State-of-the Art Optimal Multilevel Thresholding Methods for Brain MR Image Analysis
Notice bibliographique
Résumé
The brain MR image analysis is a primary non-invasive component to detect any abnormality in the brain. It is a very important application in the field of medical image processing. For analysing brain MR images, there is a strong need to develop efficient image segmentation methods. Over the years, many image segmentation techniques have been suggested and their real life applications have also been studied. Implementation of these segmentation techniques in biomedical engineering is a major breakthrough. Intensive research works have been carried out explicitly on the analysis of human brain images and their subsequent detection of lesion cells using different segmentation methods. One of the easiest and most generally used method of segmentation is multilevel thresholding due to its precision and robustness against the other methods. To solve the problem of computational complexity for increasing threshold levels, various optimization algorithms are used for optimal multilevel thresholding. In this paper, an attempt is made to present a comprehensive review on the recent advancements in the area of brain MR image segmentation using optimal multilevel thresholding. This review is unique of its kind due to its exclusive emphasis on segmentation of brain MR image using thresholding technique only, which may not be present in the existing literature reviews. Different validation measures used for the multilevel image thresholding are discussed. A detailed comparison of the results obtained over the years is done. The merits and demerits of the methods are highlighted. This compilation aims to aid and encourage researchers to further explore the research in this direction.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».