La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Automated Segmentation of MR Brain Images Using 3-Dimensional Clustering Segmentation automatisée des images cérébrales IRM à l'aide du clustering tridimensionnel

Ock-Kyung YOON, Dong-Min KWAK, Bum-Soo KIM, Dong-Whee KIM, Kil-Houm PARK

  • Vues en texte intégral

    0

  • Citer

Résumé:

Cet article propose un algorithme de segmentation automatisé pour les images cérébrales IRM grâce à l'utilisation complémentaire d'images pondérées T1, pondérées T2 et PD. L'algorithme de segmentation proposé est composé de 3 étapes. La première étape consiste à extraire des images cérébrales en plaçant un masque cérébral sur les trois images d’entrée. Dans la deuxième étape, des clusters exceptionnels représentant les tissus internes du cerveau sont choisis parmi les clusters tridimensionnels (3D). Les clusters 3D sont déterminés en croisant des parties densément distribuées d'un histogramme 3D dans un espace 2D formé à l'aide de trois images à échelle optimale. L'image à l'échelle optimale résulte de l'application d'un filtrage d'espace d'échelle à chaque histogramme 3D et à une structure graphique de recherche. En conséquence, l’image à l’échelle optimale peut décrire avec précision la forme des parties de pixels densément distribuées dans l’histogramme 2D. Dans la dernière étape, les images cérébrales sont segmentées par l'algorithme FCM (Fuzzy c-means) en utilisant la valeur centrale du cluster exceptionnelle comme valeur centrale initiale. La capacité de l'algorithme de segmentation proposé à calculer avec précision la valeur centrale du cluster compense alors la limitation actuelle de l'algorithme FCM, qui est indûment restreinte par la valeur centrale initiale utilisée. De plus, l’algorithme proposé, qui inclut une analyse multispectrale, peut obtenir de meilleurs résultats de segmentation qu’une analyse spectrale unique.

Publication
IEICE TRANSACTIONS on Information Vol.E85-D No.4 pp.773-781
Date de publication
2002/04/01
Publicisé
ISSN en ligne
DOI
Type de manuscrit
PAPER
Catégories
L'ingénierie médicale

Auteurs

Mots-clés

Table des matières