3D lung segmentation of the CT series based on 2D Chan-Vese

• Autorzy: Maciura Łukasz , Rosa Wojciech , Wójcik Dariusz , Rymarczyk Tomasz , Maj Michał , Kozłowski Edward

Identyfikatory

DOI

10.15199/48.2022.05.31

Warianty tytułu

PL

Nowy algorytm segmentacji 3D płuc na seriach z tomografii komputerowej bazujący na Chan–Vese 2D

• Języki publikacji: EN

Abstrakty

EN

This paper presents a new 3D segmentation algorithm for lung segmentation tasks on CT series. The algorithm consists of a 2D stage (for each slice) which is performed parallelly and 3D postprocessing after merging to 3D. The 2D stage consists of 2D preprocessing, Chan - Vese segmentation, and 2D postprocessing. This algorithm was tested on the set of 60 CT series containing labelled data enable to its assessment. The results of the algorithm are close to deep learning approaches. This algorithm will be an element of a commercial expert system for medical applications where some patient assessment will be necessary based on segmented human organs.

PL

Ten artykuł prezentuje nowy algorytm segmentacji 3D do zadań segmentacji płuc na seriach z tomografii komputerowej. Ten algorytm składa się z etapu 2D (dla każdego przekroju) który jest wykonywany równolegle i post-processingu 3D po scaleniu wyników do 3D. Etap 2D składa się z pre-processingu 2D, segmentacji Chan – Vese I post-processingu 2D. Algorytm był przetestowany na zbiorze 60 serii obtazów z tomografii komputerowej zawierających zaetykietowane dane co umożliwiło jego ocenę. Wyniki algorytmu są przybliżonej dokładności do rozwiązań deep learning. Algorytm ten będzie elementem komercyjnego system ekspertowego do zastosowań medycznych, gdzie niezbędna będzie ocena pacienta bazując na segmentowanych organach człowieka.

Słowa kluczowe

EN

CT segmentation; medical imaging; Chan–Vese segmentation

PL

segmentacja obrazów z tomografii komputerowej; obrazowanie medyczne; segmentacja Chan–Vese

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 5
• Strony: 165--168
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Maciura Łukasz

• Netrix S.A., Research & Development Centre, Lublin, Poland

autor

Rosa Wojciech

• Lublin University of Technology Lublin, Poland

autor

Wójcik Dariusz

• Netrix S.A., Research & Development Centre, Lublin, Poland

autor

Rymarczyk Tomasz

• Netrix S.A, Reseach & Development Centre, Lublin, Poland
• University of Economics and Innovation in Lublin, Poland

autor

Maj Michał

• Netrix S.A, Reseach & Development Centre, Lublin, Poland
• University of Economics and Innovation in Lublin, Poland

autor

Kozłowski Edward

• Netrix S.A, Reseach & Development Centre, Lublin, Poland
• Lublin University of Technology Lublin, Poland

Bibliografia

• [1] M. Kass, A. Witkin, D. Terzopoulos, Snakes: Active contour models, International Journal of Computer Vision, 1988
• [2] S. Osher, R. Fedkiw, Level Set Methods and Dynamic ImplicitSurfaces Springer, New York, 2003
• [3] X. Jiand, R. Zhang, S. Nie, Image Segmentation Based on Level Set Method 2012 International Conference on Medical Physics and Biomedical Engineering
• [4] P. Annangi, S. R. Thiruvenkadam, X. Sun, L. Mao, A region based active contour method for x-ray lung segmentation using prior shape and low level features IEEE International Symposium on Biomedical Imaging: from nano to macro. IEEE International Symposium on Biomedical Imaging, Jan. 2010
• [5] Leo Grady, Random walks for image segmentation, IEEE Trans. Pattern Anal. Mach. Intell. 2006
• [6] T. F. Chan, L. A. Vese, Active Contours Without Edges, IEEETRANSACTIONS ON IMAGE PROCESSING, VOL. 10, NO. 2, FEBRUARY 2001
• [7] Segment Lungs from 3-D Chest Scan,https://www.mathworks.com/help/images/segment-lungs-from-3-dchest-mri-data.html
• [8] J. Larrey-Ruiz et. al., Automatic image segmentation of theheart from CT scans EURASIP Journal on Image and Video Processing, 201
• [9] Y. Lei et al., Deep Learning in Multi-organ Segmentation arxiv.org, 2020
• [10] X. Dong et al., Automatic multiorgan segmentation in thorax CT images using U-net-GAN Medical Physics, 46(5), 2157–2168. https://doi.org/10.1002/mp.13458
• [11] A. Aziz Taha, A. Hanbury, Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool, BMC Medical Imaging, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4533825/
• [12] W. Lorensen, William, H. E. Cline, Marching Cubes: A High Resolution 3D Surface Construction Algorithm, Computer Graphics (SIGGRAPH 87 Proceedings) 21(4) July 1987, p. 163-170). DOI:10.1145/37401.37422
• [13] 2017 AAPM Thoracic Auto-segmentation Challenge, http://aapmchallenges.cloudapp.net/competitions/3, accessed 2020.10.12
• [14] Filipowicz, SF and Rymarczyk, The Shape Reconstruction of Unknown Objects for Inverse Problems Przeglad Elektrotechniczny, 88 (3A), 55-57, 2012
• [15] Rymarczyk T.: Characterization of the shape of unknown objects by inverse numerical methods, Przeglad Elektrotechniczny, 88(7B), 138-140, 2012
• [16] Rymarczyk, T Using electrical impedance tomography to monitoring flood banks 16th International Symposium on Applied Electromagnetics and Mechanics (ISEM),International journal of applied electromagnetics and mechanics 45, 489-494, 2014
• [17] Duraj, A.; Korzeniewska, E.; Krawczyk, A. Classification algorithms to identify changes in resistance. Przegląd Elektrotechniczny 2015, 1, 82–84
• [18] Krawczyk, A.; Korzeniewska, E. Magnetophosphenes–history and contemporary implications. Przegląd Elektrotechniczny 2018, 1, 63–66
• [19] Mosorov, V ; Rybak, G ; Sankowski, D, Plug Regime Flow Velocity Measurement Problem Based on Correlability Notion and Twin Plane Electrical Capacitance Tomography: Use Case, Sensors Volume: 21 Issue: 6 Article Number: 2189 DOI: 10.3390/s21062189, 2021
• [20] Koulountzios P., Rymarczyk T., Soleimani M., A quantitative ultrasonic travel-time tomography system for investigation of liquid compounds elaborations in industrial processes, Sensors, 19(23), 5117, 2019
• [21] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T.,Maintenance of industrial reactors based on deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22(1), 138–147, 2020
• [22] Kłosowski G., Rymarczyk T., Cieplak T., Niderla K., Skowron Ł., Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography, Sensors, 20(11), 3324, 2020
• [23] Łukiański, M., & Wajman, R. (2020). The diagnostic of two-phase separation process using digital image segmentation algorithms. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 10(3), 5-8

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).