Novel Multistage Three-Dimensional Medical Image Segmentation: Methodology and Validation
Notice bibliographique
Résumé
In this paper, we propose a novel multistage method for three-dimensional (3-D) segmentation of medical images and a new radial distance-based segmentation validation approach. For the 3-D segmentation method, we first employ a morphological recursive erosion operation to reduce the connectivity between the region of interest and its surrounding neighborhood; then we design a hybrid segmentation method to achieve an initial result. The hybrid approach integrates an improved fast marching method and a morphological reconstruction algorithm. Finally, a morphological recursive dilation is employed to recover any lost structure from the first stage of the multistage method. This approach is tested on 12 CT and 3 MRI images of the brain, heart, and kidney, to demonstrate the effectiveness and accuracy of this technique across a variety of imaging modalities and organ systems. In order to validate the multistage segmentation method, a novel radial distance-based validation method is proposed that uses a global accuracy (GA) measure. The GA is calculated based on local radial distance errors (LRDE), where LRDE are calculated on the radii emitted from points along the skeleton of the object rather than the centroid, in order to accommodate more complicated organ structures. The experimental results demonstrate that the proposed multistage segmentation method is fast and accurate, with comparable performance to existing segmentation methods, but with a significantly higher execution speed.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».