Segmentation of GBM in MRI images using an efficient speed function based on level set method
Notice bibliographique
Résumé
Accurate segmentation and characterization of abnormalities in brain tumor are challenging task, especially in the case of GBM tumors, where the ambiguities presented in the boundaries of these tumors necessitates using efficient segmentation method. Level set methods have proven to be a flexible and powerful tool for image segmentation because of being shape-driven method with a properly defined speed function to grow or shrink the boundaries to segment complex objects of interest, precisely. In this study a combined level set algorithm consists of both region and boundary terms for GBM segmentation is proposed. The modified speed function incorporates threshold based level set and the Laplacian filter to highlight the fine details for performing an accurate extraction of the tumor region using multiple seed points selected by the user. An evaluation was performed on a dataset containing 6 patients with GBM by using three measures Dice, false positive error (FPE) and false negative error (FNE). Manual segmentation of GBM is considered as gold standard. Compared to traditional method, the mean of FPE and FNE are improved by 53.5% and 53.1%, respectively. The mean of Dice coefficients between our results and gold standard measurement reached to 0.88. As the results proved, the proposed combined method improves the accuracy of GBM segmentation by 16% compared to conventional level set method with threshold based speed function. Our method is also robust to change of parameters.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».