Multi-phase image segmentation using level sets
Notice bibliographique
Résumé
A hierarchical multi-phase image segmentation using the original and a modified Chan-Vese 2-phase method is considered. A method of capturing features inside a pre-selected region of interest (ROI) is proposed that effectively restricts the segmentation operation to the ROI. At the first step, a modified image is created by setting the portion of the image outside the ROI to a uniform intensity equal to the mean image intensity inside the ROI. Effectively, this procedure partitions the initial image into two phases, in such a way that the ROI effectively becomes a 'segmented' feature. At the second step, the segmentation procedure is applied to the modified image, partitioning the image in two phases - <i>object</i> and <i>background</i> - inside the ROI. By confining segmentation to the ROI, it is shown, using an artificial image, that objects can be discriminated that could not have been found if segmentation had been performed on the entire image. If necessary, this second step can be repeated to further segment features of interest within the ROI, thereby providing a multi-phase segmentation procedure. ROI placement around features of interest requires prior knowledge, and may be derived from an atlas or manually prescribed by the operator. In this way, segmentation is possible on low-contrast features of interest, while ignoring features irrelevant for a particular application. Examples are provided for segmentation of several 2D/3D images performed both on entire images and inside a ROI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».