مقاله انگلیسی یک روش تنوع جدید برای تقسیم بندی انتخابی تصاویر پزشکی
ترجمه نشده

مقاله انگلیسی یک روش تنوع جدید برای تقسیم بندی انتخابی تصاویر پزشکی

عنوان فارسی مقاله: یک روش تنوع جدید برای تقسیم بندی انتخابی تصاویر پزشکی
عنوان انگلیسی مقاله: A new variational method for selective segmentation of medical images
مجله/کنفرانس: پردازش سیگنال - Signal Processing
رشته های تحصیلی مرتبط: مهندسی پزشکی
گرایش های تحصیلی مرتبط: پردازش تصاویر پزشکی
کلمات کلیدی فارسی: تقسیم بندی انتخابی، تجزیه و تحلیل تصویر پزشکی، کانتور فعال، سطح تنظیم شده
کلمات کلیدی انگلیسی: Selective segmentation - Medical image analysis - Active contour - Level set
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.sigpro.2021.108292
دانشگاه: دانشکده ریاضیات و آمار ، دانشگاه Xidian ، چین
صفحات مقاله انگلیسی: 12
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 4.662 در سال 2020
شاخص H_index: 136 در سال 2020
شاخص SJR: 0.907 در سال 2020
شناسه ISSN: 0165-1684
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15676
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Keywords
Introduction
Related works
The proposed method
Experimental results
Conclusion
CRediT authorship contribution statement
Declaration of Competing Interest
Acknowledgments
Appendix A
Appendix B
References

بخشی از مقاله (انگلیسی)

abstract
Selective segmentation aims to separate a subset of target objects or regions of interests in an image. It is widely used in medical image analysis for some specific tasks such as extracting anatomic organs or lesions. However, selective segmentation of medical images is usually challenged by their limited imaging quality. In this paper, we propose a two-phase selective segmentation method. The first phase is a preprocessing step, which aims to reduce influence of noise or cluttered background on segmentation. The second phase performs selective segmentation on the preprocessed image. For the first phase, we propose a new image smoothing model which can effectively reduce noise or intensity inhomogeneity inside objects while retain edges of the original image. Moreover, the proposed model has attractive mathematical and physical properties, in that it has one single optimal solution. For the second phase, we propose a modified Gout’s active contour method, which can obtain targeted objects more efficiently and accurately. Our main contribution is the new image smoothing model, which can effectively attenuate complicated background but preserve edges of targeted object. Extensive experiments on real medical images show that, our smoothing model can greatly facilitate the second phase, and our method can significantly improve some existing related methods in terms of either visual assessment or quantitative evaluation