KaydedilenlerDerginizi ekleyin

Dergiler / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2018 / Cilt: 11 - Sayı: 2

BT Görüntülerden Akciğerin Tespiti için Süper Piksel ve Yapay Sinir Ağı Tabanlı Bir Yöntem

A Method based on Super Pixel and Artificial Neural Network for Lung Detection from CT images

Çağlar KILIKÇIER
Ersen YILMAZ
Sayfa
223–230
Yayın Tarihi
2018-08-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Yöntemin başarım incelemesi National Lung Screening Trial (NLST) veri tabanındaki BT görüntüleri üzerinde gerçekleştirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Tıbbi görüntülerden doku veya organların otomatik olarak tespit edilmesi bilgisayarlı görü alanının önemli çalışma konularından birisidir.
📊
Temel Bulgular & Veri:Bu çalışmada bilgisayarlı tomografi (BT) görüntülerinden akciğerin otomatik olarak tespiti için bir yöntem önerilmiştir.
💡
Sonuç & Katkı:Yöntemin başarım incelemesi National Lung Screening Trial (NLST) veri tabanındaki BT görüntüleri üzerinde gerçekleştirilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:YSA · Süper Piksel · Bölütleme

Özet

Tıbbi görüntülerden doku veya organların otomatik olarak tespit edilmesi bilgisayarlı görü alanının önemli çalışma konularından birisidir. Bu çalışmada bilgisayarlı tomografi (BT) görüntülerinden akciğerin otomatik olarak tespiti için bir yöntem önerilmiştir. Önerilen yöntem süper pikselleri kullanan yapay sinir ağları (YSA) üzerinde temellendirilmiştir ve klinik karar destek sistemleri için ilk aşama olarak kullanılması hedeflenmektedir. Yöntemin başarım incelemesi National Lung Screening Trial (NLST) veri tabanındaki BT görüntüleri üzerinde gerçekleştirilmiştir.

Abstract

Detecting tissues and organs from medical images is an important topic in computer vision. In this work a method is proposed for automatic lung detection from computer tomography (CT) images. The proposed method is based on artificial neural networks (ANN) using super pixels and it is aimed to use as the first stage of a clinical decision support system. The performance of the method is examined on the CT images from the National Lung Screening Trial (NLST) database.

🔖

Bu Makaleye Atıf Yap

KILIKÇIER, Ç., YILMAZ, E. (2018). BT Görüntülerden Akciğerin Tespiti için Süper Piksel ve Yapay Sinir Ağı Tabanlı Bir Yöntem. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 11 - Sayı: 2, 223–230. https://ajindex.com/articles/234398

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Susstrunk, S. 2010. SLIC Superpixels. EPFL Technical Report 149300, (June), 15. Chu, J., Min, H., Liu, L., Lu, W. 2015. A novel computer aided breast mass detection scheme based on morphological enhancement and SLIC superpixel segmentation. Medical Physics, 42(7), 3859–69.
  2. Enderle, J.D., Bronzino, J.D. 2011. Introduction to Biomedical Engineering. (3rd. ed.). Academic Press.
  3. Fan, X., Zhang, G., Xia, X. 2008. Performance Evaluation of SVM in Image Segmentation. In 2008 IEEE International Workshop on Semantic Computing and Applications (160–165).
  4. IEEE. Faust, O., Acharya, U.R., Tamura, T. 2012. Formal design methods for reliable computer-aided diagnosis: A review. IEEE Reviews in Biomedical Engineering, 5, 15–28.
  5. Haas, S., Donner, R., Burner, A., Holzer, M., Langs, G. 2012. Superpixel-Based Interest Points for Effective Bags of Visual Words Medical Image Retrieval (58–68).
  6. Springer, Berlin, Heidelberg. Haykin, S. 1998. Neural Networks: A Comprehensive Foundation (2nd ed.). New Jersey: Prentice Hall. Lê, M., Unkelbach, J., Ayache, N., Delingette, H. 2016. Sampling image segmentations for uncertainty quantification. Medical Image Analysis, 34, 42–51.
  7. Liao, X., Zhao, J., Jiao, C., Lei, L., Qiang, Y., Cui, Q. 2016. A segmentation method for lung parenchyma image sequences based on superpixels and a self-generating neural forest. PLoS ONE, 11(8). Møller, M.F. 1993. A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning Supervised Learning. Neural Networks, 6(November), 525–533.
  8. Rojas, R. 1996. Neural networks: a systematic introduction. Neural Networks, 502. Wang, X.Y., Wang, T., Bu, J. 2011. Color image segmentation using pixel wise support vector machine classification. Pattern Recognition, 44(4), 777–787.
  9. Wang, X., Peng, Ma, Zhao J. 2016. Brain tumor CT image segmentation based on SLIC0 superpixels. In 2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (427–431).
  10. IEEE. Xu, J., Ishikawa, H., Wollstein, G., Schuman, J.S. 2011. 3D optical coherence tomography super pixel with machine classifier analysis for glaucoma detection. In 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (3395–3398).
  11. IEEE. Yang, H.Y., Zhang, X.J., Wang, X.Y. 2014. LS-SVM-based image segmentation using pixel color-texture descriptors. Yilmaz, E. 2016. Fetal State Assessment from Cardiotocogram Data Using Artificial Ne