4. Segmentation4.1 Overview of segm

4. Segmentation
4.1 Overview of segmentation
Segmentation in medical imaging is generally considered a difficult problem, mainly because of the sheer
size of the datasets coupled with the complexity and variability of the anatomic organs. The situation is
worsened by the shortcomings of imaging modalities, such as sampling artifacts, noise, low contrast, etc.,
that may cause the boundaries of anatomical structures to be indistinct and disconnected. Thus, the main
challenge of segmentation algorithms is to accurately extract the boundary of the organ or ROI and separate
it from the rest of the dataset.
4.2 Segmentation methods
Numerous segmentation algorithms are found in the literature. Due to the nature of the problem of
segmentation, most of these algorithms are specific to a particular problem and thus have little significance
for most other problems.
This standard will try to cover all the algorithms that have a generalized scope and that are the basis of
most current segmentation techniques. In addition, we will concentrate only on 3D volumes and thus
present each algorithm with respect to its application on 3D volumes.
To make 3D models from 2D images, it was necessary to segment the area of interest in the 2D image. 3D
models were made by stacking serial 2D images, therefore segmentation was also done consecutively.
Generally, segmentation was done on horizontal images, but in some cases, segmentation was done on
coronal or sagittal images that were made by stacking horizontal images and then cutting in the coronal or
sagittal directions (see Figure 6).
In the medical imaging field, a variety of algorithms for the automation of segmentation have been
developed [B1], [B3], [B4], [B5]. However, some anatomical structures cannot be segmented
automatically, such as detailed muscles, because the borders of neighboring structures were not clearly
identified on 2D images.
Segmentation could be done efficiently using commercial software that handles medical images [B6],
[B10]. These software packages have many functions, including semiautomatic segmentation, when
optimally used

ผลลัพธ์ (ไทย) 1:

4. แบ่งกลุ่ม4.1 ภาพรวมของการแบ่งเซ็กเมนต์แบ่งส่วนในการสร้างภาพทางการแพทย์จัดเป็นปัญหายาก เพราะส่วนใหญ่กว้างขนาดของชุดข้อมูลควบคู่ไปกับความซับซ้อนและความแปรปรวนของอวัยวะตามสรีระ สถานการณ์เป็นแย่ลงจากข้อบกพร่องของภาพรังสี วัตถุสุ่ม เสียงรบกวน ความเปรียบ ต่างต่ำ ฯลฯ .,ที่อาจทำให้ขอบเขตของโครงสร้างกายวิภาคจะไม่ชัด และไม่ต่อ ดังนั้น หลักท้าทายของอัลกอริทึมแบ่งกลุ่มคือการ แยกขอบเขตของอวัยวะ หรือ ROI และแยกอย่างถูกต้องนอกจากส่วนเหลือของชุดข้อมูล4.2 วิธีการแบ่งเซกเมนต์อัลกอริทึมการแบ่งเซกเมนต์จำนวนมากที่พบในวรรณคดี เนื่องจากลักษณะของปัญหาแบ่งกลุ่ม ส่วนใหญ่ของอัลกอริทึมเหล่านี้เฉพาะสำหรับปัญหาเฉพาะ และจึง มีความสำคัญน้อยสำหรับปัญหาอื่น ๆ ส่วนใหญ่มาตรฐานนี้จะพยายามที่จะครอบคลุมทั้งอัลกอริทึมที่มีขอบเขตทั่วไป และที่เป็นพื้นฐานของเทคนิคการแบ่งกลุ่มล่าสุด นอกจากนี้ เราจะเน้นเฉพาะไดรฟ์ข้อมูล 3D และดังนั้นปัจจุบันแต่ละอัลกอริทึมเกี่ยวกับการใช้งานบนไดรฟ์ข้อมูล 3Dทำโมเดล 3 มิติจากภาพ 2 มิติ ก็จำเป็นต้องแบ่งส่วนพื้นที่ที่น่าสนใจในภาพ 2D 3 มิติรุ่นทำ โดยซ้อนภาพ 2D อนุกรม ดังนั้นจึง แบ่งกลุ่มยังทำอย่างต่อเนื่องโดยทั่วไป แบ่งกลุ่มทำภาพแนวนอน แต่ในบางกรณี แบ่งกลุ่มที่ทำบนภาพโคโรนา หรือภาพที่ โดยซ้อนภาพแนวนอนแล้ว ตัดในบริเวณที่ทำ หรือทิศทางภาพ (ดูรูปที่ 6)ในฟิลด์สร้างภาพทางการแพทย์ ความหลากหลายของอัลกอริทึมสำหรับระบบอัตโนมัติของการแบ่งเซ็กเมนต์ได้พัฒนา B1, B3, B4, [B5] อย่างไรก็ตาม ไม่สามารถแบ่งส่วนบางโครงสร้างกายวิภาคโดยอัตโนมัติ เช่นกล้ามเนื้อละเอียด เพราะชายแดนของเพื่อนบ้านโครงสร้างไม่ชัดเจนระบุในภาพ 2Dแบ่งส่วนทำได้อย่างมีประสิทธิภาพโดยใช้ซอฟต์แวร์เชิงพาณิชย์ที่จัดการภาพทางการแพทย์ [B6],[B10] แพคเกจซอฟต์แวร์เหล่านี้มีฟังก์ชั่นมากมาย รวมทั้งแบ่งส่วนกึ่งอัตโนมัติ เมื่อใช้อย่างเหมาะสม

ผลลัพธ์ (ไทย) 2:

4. การแบ่งส่วน
4.1 ภาพรวมของการแบ่งส่วน
แบ่งส่วนในการถ่ายภาพทางการแพทย์โดยทั่วไปถือว่าเป็นปัญหาที่ยากเพราะส่วนใหญ่ของที่แท้จริง
ขนาดของชุดข้อมูลควบคู่ไปกับความซับซ้อนและความแปรปรวนของอวัยวะกายวิภาค สถานการณ์จะ
แย่ลงโดยข้อบกพร่องของการถ่ายภาพรังสีเช่นสิ่งประดิษฐ์สุ่มตัวอย่างเสียงคมชัดต่ำ ฯลฯ
ที่อาจทำให้เกิดขอบเขตของโครงสร้างทางกายวิภาคที่จะไม่ชัดและตัดการเชื่อมต่อ ดังนั้นหลัก
ความท้าทายของขั้นตอนวิธีการแบ่งส่วนคือการได้อย่างถูกต้องดึงเขตแดนของอวัยวะหรือผลตอบแทนการลงทุนและแยก
จากส่วนที่เหลือของชุดข้อมูลได้.
วิธีการแบ่งส่วน 4.2
ขั้นตอนวิธีการแบ่งส่วนจำนวนมากที่พบในวรรณคดี เนื่องจากลักษณะของปัญหาของ
การแบ่งส่วนส่วนใหญ่ของกลไกเหล่านี้มีความเฉพาะเจาะจงในการแก้ไขปัญหาโดยเฉพาะอย่างยิ่งและทำให้มีความสำคัญเล็ก ๆ น้อย ๆ
สำหรับปัญหาอื่น ๆ ส่วนใหญ่.
มาตรฐานนี้จะพยายามให้ครอบคลุมถึงขั้นตอนวิธีการทั้งหมดที่มีขอบเขตทั่วไปและที่มีพื้นฐานของ
เทคนิคการแบ่งส่วนมากที่สุดในปัจจุบัน นอกจากนี้เราจะเน้นเฉพาะในปริมาณ 3D และทำให้
ปัจจุบันขั้นตอนวิธีการในแต่ละส่วนที่เกี่ยวกับการประยุกต์ใช้บนไดรฟ์ 3D.
เพื่อให้แบบจำลอง 3 มิติจากภาพ 2D, มันเป็นสิ่งจำเป็นในการแบ่งกลุ่มพื้นที่ที่น่าสนใจในภาพ 2 มิติ 3 มิติ
แบบจำลองที่ทำโดยการซ้อนภาพ 2D อนุกรมจึงแบ่งส่วนยังได้ทำอย่างต่อเนื่อง.
โดยทั่วไปแบ่งส่วนทำในภาพแนวนอน แต่ในบางกรณีการแบ่งส่วนทำใน
ภาพเวียนหรือทัลที่ทำโดยการซ้อนภาพในแนวนอนแล้วตัด เวียนหรือ
ทิศทางทัล (ดูรูปที่ 6).
ในฟิลด์ถ่ายภาพทางการแพทย์, ความหลากหลายของอัลกอริทึมสำหรับระบบอัตโนมัติของการแบ่งส่วนที่ได้รับการ
พัฒนา [B1], [B3], [B4], [B5] แต่บางโครงสร้างทางกายวิภาคไม่สามารถแบ่งกลุ่ม
โดยอัตโนมัติเช่นกล้ามเนื้อรายละเอียดเพราะพรมแดนของโครงสร้างที่อยู่ใกล้เคียงได้อย่างชัดเจนไม่ได้
ระบุไว้ในภาพ 2D.
แบ่งกลุ่มสามารถทำได้อย่างมีประสิทธิภาพโดยใช้ซอฟต์แวร์เชิงพาณิชย์ที่จับภาพทางการแพทย์ [6],
[B10] ซอฟแวร์เหล่านี้มีฟังก์ชั่นจำนวนมากรวมทั้งการแบ่งส่วนกึ่งอัตโนมัติเมื่อ
ใช้อย่างเหมาะสม

ผลลัพธ์ (ไทย) 3:

4 . การแบ่งส่วน4.1 ภาพรวมของการแบ่งส่วนในการแบ่งส่วนภาพทางการแพทย์โดยทั่วไปถือว่าเป็นปัญหา เพราะส่วนใหญ่ของอิดขนาดของข้อมูลควบคู่กับความซับซ้อนและการเปลี่ยนแปลงของอวัยวะที่เกี่ยวกับโครงสร้าง . สถานการณ์คือเนื่องจากข้อบกพร่องของ modalities การถ่ายภาพ เช่น สิ่งประดิษฐ์ สุ่มเสียงต่ำ , ความคมชัด ฯลฯที่อาจจะทำให้ขอบเขตของโครงสร้างทางกายวิภาคจะคลุมเครือ และ ขาดจากกัน ดังนั้น หลักความท้าทายของขั้นตอนวิธีการแบ่งส่วนคือการถูกต้องแยกขอบเขตของอวัยวะ หรือร้อยเอ็ดและแยกจากส่วนที่เหลือของชุดข้อมูล .4.2 การแบ่งส่วนวิธีการขั้นตอนวิธีการมากมายที่พบในวรรณคดี เนื่องจากลักษณะของปัญหาของการแบ่งส่วนตลาด , ที่สุดของขั้นตอนวิธีการเหล่านี้จะระบุปัญหาเฉพาะและดังนั้นจึงมีความสำคัญน้อยสำหรับปัญหาอื่นๆ มากที่สุดมาตรฐานนี้จะครอบคลุมทุกขั้นตอนให้มีขอบเขตทั่วไปและที่เป็นพื้นฐานของเทคนิคการแบ่งส่วนตลาดปัจจุบันมากที่สุด นอกจากนี้ เราจะเน้นแต่ปริมาณ 3D และดังนั้นจึงปัจจุบันแต่ละขั้นตอนเกี่ยวกับการประยุกต์ใช้ในเล่ม 3สร้างโมเดล 3 มิติจากภาพ 2 มิติ มันเป็นส่วนพื้นที่ของดอกเบี้ยในรูป 2 มิติ 3 มิติโมเดลถูกสร้างโดยการซ้อนภาพ 2D แบบอนุกรม ดังนั้นการแบ่งส่วนก็ทำติดต่อกัน .โดยทั่วไปแล้ว การทำภาพแนวนอน แต่ในบางกรณี การกระทำบนเหง้าหรือ Sagittal ภาพที่ถูกสร้างโดยการซ้อนภาพแนวนอนแล้วตัดในเหง้าหรือศึกษาเส้นทาง ( ดูรูปที่ 6 )ในการถ่ายภาพทางการแพทย์ ด้านความหลากหลายของขั้นตอนวิธีสำหรับระบบอัตโนมัติของการได้รับพัฒนา [ 1 ] , [ B3 ] , [ B4 ] , [ B5 ] อย่างไรก็ตาม บางวิภาคจะแบ่งโครงสร้างโดยอัตโนมัติ เช่น กล้ามเนื้อละเอียด เพราะขอบของโครงสร้างข้างเคียงไม่ ชัดเจนระบุใน 2D ภาพการแบ่งส่วนสามารถทำได้อย่างมีประสิทธิภาพโดยใช้ซอฟต์แวร์เชิงพาณิชย์ที่จัดการภาพทางการแพทย์ [ 6 ][ B10 ] แพคเกจซอฟต์แวร์เหล่านี้มีหลายหน้าที่รวมทั้งการกึ่งอัตโนมัติ เมื่อดีที่สุดใช้