。结论

最近几天关节炎已经成为一个重要的健康问题。早期诊断和治疗帮助患者过上正常的生活。提出了一种方法来评估活动轮廓分割算法从关节炎滑膜地区部分影响手指超声图像。性能分析指标如骰子系数和Hausdroff距离和统计分析指标标准误差和野生显示两者之间的显著差异分割方法(Caselles和Lankton)滑膜地区。执行进一步分类等派生功能性能指标和统计值。更高的精度描述为Lankton分类过程的结果。因此研究工作表明,Lankton方法的输出是最好的滑液从超声波图像区域分割方法。

数据可用性

超声图像用于支持这项研究的结果被Krystian提供。Radlak在美杜莎的许可协议下项目,所以不能免费提供。请求访问这些数据应该Krystian.Radlak,krsytian.radlak@polsl.pl。

附加分

完整的研究工作集中于评价基于轮廓的分割技术。

的利益冲突

没有利益冲突中作者关于提出了基于轮廓的分割方法和绩效评估使用统计分析超声图像的技术。

引用

1. r·沙玛Ed。在印度流行病学肌肉骨骼的条件国际期刊,计算机科学与工程(IJCSE),新德里,印度,2012。
2. a . Bk j . Segen k . Wereszczyski p . Mielnik m . Fojcik和m . Kulbacki”检测的线性特性包括骨骼和关节的超声波图像皮肤区域,”PeerJ,卷2018,不。3,2018。视图:谷歌学术搜索
3. g . Schett“滑膜炎,关节的炎症破坏骨。”瑞士医学周刊上2012年,卷142,p . w13692。视图:谷歌学术搜索
4. m . Krishnaveni”定量评价ISL分割算法基于水平集方法的数据集,”计算机科学与工程国际期刊(IJCSE),3卷,第2369 - 2361页,2011年。视图:谷歌学术搜索
5. 斯盖瑞尔·D·巴博萨,t . Dietenbeck j ., 'Hooge j . D, D . Friboulet o·伯纳德,”b样条明确的积极面:一个高效的实时3 D框架提出分割,“IEEE图像处理,21卷,不。1,第251 - 241页,2012。视图:出版商的网站|谷歌学术搜索
6. d . Reska c . Boldak和m . Kretowski”为活动轮廓图像分割Texture-Based能源,”图像处理通信挑战,智能系统的发展和计算,艾德。r . Choras卷。313年,激飞,可汗,2015年。视图:谷歌学术搜索
7. m . Airouche l . Bentabet和m . Zelmat”使用活动轮廓模型和水平集图像分割方法应用于检测石油泄漏,”诉讼在诉讼的世界大会在工程,我卷,页846 - 850,伦敦,U。2009 K。视图:谷歌学术搜索
8. r·戈登伯格Kimmel r、大肠Rivlin和m . Rudzsky“快速测地线主动轮廓,”IEEE图像处理,10卷,不。10日,1467 - 1475年,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet
9. t . Chan和l . Vese”和活动轮廓模型没有边缘,”在计算机视觉尺度空间理论卷,1682在计算机科学的课堂讲稿施普林格,页141 - 151年,柏林,德国,1999年。视图:出版商的网站|谷歌学术搜索
10. p . Getreuer“Chan-Vese分割”,行图像处理,2卷,第224 - 214页,2012年。视图:出版商的网站|谷歌学术搜索
11. 诉Caselles f . Catte、t·科尔和f . Dibos“几何活动轮廓模型在图像处理中,“Numerische Mathematik,卷66,不。1日至31日,1993页。视图:出版商的网站|谷歌学术搜索|MathSciNet
12. o . Bernard d Friboulet、p . Thevenaz和m . Unser“变分b样条水平集:线性滤波方法快速变形模型进化,”IEEE图像处理,18卷,不。6,1179 - 1191年,2009页。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. c, c . y . Kao j·c·戈尔和z叮”region-scalable拟合能量最小化图像分割。”IEEE图像处理,17卷,不。10日,1940 - 1949年,2008页。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. Lankton和a·坦南鲍姆,双重“本地化提出主动轮廓,”IEEE图像处理,17卷,不。11日,第2039 - 2029页,2008年。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. a·卡迪诉桑切斯,C.-T。李,“主动轮廓基于加权梯度向量流和气球部队医学图像分割,“902 - 906页。视图:谷歌学术搜索
16. 美杜莎,“自动评估关节滑膜炎活动从医学超声和能量多普勒检查使用图像处理和机器学习方法,“http://eeagrants.org/project - portal/project/pl12 - 0015。视图:谷歌学术搜索
17. k . Radlak: Radlak, b . Smolka”自动检测的骨头类风湿性关节炎分析基于地图的信心,”计算视觉上第五Eccomas学报》专题会议和医学图像处理、VipIMAGE 2015西班牙,页215 - 220年,2015年10月。视图:谷歌学术搜索
18. p . Mielnik m . Fojcik j . Segen和m . Kulbacki”小说的滑膜炎分层方法使用机器学习算法在超声:结果从美杜莎的临床验证项目,“超声波在医学和生物学,44卷,不。2、489 - 494年,2018页。视图:出版商的网站|谷歌学术搜索
19. t . Dietenbeck m . Alessandrini d . Friboulet o·伯纳德,“Creaseg:免费软件基于水平集的图像分割算法的评价”学报2010年17 IEEE图像处理国际会议上,ICIP 2010香港,页665 - 668年,2010年9月。视图:谷歌学术搜索
20. a·a·塔哈和a . Hanbury”,一个高效的算法计算确切的豪斯多夫距离,”IEEE模式分析与机器智能,37卷,不。11日,第2163 - 2153页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 r . j . Hemalatha等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。