روشی برای قطعه بندی خودکار طناب نخاعی از روی تصاویر MR بالینی، براساس یک مدل توجه و یک مدل کانتور فعال

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

روشی برای قطعه بندی خودکار طناب نخاعی از روی تصاویر MR بالینی، براساس یک مدل توجه و یک مدل کانتور فعال

عنوان لاتین

AN AUTOMATIC SEGMENTATION METHOD OF THE SPINAL CANAL FROM CLINICAL MR IMAGES BASED ON AN ATTENTION MODEL AND AN ACTIVE CONTOUR MODEL

نخاع یک عضو حیاتی است که به عنوان تنها راه ارتباطی بین مغز و قسمت های مختلف بدن عمل می کند. نخاع در برابر آسیب های نخاعی و بیماری های مختلفی مانند تومور، عفونت، بیماری های التهابی و بیماری های دژنراتیو آسیب پذیر است. برای مدیریت بالینیِ موثر چنین شرایطی، قطعه بندی دقیق و محلی سازی نخاع ضروری می باشد. در سال های اخیر، با توجه به پیشرفت های تکنولوژی تصویربرداری، ساختار ارگان های داخلی و بافت ها می توانند بادقت مورد بررسی قرار گیرند و ناهنجاری های مختلف با استفاده از تصاویر اسکن شده تشخیص داده می شوند. در این مقاله، ما یک روش قطعه بندی بدون نظارت را ارائه می دهیم که به طور خودکار، کانال نخاعی را از تصاویر رزونانس مغناطیسی (MR) استخراج می کند. این روش قطعه بندی یک مدل توجه جدید مبتنی بر برجستگی و یک مدل کانتور فعال استاندارد می باشد که نیازمند مداخله ی انسانی است ولی به داده های آموزشی نیازی ندارد. آزمایشات انجام شده برروی داده های 60 بیمار نشان می دهد که این روش قطعه بندی را به صورت دقیق انجام می دهد و شاخص شباهت Dice بین مدل قطعه بندی ما و مدل قطعه بندی مرجع برابر است با 0.71 که این مقدار با شاخص شباهت Dice بین دو مدل مشاهده شده (که برابر است با 0.9) مقایسه می شود.

The spinal cord is a vital organ that serves as the only communication link between the brain and the various parts of the body. It is vulnerable to traumatic spinal cord injury and various diseases such as tumors, infections, inflammatory diseases and degenerative diseases. The exact segmentation and localization of the spinal cord are essential to effective clinical management of such conditions. In recent years, due to the advances in imaging technology, the structure of internal organs and tissues can be captured accurately, and various abnormalities are diagnosed based on scanned images. In this paper, we present an unsupervised segmentation method that automatically extracts the spinal canal in the sagittal plane of magnetic resonance (MR) images. This segmentation method based on a novel saliency-driven attention model and a standard active contour model requires no human intervention and no training. Experiments based on 60 patients’ data show that this procedure performs segmentation robustly, achieving the Dice’s similarity index of 0.71 between the segmentation by our model and reference segmentation, as compared to the Dice’s similarity index of 0.90 between two observers.