نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکده مهندسی کامپیوتر و برق، دانشگاه تهران، تهران، ایران

2 آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکده مهندسی کامپیوتر و برق، دانشگاه تهران، تهران

10.22041/ijbme.2019.108048.1498

چکیده

کمی‌سازی و مدل‌سازی ماهیچه‌های اسکلتی می‌تواند به بررسی بیماری‌های مربوط به ماهیچه، مشکلات حرکتی خاص و شبیه‌سازی-های موردنیاز برای انجام جراحی‌های مربوطه کمک نماید. بدین منظور نیاز به بخش‌بندی ماهیچه‌ها در تصاویر پزشکی است. با توجه به اهمیت ماهیچه‌های مقطع ران در حفظ تعادل بدن و راه رفتن، در این پژوهش، بخش‌بندی این ماهیچه‌ها در تصاویر سی‌تی‌اسکن انجام گرفته است. بدین منظور، از روش چند-اطلس استفاده شده است که بهبود یافته روش چند اطلس سلسله مراتبی در مطالعه گذشته است. در این روش پس از پیش‌پردازش تصویر، ناحیه مربوط به ماهیچه از سایر بافت‌ها با استفاده از روش FRFCM به صورت اتوماتیک استخراج شده است. از ماسک باینری ماهیچه و ماسک ماهیچه بهبودیافته در روش چنداطلس به منظور بخش‌بندی مجزای ماهیچه‌ها استفاده شده است. روش پیشنهادی با استفاده از 20 سری داده سی‌تی‌اسکن شامل 12 نمونه زن و 8 نمونه مرد پیاده‌سازی شده است. این روش در مقایسه با روش چنداطلس سلسله مراتبی هزینه محاسباتی بسیار کمتری دارد. به طور میانگین، زمان مورد نیاز برای بخش‌بندی ماهیچه‌ها با استفاده از روش پیشنهادی 24 ثانیه و در روش چند اطلس سلسله مراتبی 71 ثانیه برای یک اسلایس هر نمونه بوده است. بنابراین، روش پیشنهادی زمان پیاده‌سازی را تقریبا تا یک-سوم روش قبل کاهش داده است. میانگین ضریب شباهت دایس برای روش پیشنهادی با ماسک ماهیچه بهبودیافته و روش چند-اطلس سلسله مراتبی به ترتیب برابر با 7/69 ±86/58 و 8/26 ±83/07 است. میانگین دقت و حساسیت برای روش پیشنهادی برابر با 9/6± 89/78 و 9/25 ±84/63 و برای روش چنداطلس سلسله مراتبی برابر با 12/04 ±88/85 و 10/88± 78/04 بوده است. بنابراین، این روش نتایج کمی بهتری نسبت به روش پیشین براساس معیارهای ضریب شباهت دایس، دقت و حساسیت داشته است.

کلیدواژه‌ها

عنوان مقاله [English]

Automated Thigh Muscles Segmentation using Hierarchical Multi-Atlas and FRFCM Methods in CT Scan Images

نویسندگان [English]

  • Malihe Molaie 1
  • Reza Aghaeizadeh Zoroofi 2

1 Image Processing Lab, Faculty of Electrical Engineering, Tehran University

2 Control and Intelligent Processing Center of Excellence, School of Electrical and Computer Engineering, University of Tehran, Tehran, Iran

چکیده [English]

Quantifying and modeling of the skeletal muscles can lead to an easier investigation of muscle diseases, specific mobility problems, and required simulations for the relevant surgeries. To this end, medical images should be segmented, firstly. In this research, thigh muscles segmentation is performed in CT images, since these muscles play a critical role in walking and balancing the body. To this aim, a multi-atlas method is used which is an improvement of the hierarchical multi-atlas method in the previous work. In this method, the muscles region is extracted automatically from the other tissues using FRFCM (Fast and Robust Fuzzy C-Means Clustering) method after the preprocessing stage. This muscle binary mask and the improved mask are used in the multi-atlas method for individual muscle segmentation. The proposed method is implemented using 20 CT data sets consisting of 12 female and 8 male subjects. The results show a less consumed computational time than the hierarchical multi-atlas method. The average computational time required for the muscles segmentation using the proposed method is 24 seconds and for the hierarchical multi-atlas method is 71 seconds per one slice of each case. Therefore, the proposed method reduces the implementation time by a rough factor of three. The means of the Dice similarity coefficient for the proposed method with improved muscle mask and for the hierarchical multi-atlas method are 86.58±7.69 and 83.07±8.26, respectively. The means of the precision and sensitivity for our method are 89.78±9.6 and 84.63±9.25, and for the hierarchical multi-atlas method are 88.85±12.04 and 78.04±10.88. Consequently, this method has better results based on the Dice similarity coefficient, precision, and sensitivity metrics.

کلیدواژه‌ها [English]

  • Concurrent segmentation
  • Thigh muscles
  • Multi-atlas method
  • FRFCM
  • CT scan images