In this paper, an automatic compute

In this paper, an automatic computer-aided detection system for breast magnetic resonance imaging (MRI) tumour segmentation will be presented. The study is focused on tumour segmentation using the modified automatic seeded region growing algorithm with a variation of the automated initial seed and threshold selection methodologies. Prior to that, some pre-processing methodologies are involved. Breast skin is detected and deleted using the integration of two algorithms, namely the level set active contour and morphological thinning. The system is applied and tested on 40 test images from the RIDER breast MRI dataset, the results are evaluated and presented in comparison to the ground truths of the dataset. The analysis of variance (ANOVA) test shows that there is a statistically significance in the performance compared to the previous segmentation approaches that have been tested on the same dataset where ANOVA p values for the evaluation measures' results are less than 0.05, such as: relative overlap (p = 0.0002), misclassification rate (p = 0.045), true negative fraction (p = 0.0001) and sum of true volume fraction (p = 0.0001). © 2013 Society for Imaging Informatics in Medicine.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ มีระบบอัตโนมัติคอมพิวเตอร์ช่วยตรวจหาเต้านมสั่นพ้องไฟฟ้าสนามแม่เหล็ก (mri) เนื้องอกแบ่งจะนำเสนอ การศึกษาจะเน้นเนื้องอกแบ่งด้วยอัลกอริทึมเติบโตภูมิภาค seeded อัตโนมัติปรับเปลี่ยนรูปแบบของเมล็ดพันธุ์เริ่มต้นโดยอัตโนมัติและวิธีการเลือกขีดจำกัด บางวิธีการประมวลผลเบื้องต้นเกี่ยวข้องที่ ผิวหนังเต้านมมีการตรวจพบ และลบโดยใช้การรวมของสองอัลกอริทึม ได้แก่ ระดับการตั้งค่าเส้นใช้งานอยู่และผอมบางของ ระบบการใช้ และทดสอบบน 40 ภาพทดสอบจากชุดข้อมูล MRI เต้านมไรเดอร์ ผลประเมิน และนำเสนอ โดยสัจธรรมล่างของชุดข้อมูล แสดงว่ามีทดสอบความแปรปรวนของการวิเคราะห์ (วิเคราะห์ความแปรปรวน) นัยสำคัญทางสถิติในการทำงานเปรียบเทียบกับตัวก่อนหน้านี้แบ่งวิธีที่ได้รับการทดสอบในชุดข้อมูลเดียวกันค่า p การวิเคราะห์ความแปรปรวนสำหรับการวัดประเมินผลน้อยกว่า 0.05 เช่น: ทับซ้อนสัมพันธ์ (p = 0.0002), misclassification อัตรา (p = 0.045), เศษลบจริง (p = 00001) และผลรวมของเศษส่วนปริมาตรที่แท้จริง (p =มาก 0.0001) © สมาคม 2013 สำหรับภาพสารสนเทศในยา

ผลลัพธ์ (ไทย) 2:

ในบทความนี้ระบบอัตโนมัติคอมพิวเตอร์ช่วยการตรวจสอบเต้านมถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) การแบ่งส่วนเนื้องอกจะนำเสนอ การศึกษาจะมุ่งเน้นไปที่การแบ่งส่วนเนื้องอกโดยใช้เมล็ดภูมิภาคขั้นตอนวิธีการแก้ไขที่เพิ่มขึ้นโดยอัตโนมัติด้วยการเปลี่ยนแปลงของเมล็ดพันธุ์ที่เริ่มต้นโดยอัตโนมัติและเกณฑ์วิธีการเลือก ก่อนที่บางวิธีการก่อนการประมวลผลที่มีส่วนเกี่ยวข้อง ผิวเต้านมที่ตรวจพบและถูกลบออกโดยใช้การรวมของทั้งสองขั้นตอนวิธีการคือระดับที่กำหนดรูปร่างการใช้งานและการทำให้ผอมบางก้าน ระบบจะถูกนำมาประยุกต์ใช้และทดสอบใน 40 ภาพจากการทดสอบชุด MRI เต้านม RIDER ผลลัพธ์ที่ได้รับการประเมินและนำเสนอในการเปรียบเทียบกับความจริงพื้นดินของชุด การวิเคราะห์ความแปรปรวน (ANOVA) การทดสอบแสดงให้เห็นว่ามีนัยสำคัญทางสถิติในการทำงานเมื่อเทียบกับวิธีการแบ่งส่วนก่อนหน้านี้ที่ได้รับการทดสอบในชุดเดียวกันที่วิเคราะห์ค่าพีสำหรับผลการประเมินผลมาตรการ 'น้อยกว่า 0.05 เช่น ญาติทับซ้อน (p = 0.0002) อัตราการจำแนก (p = 0.045) ส่วนความจริงเชิงลบ (p = 0.0001) และผลรวมของปริมาตรจริง (p = 0.0001) © 2013 สมาคมถ่ายภาพสารสนเทศในการแพทย์

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , อัตโนมัติคอมพิวเตอร์ระบบการตรวจสอบเต้านมแม่เหล็ก ( MRI ) การตัดเนื้องอกจะนำเสนอ ศึกษาเน้นการใช้แบบอัตโนมัติ เป็นเขตปลูกด้วยเมล็ดของการเปลี่ยนแปลงโดยอัตโนมัติเริ่มต้นเมล็ดพันธุ์และวิธีการการเลือกประตู ก่อนหน้านั้น มีการประมวลผลข้อมูลเกี่ยวข้องนมผิวจะถูกตรวจพบและลบโดยใช้การรวมสองวิธีได้แก่ระดับการตั้งค่าใช้งาน Contour และสัณฐานผอมบาง เป็นระบบที่ใช้ในการทดสอบและทดสอบ 40 ภาพจากไรเดอร์ เต้านม MRI วันที่ ผลลัพธ์จะถูกประเมินและนำเสนอในการเปรียบเทียบกับพื้นความจริงของข้อมูล .การวิเคราะห์ความแปรปรวน ( ANOVA ) การทดสอบพบว่ามีสถิติสำคัญในประสิทธิภาพเมื่อเทียบกับวิธีการแบ่งส่วนก่อนหน้าที่ได้รับการทดสอบบนข้อมูลเดียวกันที่แปรปรวน P ค่าประเมินมาตรการได้ผลน้อยกว่า 0.05 , เช่น ซ้อน ญาติ ( p = 0.0002 ) อัตราผิดพลาด ( P = 0.045 ) , เศษส่วนลบจริง ( P = 0001 ) และผลรวมของส่วนเล่มจริง ( P = 0.0001 ) สงวนลิขสิทธิ์ 2555 สังคมสารสนเทศในด้านการแพทย์