Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Background Modeling Using Temporal-Local Sample Density Outlier Detection Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

ROI Segmentation from Brain MR Images with a Fast Multilevel Thresholding

verfasst von : Subhashis Banerjee, Sushmita Mitra, B. Uma Shankar

Erschienen in: Proceedings of International Conference on Computer Vision and Image Processing

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A novel region of interest (ROI) segmentation for detection of Glioblastoma multiforme (GBM) tumor in magnetic resonance (MR) images of the brain is proposed using a two-stage thresholding method. We have defined multiple intervals for multilevel thresholding using a novel meta-heuristic optimization technique called Discrete Curve Evolution. In each of these intervals, a threshold is selected by bi-level Otsu’s method. Then the ROI is extracted from only a single seed initialization, on the ROI, by the user. The proposed segmentation technique is more accurate as compared to the existing methods. Also the time complexity of our method is very low. The experimental evaluation is provided on contrast-enhanced T1-weighted MRI slices of three patients, having the corresponding ground truth of the tumor regions. The performance measure, based on Jaccard and Dice indices, of the segmented ROI demonstrated higher accuracy than existing methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

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

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

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




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Performance Analysis of Texture Image Retrieval in Curvelet, Contourlet, and Local Ternary Pattern Using DNN and ELM Classifiers for MRI Brain Tumor Images
Nächstes Kapitel Surveillance Scene Segmentation Based on Trajectory Classification Using Supervised Learning
Fußnoten
1
“Brain tumor image data used in this work were obtained from the MICCAI 2012 Challenge on Multimodal Brain Tumor Segmentation (http://​www.​imm.​dtu.​dk/​projects/​BRATS2012) organized by B. Menze, A. Jakab, S. Bauer, M. Reyes, M. Prastawa, and K. Van Leemput. The challenge database contains fully anonymized images from the following institutions: ETH Zurich, University of Bern, University of Debrecen, and University of Utah.
Note: the images in this database have been skull stripped”.
 
Literatur
1.
Bagci, U., Udupa, J.K., Mendhiratta, N., Foster, B., Xu, Z., Yao, J., Chen, X., Mollura, D.J.: Joint segmentation of anatomical and functional images: Applications in quantification of lesions from PET, PET-CT, MRI-PET, and MRI-PET-CT images. Med. Image Anal. 17, 929–945 (2013)
2.
Bai, X., Latecki, L.J., Liu, W.Y.: Skeleton pruning by contour partitioning with discrete curve evolution. IEEE T. Pattern Ana. 29, 449–462 (2007)CrossRef
3.
4.
Beucher, S., Meyer, F.: The morphological approach to segmentation: The watershed transformation. Opt. Eng. 34, 433–481 (1993)
5.
Gatenby, R.A., Grove, O., Gillies, R.J.: Quantitative imaging in cancer evolution and ecology. Radiology 269(1), 8–14 (2013)CrossRef
6.
Han, J., Kamber, M., Pei, J.: Data Mining Concepts and Techniques. Morgan kaufmann (2006)
7.
Huang, D.Y., Wang, C.H.: Optimal multi-level thresholding using a two-stage Otsu optimization approach. Pattern Recogn. Lett. 30, 275–284 (2009)CrossRef
8.
Klein, A., et al.: Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration. Neuroimage 46, 786–802 (2009)CrossRef
9.
Liang, Y.C., Cuevas, J.R.: An automatic multilevel image thresholding using relative entropy and meta-heuristic algorithms. Entropy 15, 2181–2209 (2013)CrossRefMATH
10.
Liao, P.S., Chen, T.S., C., P.C.: A fast algorithm for multilevel thresholding. Inf. Sci. Eng. 17, 713–727 (2001)
11.
Liu, D., Yu, J.: Otsu method and k-means. In: Ninth International Conference on Hybrid Intelligent Systems (HIS’09). vol. 1, pp. 344–349. IEEE (2009)
12.
Mitra, S., Uma Shankar, B.: Medical image analysis for cancer management in natural computing framework. Inform. Sciences 306, 111–131 (2015)
13.
Otsu, N.: A thresholding selection method from gray-level histogram. IEEE T. Syst. Man. Cyb. 9, 62–66 (1979)
14.
Pham, D.L., Xu, C., Prince, J.L.: Current methods in medical image segmentation. Annu. Rev. Biomed. Eng. 2, 315–337 (2000)CrossRef
15.
Rosenkrantz, A.B., et al.: Clinical utility of quantitative imaging. Acad. Radiol. 22, 33–49 (2015)CrossRef
16.
Sahoo, P.K., Soltani, S., Wong, A.K.C.: A survey of thresholding techniques. Comput. Vision Graph. 41, 233–260 (1988)CrossRef
17.
Sezgin, M., Sankur, B.: Survey over image thresholding techniques and quantitative performance evaluation. Electron. Imaging 13, 146–165 (2004)CrossRef
18.
Velazquez, E.R., Parmar, C., et al.: Volumetric CT-based segmentation of NSCLC using 3D-slicer. Scientific Reports 3 (2013)
19.
Vezhnevets, V., Konouchine, V.: GrowCut: Interactive multi-label N-D image segmentation by cellular automata. In: Proc. of GraphiCon. pp. 150–156 (2005)
20.
Withey, D.J., Koles, Z.J.: A review of medical image segmentation: Methods and available software. Int. J. of Bioelectromagnetism 10, 125–148 (2008)
Metadaten
Titel
ROI Segmentation from Brain MR Images with a Fast Multilevel Thresholding
verfasst von
Subhashis Banerjee
Sushmita Mitra
B. Uma Shankar
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Proceedings of International Conference on Computer Vision and Image Processing

Print ISBN: 978-981-10-2103-9

Electronic ISBN: 978-981-10-2104-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-2104-6_23

Neuer Inhalt

    Bildnachweise