(48) 4507-5403
Você quer saber como fazer um trabalho academico? Por apenas R$ 10 por página Obtenha um exemplo de monografia gratuito e pronto

Segmentação de imagens médicas (MIS)

A segmentação de imagens médicas (MIS) foi aplicada em inúmeras aplicações, como delinear estruturas de tecidos, acompanhamento de células, monitoramento de lesões e tumores, etc. Normalmente, o caminho para o MIS pode ser rotulado em três tipos. Inicialmente, a segmentação empregando métodos clássicos de processamento gráfico como limiar, procedimentos morfológicos e transformação de bacias hidrográficas. Segundo, para treinar uma unidade de classificação baseada em recursos artesanais, como recursos estatísticos, matriz de coocorrência no nível de cinza, padrão binário local etc. A terceira maneira é a segmentação usando recursos de alto nível adquiridos por um DCNN. Wu ainsi que al. usaram métodos clássicos de processamento de imagens, incluindo limiar e desenvolvimento de região semeada para segmentação das glândulas intestinais individuais. No entanto, essa técnica considerou um conhecimento prévio das configurações morfológicas na glândula sudorípara e foi avaliada qualitativamente (Wu ainsi que al., 2005).

Dentro da abordagem simplesmente por Peng et al., foram utilizadas operações morfológicas e de agrupamento de médias k para segmentar os edifícios glandulares da próstata. Com base nessas estruturas, foi construído um classificador linear para distinguir glândulas regulares e cancerígenas (Peng et ‘s., 2010). Extração e seleção de características têm sido amplamente utilizadas em áreas de aplicação como biomedicina, avaliação de imagens, autenticação biométrica etc. Por dentro da contribuição de Farzam ainsi que al. e Doyle ainsi que al., consistência, forma e características baseadas em gráficos foram removidas e um sérier linear foi criado para distinguir diversas seções de tecido patológico dos pacientes com tumor de próstata (Farzam et approach., 2007) (Doyle et ing., 2007) . No trabalho mostrado por Naik et al., Um classificador bayesiano foi usado para classificar entre lúmen, estroma e núcleos.

As áreas reais do lúmen foram descobertas aplicando restrições de tamanho e composição. Uma competição de quantidade ajustada foi inicializada usando a área do lúmen do caso e foi desenvolvida antes do limite interior dos núcleos. As características morfológicas foram determinadas a partir dos limites seguidos por um esquema de aprendizado múltiplo para classificar os níveis de câncer com base nas características reduzidas (Naik ainsi que al., 2008). Pelos métodos anteriores, regularmente as estruturas das glândulas em forma de forma tinham sido eficientemente segmentadas. No entanto, devido a vários elementos de preparação da amostra, as estruturas glandulares mostram variação e segmentar estruturas glandulares de forma irregular é um desafio. Para aliviar esse assunto, Gunduz-Demir ou al. propuseram uma abordagem baseada em gráfico de objetos que depende da decomposição da imagem em itens. Sua abordagem utilizou um protocolo de crescimento de região em três etapas, seguido por detecção de limites e eliminação de área falsa (Gunduz-Demir et approach., 2009). Em outro trabalho simplesmente de Sirinukunwattana ou outros, foi formulado um Modelo de Polígonos Aleatórios para segmentar a estrutura glandular no tecido do trato digestivo humano. Os edifícios glandulares foram modelados como polígonos cujos vértices estavam localizados nos núcleos delimitadores epiteliais. No início, o mapa de probabilidade glandular foi feito usando recursos de textura de super pixel, seguido pela identificação de vértices de núcleos e construção de polígonos exclusivos por áreas de sementes. Polígonos falsos confiantes foram removidos por procedimentos de pós-processamento (Sirinukunwattana ou al., 2015).

Atualmente, as técnicas de aprendizado profundo possuem resultados garantidos no MIS. Os DCNN mais relevantes, como AlexNet (Krizhevsky et al., 2012), VGGNet (Simonyan ainsi que al., 2014), GoogLeNet (Szegedy et al., 2014), U-Net (Ronneberger ain al., 2015) e SegNet ( Badrinarayanan ou al., 2015) alcançaram resultados promissores no passado. O recente Obstáculo de Segmentação Glandular MICCAI 2015 apresentou muitos métodos inovadores para segmentação da glândula do cólon nas imagens histológicas (Sirinukunwattana ainsi que al., 2016). Chen ainsi que al. alcançou eficiência de ponta no conjunto de dados de adenocarcinoma do cólon Warwick-QU simplesmente integrando a representação de recursos em vários níveis com a Rede Convolucional Total (FCN) (Chen et ‘s., 2015). Embora Kainz ainsi que al. aplicaram dois DCNN que foram influenciados pela arquitetura LeNet-5 (LeCun et ‘s., 1998) (Kainz et’ s., 2015). O primeiro DCNN foi usado para dividir as estruturas das glândulas fortemente situadas e o segundo DCNN foi usado para distinguir localizações das glândulas e não glandulares (Kainz ainsi que al., 2015). Em Awan et ing., O DCNN utilizado para delinear os limites das glândulas sudoríparas e com base na forma glandular, foram projetados um modelo de classificação de duas e três classes para adenocarcinoma colorretal aplicando foto de histologia (Awan ain al., 2017). Neste artigo convencional, planejamos usar o SegNet (Badrinarayanan ain al., 2015) para a segmentação de fotos multimodais em 4 partes distintas.Nosso método é diferente nos seguintes métodos:

  • Os métodos acima mencionados foram completamente testados no quadro corado com HE (Hematoxilina e Eosina), que é uma ótima abordagem invasiva e precisa de um tempo de preparação da amostra estendido. No entanto, a imagem multimodal não linear pode ser usada como uma ótima estratégia in vivo e sua categoria de tecido computadorizado pode fornecer um índice histológico em tempo real.
  • Um aumento invariante de dados de rotação na imagem multimodal é usado para treinar o modelo SegNet.

Prev post Next post