Parallel implementation of the artificial ant colony algorithm applied to medical images segmentation

• Autorzy: Krawczyk Z. , Starzyński J.

Identyfikatory

DOI

10.15199/48.2017.04.02

Warianty tytułu

PL

Równoległa implementacja algorytmu mrówkowego zastosowanego do segmentacji obrazów medycznych

• Języki publikacji: EN

Abstrakty

EN

Artificial Ant Colony algorithm (AAC) can be applied to segmentation of bone structures out of CT data series. AAC procedure produces promising results in regions of adjacent bones and joints which are hard to distinguished by common segmentation algorithms. The article presents parallel implementation of the AAC which allows for significant speed-up of the segmentation procedure. The results of the segmentation for various bone structures in the area of the human pelvis are presented.

PL

Algorytm kolonii mrówkowej (AAC) pozwala na segmentację struktur kostnych z serii obrazów tomografii komputerowej. AAC daje obiecujące wyniki dla przylegających do siebie fragmentów kości i stawów, które trudno rozróżnić przy pomocy często używanych filtrów obrazu. Artykuł przedstawia równoległą implementację algorytmu pozwalającą znacznie przyspieszyć operację segmentacji. Zaprezentowano w nim wyniki algorytmu dla wybranych struktur kostnych w obrębie miednicy.

Słowa kluczowe

EN

image processing; artificial ant colony algorithm; parallel programming; CT

PL

przetwarzanie obrazu; algorytm mrówkowy; programowanie równoległe; CT

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2017
• Tom: R. 93, nr 4
• Strony: 6--9
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Krawczyk Z.

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej I Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-662 Warszawa

autor

Starzyński J.

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej I Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-662 Warszawa

Bibliografia

• [1] Sharma N,, Aggarwal LM., Automated medical image segmentation techniques. Journal of Medical Physics / Association of Medical Physicists of India , nr 35 (2010), 3-14
• [2] Prasantha H.S. et. al. Medical Image Segmentation, International Journal on Computer Science and Engineering (IJCSE), Vol. 02, No. 04 (2010), 1209-1218
• [3] McInerney T., Terzopoulos D., Deformable Models in Medical Image Analysis: A Survey, Medical Image Analysis, 1(2) (1996), 91-108
• [3] M. Dorigo, Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Italy, (1992)
• [4] Ramos V., Almeida F., Artificial Ant Colonies in Digital Image Habitats - A Mass Behaviour Effect Study on Pattern Recognition, Proc. of ANTS 2000 - 2nd Int. Works. on Ant Algorithms (From Ant Colonies to Artificial Ants), Marco Dorigo, Martin Middendorf, Thomas Stuzle (Eds.), Brussels, Belgium, 7-9 Sep. (2000), 113
• [5] A. V. Alvarenga, Artificial Ant Colony: Features and applications on medical image segmentation, 2011 PanAmerican Health Care Exchanges, Rio de Janeiro, (2011), 96- 101
• [6] Cerello P. et. al., 3-D object segmentation using ant colonies, Journal Pattern Recognition, 43 (2010), Issue 4, April, 1476- 1490
• [7] Fiorina E., Fully automated hippocampus segmentation with virtual ant colonies, Computer-Based Medical Systems (CBMS), 2012 25th International Symposium on;, 978-1-4673- 2049-8 (2012), 1-6
• [8] https://docs.python.org/2/library/multiprocessing.html
• [9] https://docs.python.org/2/library/ctypes.html
• [10] http://www.simpleitk.org/

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).