Area prior constrained level set evolution for medical image segmentation
Notice bibliographique
Résumé
The level set framework has proven well suited to medical image segmentation<sup>1-6</sup> thanks to its ability of balancing the contribution of image data and prior knowledge in a principled, flexible and transparent way. It consists of evolving a curve toward the target object boundaries. The curve evolution equation is sought following the optimization of a cost functional containing two types of terms: data terms, which measure the fidelity of segmentation to image intensities, and prior terms, which traduce learned prior knowledge. Without priors many algorithms are likely to fail due to high noise, low contrast and data incompleteness. Different priors have been investigated such as shape<sup>1</sup> and appearance priors.<sup>7</sup> In this study, we propose a simple type of priors: the area prior. This prior embeds knowledge of an approximate object area and has two positive effects. First, It speeds up significantly the evolution when the curve is far from the target object boundaries. Second, it slows down the evolution when the curve is close to the target. Consequently, it reinforces curve stability at the desired boundaries when dealing with low contrast intensity edges. The algorithm is validated with several experiments using Magnetic Resonance (MR) images and Computed Tomography (CT) images. A comparison with another level set method illustrates the positive effects of the area prior.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».