نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشجوی دکتری مهندسی پزشکی، آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکدهی مهندسی کامپیوتر و برق، دانشگاه تهران، تهران، ایران
2 استاد، گروه بیوالکتریک، آزمایشگاه کنترل و پردازش تصویر هوشمند، دانشکدهی مهندسی کامپیوتر و برق، دانشگاه تهران، تهران، ایران
چکیده
کمیسازی و مدلسازی ماهیچههای اسکلتی میتواند به بررسی بیماریهای مربوط به ماهیچه، مشکلات حرکتی خاص و شبیهسازیهای مورد نیاز برای انجام جراحیهای مربوطه کمک نماید. بدین منظور به بخشبندی ماهیچهها در تصاویر پزشکی نیاز 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 شده که برای این منظور از روش چنداطلس (بهبود یافتهی روش چنداطلس سلسلهمراتبی در مطالعهی قبلی نویسندگان) استفاده شده است. در این روش پس از پیشپردازش تصویر، ناحیهی مربوط به ماهیچه از سایر بافتها با استفاده از روش FRFCM به صورت اتوماتیک استخراج شده و از ماسک باینری ماهیچه و ماسک ماهیچهی بهبود یافته در روش چنداطلس برای بخشبندی مجزای ماهیچهها استفاده شده است. روش پیشنهادی با استفاده از 20 مجموعهی دادهی سیتیاسکن شامل 12 نمونهی زن و 8 نمونهی مرد پیادهسازی شده است. این روش در مقایسه با روش چنداطلس سلسلهمراتبی هزینهی محاسباتی بسیار کمتری دارد. به طور میانگین، زمان مورد نیاز برای بخشبندی ماهیچهها با استفاده از روش پیشنهادی و روش چنداطلس سلسلهمراتبی به ترتیب برابر با 24 و 71 ثانیه برای یک اسلایس از هر نمونه بوده و بنابراین روش پیشنهادی زمان پیادهسازی را تقریبا تا یکسوم روش قبل کاهش داده است. میانگین ضریب شباهت دایس برای روش پیشنهادی با ماسک ماهیچهی بهبود یافته و روش چنداطلس سلسلهمراتبی به ترتیب برابر با 69/7±58/86 و 26/8±07/83 بوده و میانگین دقت و حساسیت برای روش پیشنهادی برابر با 6/9±78/89 و 25/9±63/84 و برای روش چنداطلس سلسلهمراتبی برابر با 04/12±85/88 و 88/10±04/78 میباشد. بنابراین بر اساس معیارهای ضریب شباهت دایس، دقت و حساسیت روش پیشنهادی نتایج کمی بهتری نسبت به روش پیشین 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 Ph.D. Student, Control and Intelligent Processing Center of Excellence, School of Electrical and Computer Engineering, University of Tehran, Tehran, Iran
2 Professor, 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