To compensate for bias field inhomo

To compensate for bias field inhomogeneity and reduce noise, we incorporate domain-based knowledge and spatial information into a brain segmentation algorithm by proposing a new multi-layer Hidden Markov model. Brain tissues include Gray Matter (GM), White Matter (WM), and Cerebrospinal Fluid (CSF). A typical slice of a brain image either contains GM, GM–WM or GM–WM–CSF. Therefore, we classify the slices into three classes by employing a 1-D Hidden Markov model in the first layer of our method. Corresponding to a class in the first layer, we use another 1-D Hidden Markov model for segmentation of the slices in the second layer. A 2-D slice is converted into a vector by concatenation of the individual rows. Then, it is segmented by a second layer model. We extensively evaluated our method using three public datasets including 5492 images. Our method proves the significant potential of the proposed multi-layer Hidden Markov model for segmentation of 3-D medical image in the presence of noise and field inhomogeneity. Regarding the IBSR_18 datasets, the proposed method improved the results of segmentation of White Matter and Gray Matter by 0.026 and 0.04, respectively, using Dice coefficient index.

ผลลัพธ์ (ไทย) 1:

ชดเชยสำหรับฟิลด์ตั้ง inhomogeneity และลดเสียงรบกวน เรารวมความรู้โดเมนและข้อมูลปริภูมิเป็นอัลกอริทึมการแบ่งเซกเมนต์ที่สมอง โดยเสนอแบบ Markov ซ่อนหลายชั้นใหม่ เนื้อเยื่อสมองมีเรื่องสีเทา (กรัม), เรื่องขาว (WM), และไขสันหลัง (CSF) ชิ้นโดยทั่วไปของรูปสมองอาจประกอบด้วยจีเอ็ม จีเอ็ม – WM หรือกรัม – WM – CSF ดังนั้น เราแบ่งชิ้นเป็นสามชั้นเรียน โดยใช้แบบ Markov ซ่อน 1 D ในชั้นแรกของวิธีการของเรา ที่สอดคล้องกับการเรียนในชั้นแรก เราใช้อีก 1 D Markov ซ่อนสำหรับแบ่งชิ้นในชั้นที่สอง ชิ้น 2 D จะถูกแปลงเป็นเวกเตอร์ โดยเรียงต่อกันของแต่ละแถว แล้ว มันจะถูกแบ่งเป็นช่วง โดยแบบจำลองชั้นสอง อย่างกว้างขวางเราประเมินวิธีการของเราใช้สาม datasets สาธารณะรวมถึงภาพ 5492 วิธีของเราพิสูจน์ศักยภาพสำคัญของเสนอหลายชั้นซ่อนแบบ Markov สำหรับแบ่งภาพ 3 มิติทางการแพทย์ในต่อหน้าของ inhomogeneity เสียงและฟิลด์ เกี่ยวกับ IBSR_18 datasets วิธีการนำเสนอปรับปรุงผลลัพธ์ของการแบ่งเรื่องสีขาวและสีเทาเรื่อง 0.026 และ 0.04 ตามลำดับ ใช้ลูกเต๋าดัชนีสัมประสิทธิ์

ผลลัพธ์ (ไทย) 2:

เพื่อชดเชยการ inhomogeneity สนามอคติและลดเสียงรบกวนเรารวมความรู้โดเมนที่ใช้และข้อมูลเชิงพื้นที่เป็นขั้นตอนวิธีการแบ่งส่วนสมองโดยเสนอหลายชั้นรุ่นใหม่ที่ซ่อนมาร์คอฟ เนื้อเยื่อสมองรวมถึงเรื่องสีเทา (จีเอ็ม) เรื่องสีขาว (WM) และน้ำไขสันหลัง (CSF) ชิ้นทั่วไปของภาพในสมองมีทั้งจีเอ็ม GM-WM หรือ GM-CSF WM- ดังนั้นเราจึงแบ่งประเภทชิ้นเป็นสามชั้นเรียนโดยใช้รูปแบบ 1-D ซ่อนมาร์คอฟในชั้นแรกของวิธีการของเรา ที่สอดคล้องกับการเรียนในชั้นแรกที่เราใช้อีก 1-D ซ่อนมาร์คอฟแบบสำหรับการแบ่งส่วนของชิ้นในชั้นที่สอง ชิ้น 2 มิติจะถูกแปลงเป็นเวกเตอร์โดยกำหนดการของแถวของแต่ละบุคคล จากนั้นก็จะแบ่งตามรูปแบบชั้นที่สอง เราประเมินอย่างกว้างขวางของเราโดยใช้วิธีการสามชุดข้อมูลสาธารณะรวมถึง 5,492 ภาพ วิธีการของเราได้พิสูจน์ให้เห็นถึงศักยภาพที่สำคัญของการเสนอหลายชั้นรูปแบบที่ซ่อนมาร์คอฟสำหรับการแบ่งส่วนของภาพทางการแพทย์ 3 มิติในการปรากฏตัวของเสียงและเขต inhomogeneity เกี่ยวกับชุดข้อมูล IBSR_18 วิธีการที่นำเสนอการปรับปรุงผลของการแบ่งส่วนของเรื่องสีขาวและสีเทาเรื่องโดย 0.026 และ 0.04 ตามลำดับโดยใช้ดัชนีค่าสัมประสิทธิ์ลูกเต๋า

ผลลัพธ์ (ไทย) 3:

เพื่อชดเชยความไม่สม่ําเสมอด้านอคติ และลดเสียงรบกวน เรารวมโดเมนที่ใช้ความรู้และข้อมูลเชิงพื้นที่เป็นสมองแบ่งส่วนขั้นตอนวิธีโดยเสนอวิธีการใหม่ซ่อนมาร์คอฟโมเดล เนื้อเยื่อสมอง รวมถึงเรื่องสีเทา ( กรัม ) , วัตถุสีขาว ( WM ) และน้ำเลี้ยงสมองและไขสันหลัง ( CSF ) ชิ้นทั่วไปของภาพสมองให้มีจีเอ็ม จีเอ็ม หรือ จีเอ็ม ––– WM WM CSF . ดังนั้นเราแยกชิ้นออกเป็น 3 ชั้น โดยภายในโดยใช้แบบจำลองฮิดเดนมาร์คอฟ ซึ่งในชั้นแรกของวิธีการของเรา ที่สอดคล้องกับการเรียนในชั้นแรก เราใช้แบบจำลองฮิดเดนมาร์คอฟ ซึ่งภายในอื่นสำหรับการตัดชิ้นในชั้น 2 มี 2 ชิ้นคือแปลงเป็นเวกเตอร์โดยเรียงต่อกันแถวแต่ละ จากนั้นก็แบ่งตามรูปแบบชั้น 2เราใช้วิธีของเราอย่างกว้างขวางใช้สาธารณะ 3 5492 ข้อมูลรวมทั้งภาพ วิธีพิสูจน์ศักยภาพที่สำคัญของการนำเสนอวิธีการแบบจำลองฮิดเดนมาร์คอฟ ซึ่งในการแบ่งส่วนของภาพทางการแพทย์ 3D ในการแสดงตนของเสียงและสนามความไม่สม่ําเสมอ . ข้อมูลเกี่ยวกับ ibsr_18 , วิธีการปรับปรุงผลลัพธ์ของการแบ่งส่วนของวัตถุสีขาวและสีเทาโดย 0026 และ 0.04 ตามลำดับ โดยใช้ลูกเต๋าแบบดัชนี