АДАПТИВНИЙ МЕТОД СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ НА ОСНОВІ МЕТРИК

  • O. M. Berezky Тернопільський національний економічний університет, м. Тернопіль
  • O. Yо. Pitsun Тернопільський національний економічний університет, м. Тернопіль
Ключові слова: біомедичні зображення; метрика Громова-Фреше; метрика Громова-Хаусдорфа

Анотація

Проаналізовано сучасні алгоритми сегментації зображень, що дало змогу виділити їх переваги та недоліки для застосування в медичних цілях. Для діагностування передракових та ракових станів молочної залози використовують цитологічні та гістологічні зображення. Процес опрацювання таких зображень є важким і рутинним процесом, що потребує наявності спеціалізованих знань у медиків в галузі комп'ютерного зору. Недоліком біомедичних зображень є низька якість, неоднорідність освітлення у процесі формування зображень, низька контрастність. Неможливо застосувати одні і ті ж алгоритми і їх параметри до різних зображень, тому актуальним постає завдання розроблення адаптивних систем сегментації зображень. З'ясовано, що алгоритм сегментації методом водорозподілу у комбінації з методом порогової сегментації показав найкращі результати. Охарактеризовано закономірності між вхідними даними біомедичних зображень та алгоритмами сегментації. Сформовано правила нечіткої логіки для підбору параметрів алгоритмів біомедичних зображень. Розроблення автоматичної системи підбору параметрів сегментації цитологічних і гістологічних зображень є актуальним завданням, що підвищить якість опрацювання зображень.

Біографії авторів

O. M. Berezky, Тернопільський національний економічний університет, м. Тернопіль

д-р техн. наук, професор, завідувач кафедри комп'ютерної інженерії

O. Yо. Pitsun, Тернопільський національний економічний університет, м. Тернопіль

аспірант

Посилання

Adatrao, S., & Mittal, M. (2016). An analysis of different image preprocessing techniques for determining the centroids of circular marks using hough transform. 2nd International Conference on Frontiers of Signal Processing (ICFSP), 15–17 October, 2016, (pp. 128–131). https://doi.org/10.1109/ICFSP.2016.7802966
Ahn, H.-K., Knauer, C., Scherfenberg, M., et al. (2016). Computing the discrete Fréchet distance with imprecise impute. International Journal of Computational Geometry, 22, 27–44. https://doi.org/10.1142/S0218195912600023
Akhmetshin, A. M., & Akhmetshina, L. G. (2010). Nechetkaia segmentatciia slabokontrastnikh radiologicheskikh zobrazhenii. Klinicheskaia informatika i Telemeditcina, 7(6), 37–42. [In Russian].
Berezsky, O. M., Pitsun, O. Y., Verbovyi, S. O., & Datsko, T. V. (2017a). Relational Database of Intelligent Automated Microscopy System. Scientific Bulletin of UNFU, 27(5), 125–129. https://doi.org/10.15421/40270525
Berezsky, O., & Pitsun, O. (2016). Automated Processing of Cytological and Histological Images. Perspective Technologies and Methods in MEMS Design (MEMSTECH'2016): XII th International Conference, Lviv-Polyana, 20–24 April 2016: proceedings, (pp. 51–53). Lviv. https://doi.org/10.1109/MEMSTECH.2016.7507518
Berezsky, O., Dubchak, L., & Pitsun, O. (2017b). Access distribution in automated microscopy system. 14th International Conference The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM), 21–25 Februar, 2017, (pp. 241–243). Lviv, Ukraine.
Berezsky, O. M., Melnyk, G. M., Batko, Y. M., & Pitsun, O. Y. (2017). Regions Matching Algorithms Analysis to Quantify the Image Segmentation Results. Sensors, & Transducers, 208(1), 44–49.
Campadelli, P., Casiraghi, E., & Pratissoli, S. (2010). A segmentation framework for abdominal organs from CT scans. Artificial Intelligence in Medicine, 50(1), (pp. 3–11), September, 2010.
Divya, S., &, Jayanthi, K. B. (2015). Analysis of contour evolution methods for segmentation of medical images. 2015 International Conference on Innovations in Information, Embedded and Communication Systems, (pp. 1–4) (ICIIECS).
Gudmundsson, J., & Smid, M. (2015). Fast algorithms for approximate Fréchet matching queries in geometric trees. Computational Geometry, 48, 479–494. https://doi.org/10.1016/j.comgeo.2015.02.003
Gustavo, C.-V., Devis, T., Bruzzone, L., & Benediktsson, J. (2014). Advances in Hyperspectral Image Classification: Earth Monitoring with Statistical Learning Methods. IEEE Signal Processing Magazine, 31(1), 45–54. https://doi.org/10.1109/MSP.2013.2279179
Kaur, P., & Gupta, A. (2015). Contour Detection of Gradient Images Using Morphological Operator and Transform Domain Filtering. 2015 IEEE International Conference on Computational Intelligence, & Communication Technology, (pp. 107–111).
Masood, S., Sharif, M., Masood, A., Yasmin, M., & Raza, M. (2015). A Survey on Medical Image Segmentation. Current Medical Imaging Reviews, 11, 3–14.
Norouzi, A. (2014). Medical Image Segmentation Methods, Algorithms, and Applications. IEEE Technical Review, 31, 199–213
Romanenko, I. O. (2016). Analiz efektyvnosti suchasnykh metodiv sehmentatsii tsyfrovykh zobrazhen. Systemy obroblennia informatsii, 3(140), 172–174. [In Ukrainian].
Schlesinger, M. I., Vodolazskiy, E. V., & Yakovenko, V. M. (2016). Frechet Similarity of Closed Polygonal Curves. International Journal of Computational Geometry, 26, 53–66. https://doi.org/10.1142/S0218195916500035
Tyapkin, V. N., Kartsan, I. N., Dmitriev, D. D., & Goncharov, A. E. (2015). Spatial filtering algorithms in adaptive multi-beam hybrid reflector antennas. International Siberian Conference on Control and Communications, (pp. 137–142) (SIBCON). Omsk, Russia.
Yeo, S. Y., Xie, X., Sazanov, I., & Nithiarasu, P. (2014). Segmentation of biomedical images using active contour model with robust image feature and shape prior. International Journal for Numerical Methods in Biomedical Engineering, 30(2), 232–248.
Zhu, Y., & Huang, Ch. (2012). An Improved Median Filtering Algorithm for Image Noise Reduction. Physics Procedia, 25, 609–616.
Опубліковано
2018-04-26
Як цитувати
Berezky, O. M., & Pitsun, O. Y. (2018). АДАПТИВНИЙ МЕТОД СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ НА ОСНОВІ МЕТРИК. Науковий вісник НЛТУ України, 28(3), 122-126. https://doi.org/10.15421/40280325
Розділ
Інформаційні технології