Адаптивне уточнення контуру сегментованого об’єкта на основі яскравості сусідніх пікселів із використанням ансамблевого методу

image_print
DOI
Журнал Проблеми машинобудування
Видавець Інститут енергетичних машин і систем ім. А. М. Підгорного Національної академії наук України
ISSN 2709-2984 (print), 2709-2992 (online)
Випуск Том 27, № 4, 2024 (грудень)
Сторінки 74–79

 

Автор

В. Д. Конюхов, Інститут енергетичних машин і систем ім. А. М. Підгорного НАН України (61046, Україна, м. Харків, вул. Комунальників, 2/10), e-mail: riggelllll@gmail.com, ORCID: 0009-0007-0256-1388

 

Анотація

Підвищення точності алгоритмів комп’ютерного зору відіграє значну роль у сегментації медичних зображень, адже саме визначення меж об’єктів є складним завданням під час використання медичних зображень, а особливо рентгенівських знімків. Застосування рентгенівських знімків у сегментації є складним процесом, оскільки саме ці зображення можуть мати достатню кількість шумів й артефактів. Класичні методи сегментації стикаються з суттєвими викликами при сегментації рентгенівських зображень, де є об’єкти з нечіткими межами. Для вирішення таких завдань пропонується використовувати сегментацію за допомогою машинного навчання, а для підвищення точності визначення меж об’єктів необхідно застосовувати адаптивні підходи. У цій статті пропонується новий метод підвищення точності сегментації рентгенівських зображень, який аналізує сусідні пікселі кожного елемента контуру та, якщо потрібно, адаптивно змінює його форму, після чого комбінує всі передбачення за допомогою ансамблевого методу, що дає змогу покращити попередню версію контуру. Як демонструють дослідження, завдяки даному методу покращується якість сегментації зображень на трьох наборах даних із різною складністю структур. Для всіх трьох наборів отримано покращення точності меж об’єктів.

 

Ключові слова: машинне навчання, нейронні мережі, глибоке навчання, сегментація зображення, аналіз медичного зображення.

 

Повний текст: завантажити PDF

 

Література

  1. Minaee S., Boykov Y., Porikli F., Plaza A., Kehtarnavaz N., Terzopoulos D. Image segmentation using deep learning: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44. No. 7. P. 3523–3542. https://doi.org/10.1109/TPAMI.2021.3059968.
  2. Zhu C., Zhang X., Li Y., Qiu L., Han K., Han X. SharpContour: A contour-based boundary refinement approach for efficient and accurate instance segmentation. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (New Orleans, LA, USA). 2022. P. 4382–4391. https://doi.org/10.1109/CVPR52688.2022.00435.
  3. Aouat S., Ait-hammi I., Hamouchene I. A new approach for texture segmentation based on the Gray Level Co-occurrence Matrix. Multimedia Tools and Applications. 2021. Vol. 80. P. 24027–24052. https://doi.org/10.1007/s11042-021-10634-4.
  4. Ma D., Liao Q., Chen Z., Liao R., Ma H. Adaptive local-fitting-based active contour model for medical image segmentation. Signal Processing: Image Communication. 2019. Vol. 76. P. 201–213. https://doi.org/10.1016/j.image.2019.05.006.
  5. Judah A., Hu B., Wang J. An algorithm for boundary adjustment toward multi-scale adaptive segmentation of remotely sensed imagery. Remote Sensing. 2014. Vol. 6. Iss. 5. P. 3583–3610. https://doi.org/10.3390/rs6053583.
  6. Bransby K. M., Bajaj R., Ramasamy A., Çap M., Yap N., Slabaugh G., Bourantas C., Zhang Q. POLYCORE: Polygon-based contour refinement for improved intravascular ultrasound segmentation. Computers in Biology and Medicine. 2024. Vol. 182. Article 109162. https://doi.org/10.1016/j.compbiomed.2024.109162.
  7. Zia H., Soomro S., Choi K. N. Image segmentation using bias correction active contours. IEEE Access. 2024. Vol. 12. P. 60641–60655. https://doi.org/10.1109/ACCESS.2024.3391052.
  8. Mohammed A., Kora R. A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University – Computer and Information Sciences. 2023. Vol. 35. Iss. 2. P. 757–774. https://doi.org/10.1016/j.jksuci.2023.01.014.
  9. VinDr-SpineXR: An open dataset for spinal lesions detection and classification from radiographs. Vinbigdata: official site. Retrieved from https://vindr.ai/datasets/spinexr.
  10. Jaeger S., Karargyris A., Candemir S., Folio L., Siegelman J., Callaghan F., Xue Z., Palaniappan K., Singh R. K., Antani S., Thoma G., Wang Y. X., Lu P. X., McDonald C. J. Automatic tuberculosis screening using chest radiographs. IEEE Transactions on Medical Imaging. 2014. Vol. 33. Iss. 2. P. 233–245. https://doi.org/10.1109/TMI.2013.2284099.
  11. Candemir S., Jaeger S., Palaniappan K., Musco J. P., Singh R. K., Xue Z., Karargyris A., Antani S., Thoma G., McDonald C. J. Lung segmentation in chest radiographs using anatomical atlases with nonrigid registration. IEEE Transactions on Medical Imaging. 2014. Vol. 33. Iss. 2. P. 577–590. https://doi.org/10.1109/TMI.2013.2290491.

 

Надійшла до редакції 26.09.2024