Automated Brain Tumor Segmentation Based on Multi-Planar Superpixel Level Features Extracted From 3D MR Images
Notice bibliographique
Résumé
Brain tumor segmentation from Magnetic Resonance Imaging (MRI) is of great importance for better tumor diagnosis, growth rate prediction and radiotherapy planning. But this task is extremely challenging due to intrinsically heterogeneous tumor appearance, the presence of severe partial volume effect and ambiguous tumor boundaries. In this work, a unique approach of tumor segmentation is introduced based on superpixel level features extracted from all three planes (x -y, y - z, and z - x) of 3D volumetric MR images. In order to avoid the pixel randomness and to account for precise inhomogeneous boundaries of brain tumor, each of the images belonging to a particular plane is partitioned into irregular patches (superpixels) based on their intensity and spatial similarity. Next, various statistical and textural features are extracted from each superpixel where all three planes are considered separately in order to obtain better labeling on superpixels in tumor edges. A feature selection scheme is proposed based on their performance on histogram based consistency analysis and local descriptor pattern analysis, which offers a significant reduction in feature dimension without sacrificing classification performance. For the purpose of supervised classification, Extremely Randomized Trees is used to classify these superpixels into a tumor or a non-tumor class. Finally, pixel level decision is taken based on corresponding decisions obtained in each plane. Extensive simulations are carried out on publicly available dataset and it is found that the proposed method offers better tumor segmentation performance in comparison to that obtained by some state of the art methods.
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 | 0,000 | 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 | 0,001 |
| 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 | 0,002 |
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 ».