Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

13.03.2020 | Original Article | Ausgabe 10/2020

International Journal of Machine Learning and Cybernetics 10/2020

PRF-RW: a progressive random forest-based random walk approach for interactive semi-automated pulmonary lobes segmentation

Zeitschrift:
International Journal of Machine Learning and Cybernetics > Ausgabe 10/2020
Autoren:
Qiang Li, Lei Chen, Xiangju Li, Xiaofeng Lv, Shuyue Xia, Yan Kang
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

The computational detection of lung lobes from computed tomography images is a challenging segmentation problem with important respiratory healthcare applications, including emphysema, chronic bronchitis, and asthma. This paper proposes a progressive random forest-based random walk approach for interactive semi-automated pulmonary lobes segmentation. First, our model performs automated segmentation of the lung lobes in a progressive random forest network, eliminating the need for prior segmentation of lungs, vessels, or airways. Then, an interactive lobes segmentation approach based on random walk mechanism is designed for improving auto-segmentation accuracy. Furthermore, we annotate a new dataset which contains 93 scans (57 men, 36 women; age range: 40–90 years) from the Central Hospital Affiliated with Shenyang Medical College (CHASMC). We evaluate the model on our annotated dataset, LIDC (https://​wiki.​cancerimagingarc​hive.​net) and LOLA11 (http://​lolall.​com/​) datasets. The proposed model achieved a Dice score of \(0.906 \pm 0.106\) for LIDC, \(0.898 \pm 0.113\) for LOLA11, and \(0.921 \pm 0.101\) for our dataset. Experimental results show the accuracy of the proposed approach, which consistently improves performance across different datasets by a maximum of 8.2% as compared to baselines model.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 10/2020

International Journal of Machine Learning and Cybernetics 10/2020 Zur Ausgabe