Automatic prostate boundary detection in ultrasound images using multiresolution deformable models and fuzzy logic
Notice bibliographique
Résumé
In this paper, we propose an automatic model based image segmentation system, where the instantiated model is refined incrementally using the domain knowledge combined by Fuzzy Logic. The Fuzzy Inference System (FIS) combines several different image features, which are used by experts to detect prostates in noisy ultrasound images. We use the Discrete Dynamic Contour (DDC) model because of its favorable performances in both open and closed contour models. The FIS governs the automatic open DDC model initialization and the following incremental growing process on a low-resolution image. At this stage, the initial open contour model grows by tracking the coarse edge details until it closes. The resulting closed contour model is then refined incrementally up to the original image resolution, incorporating finer edge details on to the model. The algorithm developed here is a general tool for object detection in an image analysis system, which employs a flexible framework designed to support multiple decision tools to collaborate in forming a solution. The FIS in our tool retrieves the domain knowledge it needs from the framework, to govern the model refinement process. The proposed algorithm can be used to detect the boundary of any object on an image, if the knowledge of the dominant image features is stored in the system. We have included results of the algorithm successfully applied to several ultrasound images to define the boundary of the prostate.
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 | 0,001 | 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 ».