Article

A semi-automated method for liver tumor segmentation based on 2D region growing with

01/2008;
Source: OAI

ABSTRACT

Liver tumour segmentation from computed tomography (CT) scans is a challenging task. A semi-automatic method based on 2D region growing with knowledge-based constraints is proposed to segment lesions from constituent 2D slices obtained from 3D CT images. Minimal user involvement is required to define an approximate region of interest around the suspected legion area. The seed point and feature vectors are then calculated and voxels are labeled using a region-growing approach. Knowledge-based constraints are incorporated into the method to ensure the size and shape of the segmented region is within acceptable parameters. The individual segmented lesions can then be stacked together to generate a 3D volume. The proposed method was tested on a training set of 10 tumours and a testing set of 10 tumours. To evaluate the results quantitatively, various measures were used to generate scores. Based on the results obtained from the 10 testing tumours, the method was resulted in an average score of 64. This work is supported by a research grant (SBIC RP C-008/2006) from the Singapore BioImaging Consortium, Agency for Science, Technology and Research.

Download full-text

Full-text

Available from: Sudhakar Kundapur Venkatesh
  • Source
    • "In clinical applications, automatic segmentation of organs, soft tissues and even lesions in medical images is an important procedure, and several traditional image process methods were applied in previous researches on various medical images [1]. For example, Wong et al. [2] utilized snake algorithm for segmenting liver's abdominal CT images, and Stawiaski et al. [3] and Seo et al. [4] proposed watershed algorithm and active contour method for segmenting tumor regions in liver. Hadjiiski et al. [5] also utilized run length statistic texture features for mammogram classification. "
    [Show abstract] [Hide abstract]
    ABSTRACT: Automatic suspected lesion extraction is an important application in computer-aided diagnosis (CAD). In this paper, we propose a method to automatically extract the suspected parotid regions for clinical evaluation in head and neck CT images. The suspected lesion tissues in low contrast tissue regions can be localized with feature-based segmentation (FBS) based on local texture features, and can be delineated with accuracy by modified active contour models (ACM). At first, stationary wavelet transform (SWT) is introduced. The derived wavelet coefficients are applied to derive the local features for FBS, and to generate enhanced energy maps for ACM computation. Geometric shape features (GSFs) are proposed to analyze each soft tissue region segmented by FBS; the regions with higher similarity GSFs with the lesions are extracted and the information is also applied as the initial conditions for fine delineation computation. Consequently, the suspected lesions can be automatically localized and accurately delineated for aiding clinical diagnosis. The performance of the proposed method is evaluated by comparing with the results outlined by clinical experts. The experiments on 20 pathological CT data sets show that the true-positive (TP) rate on recognizing parotid lesions is about 94%, and the dimension accuracy of delineation results can also approach over 93%.
    Preview · Article · Oct 2013 · Measurement Science Review
  • Source
    • "The segmentation of CT image is performed by using five different techniques namely Adaptive Thresholding [8], Global Thresholding [11], Morphology [8], Fuzzy C mean Clustering and Region Growing [9]. Fig. 2. a) Abdominal CT image,b) Preprocessed CT image,c) Liver Segmentation using Global thresholding and Morphology and d) Liver Segmentation using adaptive thresholding and Morphology Fig. 3. a) Segmented Liver, b) Tumor Segmentation using Adaptive Thresholding and Morphology,c) Fuzzy C Mean "

    Preview · Article · Aug 2013 · International Journal of Computer Applications
  • Source
    [Show abstract] [Hide abstract]
    ABSTRACT: La recherche en imagerie médicale est une des disciplines les plus actives du traitement d'images. La segmentation et l'analyse d'images dans un contexte clinique reste un problème majeur de l'imagerie médicale. La multiplicité des modalités d'imagerie, ainsi que les fortes variabilités des structures et pathologies à analyser rendent cette tâche fastidieuse. Dans la plupart des cas, la supervision de spécialistes, tels que des radiologistes, est nécessaire pour valider ou interpréter les résultats obtenus par analyse d'images. L'importante quantité de données, ainsi que les nombreuses applications liées à l'imagerie médicale, nécessitent des outils logiciels de très haut niveau combinant des interfaces graphique complexe avec des algorithmes interactifs rapides. Les récentes recherches en segmentation d'images ont montré l'intérêt des méthodes à base de graphes. L'intérêt suscité dans la communauté scientifique a permis de développer et d'utiliser rapidement ces techniques dans de nombreuses applications. Nous avons étudié les arbres de recouvrement minimaux, les coupes minimales ainsi que les arbres de chemins les plus courts. Notre étude a permis de mettre en lumière des liens entre ces structures a priori très différentes. Nous avons prouvé que les forêts des chemins les plus courts, ainsi que les coupes minimales convergent toutes les deux, en appliquant une transformation spécifique du graphe, vers une structure commune qui n'est autre qu'une forêt de recouvrement minimale. Cette étude nous a aussi permis de souligner les limitations et les possibilités de chacune de ces techniques pour la segmentation d'images. Dans un deuxième temps, nous avons proposé des avancées théoriques et pratiques sur l'utilisation des coupe minimales. Cette structure est particulièrement intéressante pour segmenter des images à partir de minimisation d'énergie. D'une part, nous avons montré que l'utilisation de graphes de régions d'une segmentation morphologique permet d'accélérer les méthodes de segmentation à base de coupe minimales. D'autre part nous avons montré que l'utilisation de graphes de régions permet d'étendre la classe d'énergie pouvant être minimisée par coupe de graphes. Ces techniques ont toutes les caractéristiques pour devenir des méthodes de référence pour la segmentation d'images médicales. Nous avons alors étudié qualitativement et quantitativement nos méthodes de segmentation à travers des applications médicales. Nous avons montré que nos méthodes sont particulièrement adaptées à la détection de tumeurs pour la planification de radiothérapie, ainsi que la création de modèles pour la simulation et la planification de chirurgie cardiaque. Nous avons aussi mené une étude quantitative sur la segmentation de tumeurs du foie. Cette étude montre que nos algorithmes offrent des résultats plus stables et plus précis que de nombreuses techniques de l'état de l'art. Nos outils ont aussi été comparés à des segmentations manuelles de radiologistes, prouvant que nos techniques sont adaptées à être utilisée en routine clinique. Nous avons aussi revisité une méthode classique de segmentation d'images : la ligne de partages des eaux. La contribution de notre travail se situe dans la re-définition claire de cette transformation dans le cas des graphes et des images multi spectrales. Nous avons utilisé les algèbres de chemins pour montrer que la ligne de partages des eaux correspond à des cas particuliers de forêt des chemins les plus courts dans un graphe. Finalement, nous proposons quelques extensions intéressantes du problème des coupes minimales. Ces extensions sont basées sur l'ajout de nouveaux types de contraintes. Nous considérons particulièrement les coupes minimales contraintes à inclure un ensemble prédéfini d'arêtes, ainsi que les coupes minimales contraintes par leur cardinalité et leur aires. Nous montrons comment ces problèmes peuvent être avantageusement utilisé pour la segmentation d'images.
    Full-text · Article · Oct 2008
Show more