Combination of fuzzy C-means and thresholding for segmentation using medical images
Yükleniyor...
Dosyalar
Tarih
2021
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Altınbaş Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Breast tumor segmentation is a crucial stage in breast cancer therapy and follow-up. Radiologists can minimize the high workload of breast cancer analysis by automating this difficult process. After pre-processing
source pictures, this article established a system for accurately segmenting breast tumors and non-infected
areas (breast) on medical imaging using combination of Fuzzy c-Means and Thresholding (FCMT). This is a computer-aided diagnostic method that works on each individual breast slice without any training for segmentation. On a database of 79 images of Computed Tomography (CT) and Magnetic Resonance Imaging (MRI). To
increase the image quality, we used pre-processing techniques such as contrast augmentation before applying
the FCMT for segmentation. To assess the effectiveness of the devised approach, the Mean Square Error, dice
coefficient, Structured Similarity Index, Peak Signal-to-Noise Ratio, accuracy, and sensitivity were computed.
On the same dataset, we compared our technique to different segmentation methods. With a dice coefficient
of 0.9568 and an accuracy of 0.9731, our approach surpassed the other substantially. The suggested approach
is more resilient and accurate in segmenting tumor progression on medical pictures, according to the findings
of the experiments.
Meme tümörü segmentasyonu, meme kanseri tedavisi ve takibinde çok önemli bir aşamadır. Radyologlar, bu a indirebilirler. Kaynak resimleri zorlu süreci otomatikleştirerek meme kanseri analizinin yüksek iş yükünü en az ön işleme tabi tuttuktan sonra, bu makale, Fuzzy c-Means ve Thresholding (FCMT) kombinasyonunu kullanarak tıbbi görüntülemede meme tümörlerini ve enfekte olmayan alanları (meme) doğru bir şekilde segmentlere ayırmak için bir sistem kurdu. Bu, segmentasyon için herhangi bir eğitim almadan her bir göğüs dilimi üzerinde çalışan bilgisayar destekli bir teşhis yöntemidir. 79 Bilgisayarlı Tomografi (BT) ve Manyetik Rezonans Görüntüleme (MRI) görüntüsünün bulunduğu bir veritabanında. Görüntü kalitesini artırmak için, FCMT’yi segmentasyon için uygulamadan önce kontrast artırma gibi ön işleme teknikleri kullandık. Tasarlanan yaklaşımın etkinliğini değerlendirmek için Ortalama Kare Hatası, zar katsayısı, Yapılandırılmış Benzerlik İndeksi, Tepe Sinyal-Gürültü Oranı, doğruluk ve hassasiyet hesaplandı. Aynı veri setinde, tekniğimizi farklı segmentasyon yöntemleriyle karşılaştırdık. 0.9568 zar katsayısı ve 0.9731 doğruluk ile yaklaşımımız diğerini önemli ölçüde aştı. Deneylerin bulgularına göre, önerilen yaklaşım, tıbbi resimlerde tümör ilerlemesini segmentlere ayırmada daha esnek ve doğrudur.
Meme tümörü segmentasyonu, meme kanseri tedavisi ve takibinde çok önemli bir aşamadır. Radyologlar, bu a indirebilirler. Kaynak resimleri zorlu süreci otomatikleştirerek meme kanseri analizinin yüksek iş yükünü en az ön işleme tabi tuttuktan sonra, bu makale, Fuzzy c-Means ve Thresholding (FCMT) kombinasyonunu kullanarak tıbbi görüntülemede meme tümörlerini ve enfekte olmayan alanları (meme) doğru bir şekilde segmentlere ayırmak için bir sistem kurdu. Bu, segmentasyon için herhangi bir eğitim almadan her bir göğüs dilimi üzerinde çalışan bilgisayar destekli bir teşhis yöntemidir. 79 Bilgisayarlı Tomografi (BT) ve Manyetik Rezonans Görüntüleme (MRI) görüntüsünün bulunduğu bir veritabanında. Görüntü kalitesini artırmak için, FCMT’yi segmentasyon için uygulamadan önce kontrast artırma gibi ön işleme teknikleri kullandık. Tasarlanan yaklaşımın etkinliğini değerlendirmek için Ortalama Kare Hatası, zar katsayısı, Yapılandırılmış Benzerlik İndeksi, Tepe Sinyal-Gürültü Oranı, doğruluk ve hassasiyet hesaplandı. Aynı veri setinde, tekniğimizi farklı segmentasyon yöntemleriyle karşılaştırdık. 0.9568 zar katsayısı ve 0.9731 doğruluk ile yaklaşımımız diğerini önemli ölçüde aştı. Deneylerin bulgularına göre, önerilen yaklaşım, tıbbi resimlerde tümör ilerlemesini segmentlere ayırmada daha esnek ve doğrudur.
Açıklama
Anahtar Kelimeler
Brest Tumor, Image processing neural network, Fuzzy C-Means and Thresholding (FCMT), Meme Tümörleri Görüntü İşletme Sinir Ağı, Bulanık C-Ortalamalar ve Eşik (FCMT)
Kaynak
AURUM Journal of Engineering Systems and Architecture
WoS Q Değeri
Scopus Q Değeri
Cilt
5
Sayı
2
Künye
Izaddin, B. M. I., Türkben, A. K. (2021). Combination of fuzzy C-means and thresholding for segmentation using medical images. AURUM Journal of Engineering Systems and Architecture, 5(2), 225-236.
