Level sets and computational intelligence algorithms to medical image analysis in e-medicus system

• Autorzy: Rymarczyk T.

Identyfikatory

DOI

10.5604/01.3001.0010.4585

Warianty tytułu

PL

Zbiory poziomicowe i algorytmy inteligencji obliczeniowej do analizy obrazów medycznych w systemie e-medicus

• Języki publikacji: EN

Abstrakty

EN

In this work, there were implemented methods to analyze and segmentation medical images by using topological, statistical algorithms and artificial intelligence techniques. The solution shows the architecture of the system collecting and analyzing data. There was tried to develop an algorithm for level set method (LSM) applied to piecewise constant image segmentation. These algorithms are needed to identify arbitrary number of phases for the segmentation problem. The image segmentation refers to the process of partitioning a digital image into multiple regions. There is typically used to locate objects and boundaries in images. There was also shown an algorithm for analyzing medical images using a neural network MLP.

PL

W artykule zostały zaimplementowane metody do analizy i segmentacji obrazów medycznych przy użyciu algorytmów topologicznych, statystycznych i technik sztucznej inteligencji. Rozwiązanie przedstawia architekturę systemu do gromadzenia i analizy danych. Opracowano algorytmy oparte na metodzie zbiorów poziomicowych (MZP) jako odcinkowo stałą segmentację obrazu. Algorytmy te są potrzebne do identyfikacji dowolnej liczby faz dla problemu segmentacji, która odnosi się do procesu dzielenia cyfrowego obrazu w różnych regionach. Metoda używana jest zwykle do lokalizacji obiektów i brzegów w obrazach. W pracy przedstawiono również algorytm do analizy obrazów medycznych z wykorzystaniem sieci neuronowej MLP.

Słowa kluczowe

EN

segmentation; image analysis; level set method

PL

segmentacja; analiza obrazów; metoda zbiorów poziomicowych

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2017
• Tom: T. 7, nr 1
• Strony: 63--67
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Rymarczyk T.

• Netrix S.A., Research and Development Center, Związkowa Str. 26, 20-148 Lublin

Bibliografia

• [1] Argenziano G., Soyer P.H., De Giorgi V., Piccolo D.: Interactive atlas of dermatoscopy, EDRA 2000.
• [2] Balla-Arabe S., Gao X.: A Fast and Robust Level Set Method for Image Segmentation Using Fuzzy Clustering and Lattice Boltzmann Method, IEEE Trans Cybern. 43(3), 2013.
• [3] Braun R.P., Rabinovitz H. S.: Dermoscopy of pigmented skin lesions, J Am Acad Dermatol, 52, 2005, 109-121.
• [4] Gdula A., Rymarczyk T.: Application Computational Algorithms for Analysis of Dental Image, WD 2015.
• [5] Jajuga K.: Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa 1990.
• [6] Johr R.H.: Dermoscopy: Alternative melanocytic algorithms-the ABCD rule of dermatoscopy, Menzies scoring method, and 7-point checklist. Clin. DermC.atol. 2002.
• [7] Kamińska J., Winciorek G.: Dermatologia cyfrowa, Cornetis 2008.
• [8] Kurzyński M.: Rozpoznawanie obiektów. Metody statystyczne, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 1997.
• [9] Li C., Kao C., Gore J.C., Ding Z.: Minimization of Region-Scalable Fitting Energy for Image Segmentation, IEEE Trans. Image Processing, vol. 17 (10), 2008, 1940-1949.
• [10] Mumford D., Shah J.: Optimal approximation by piecewise smooth functions and associated variational problems. Comm. Pure Appl. Math., 42, 1989, 577–685.
• [11] Osher S., Fedkiw R.: Level Set Methods and Dynamic Implicit Surfaces, Springer, New York 2003.
• [12] Osher S., Sethian J.A.: Fronts Propagating with Curvature Dependent Speed: Algorithms Based on Hamilton-Jacobi Formulations. Journal of Computational Physics, 79, 1988, 12–49.
• [13] Ossowski S.: Sieci neuronowe do przetwarzania informacji, Politechnika Warszawska, Warszawa 2006.
• [14] Osowski S., Markiewicz T., Kruk M., Kozłowski W.: Metody sztucznej inteligencji do wspomagania diagnostyki patologii tkanek, WAT, Warszawa 2011.
• [15] Rymarczyk T.: Characterization of the shape of unknown objects by inverse numerical methods, Electrical Review, 7b/2012, 138–140.
• [16] Rymarczyk T., Osior K.: E-Medicus System for Analysis and Images Segmentation, IIPhWD 2013.
• [17] Rymarczyk T., Filipowicz S.F., Sikora J., Polakowski K.: A piecewise-constant minimal partition problem in the image reconstruction, Przegląd Elektrotechniczny, 12/2009, 141–143.
• [18] Sadowski T, Rymarczyk T.: Method for Segmentation Medical Images of Thorax and Detecting Anomalies, WD2014, 2014.
• [19] Sethian J.A.: Level Set Methods and Fast Marching Methods, Cambridge University Press, 1999.
• [20] Stąpor K.: Metody klasyfikacji obiektów w wizji komputerowej. Wydawnictwo Naukowe PWN, Warszawa 2011.
• [21] Stolz W., Braun-Falco O.: Color atlas of dermatoscopy, Blackwell Science, 1994.
• [22] Vese L. Chan T.: A new multiphase level set framework for image segmentation via the Mumford and Shah model, CAM Report 01-25, UCLA Math. Dept., 2001.
• [23] Xiong G., Zhou X., Ji L., Bradley P., Perrimon N., Wong S.: Automated Segmentation of Drosophila RNAi Fluorescence Cellular Images using Deformable Models, IEEE Transactions on Circuits and Systems, Vol. 53, No. 11, 2006, 2415–2424.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).