» مقالات انگلیسی » Automatic segmentation of {MR} brain images of preterm infants using supervised classification

Automatic segmentation of {MR} brain images of preterm infants using supervised classification



شناسه مقاله
10.1016/j.neuroimage.2015.06.007
دریافت مقاله

انگلیسی

Title: Automatic segmentation of {MR} brain images of preterm infants using supervised classification

Authors: Pim Moeskops and Manon J.N.L. Benders and Sabina M. Chiţǎ and Karina J. Kersbergen and Floris Groenendaal and Linda S. de Vries and Max A. Viergever and Ivana Išgum

Journal: NeuroImage

Year: 2015

Abstract:

Abstract Preterm birth is often associated with impaired brain development. The state and expected progression of preterm brain development can be evaluated using quantitative assessment of {MR} images. Such measurements require accurate segmentation of different tissue types in those images. This paper presents an algorithm for the automatic segmentation of unmyelinated white matter (WM), cortical grey matter (GM), and cerebrospinal fluid in the extracerebral space (CSF). The algorithm uses supervised voxel classification in three subsequent stages. In the first stage, voxels that can easily be assigned to one of the three tissue types are labelled. In the second stage, dedicated analysis of the remaining voxels is performed. The first and the second stages both use two-class classification for each tissue type separately. Possible inconsistencies that could result from these tissue-specific segmentation stages are resolved in the third stage, which performs multi-class classification. A set of T1- and T2-weighted images was analysed, but the optimised system performs automatic segmentation using a T2-weighted image only. We have investigated the performance of the algorithm when using training data randomly selected from completely annotated images as well as when using training data from only partially annotated images. The method was evaluated on images of preterm infants acquired at 30 and 40 weeks postmenstrual age (PMA). When the method was trained using random selection from the completely annotated images, the average Dice coefficients were 0.95 for WM, 0.81 for GM, and 0.89 for {CSF} on an independent set of images acquired at 30 weeks PMA. When the method was trained using only the partially annotated images, the average Dice coefficients were 0.95 for WM, 0.78 for {GM} and 0.87 for {CSF} for the images acquired at 30 weeks PMA, and 0.92 for WM, 0.80 for {GM} and 0.85 for {CSF} for the images acquired at 40 weeks PMA. Even though the segmentations obtained using training data from the partially annotated images resulted in slightly lower Dice coefficients, the performance in all experiments was close to that of a second human expert (0.93 for WM, 0.79 for {GM} and 0.86 for {CSF} for the images acquired at 30 weeks, and 0.94 for WM, 0.76 for {GM} and 0.87 for {CSF} for the images acquired at 40 weeks). These results show that the presented method is robust to age and acquisition protocol and that it performs accurate segmentation of WM, GM, and {CSF} when the training data is extracted from complete annotations as well as when the training data is extracted from partial annotations only. This extends the applicability of the method by reducing the time and effort necessary to create training data in a population with different characteristics.

Keywords: Automatic brain segmentation, Supervised voxel classification, Preterm neonatal brain, MRI

ترجمه فارسی
این متن به صورت خودکار و توسط موتور مترجم ترجمه شده است. برای سفارش ترجمه دقیق به قسمت 'سفارش ترجمه' مراجعه کنید

عنوان: تقسیم بندی خودکار از {محمدرضا} تصاویر مغز نوزادان نارس با استفاده از طبقه بندی نظارت شده

نویسندگان: Pim Moeskops and Manon J.N.L. Benders and Sabina M. Chiţǎ and Karina J. Kersbergen and Floris Groenendaal and Linda S. de Vries and Max A. Viergever and Ivana Išgum

ژورنال: NeuroImage

سال: ۲۰۱۵

چکیده:
چکیده زودرس تولد است که اغلب با توسعه اختلال مغز در ارتباط دولت و پیشرفت انتظار می رود رشد مغز زودرس می تواند با استفاده ارزیابی کمی {محمدرضا} تصاویر ارزیابی چنین اندازه گیری نیاز به تقسیم بندی دقیق از انواع بافت های مختلف در آن تصاویر در این مقاله یک الگوریتم برای اتوماتیک تقسیم بندی از ماده فاقد میلین سفید (WM)، ماده خاکستری قشر مغز (GM)، و مایع مغزی نخاعی در فضای extracerebral (CSF) این الگوریتم با استفاده طبقه بندی وکسل تحت نظارت در سه مرحله پس از آن در مرحله اول، وکسل که به راحتی می توانید به یکی از اختصاص داده می شود سه نوع بافت با برچسب در مرحله دوم، تجزیه و تحلیل اختصاص داده شده از وکسل باقی مانده انجام شده است اولین و مراحل هر دو استفاده طبقه بندی دو طبقه برای هر نوع بافت تناقضات به طور جداگانه ممکن دوم که می تواند از این مراحل تقسیم بندی بافت خاص شود حل و فصل در مرحله سوم، که به انجام طبقه بندی چند طبقه مجموعه ای از T1- و تصاویر-T2 وزن انجام شد، اما سیستم بهینه سازی شده انجام تقسیم بندی خودکار با استفاده از یک تصویر-T2 وزن تنها ما در عملکرد الگوریتم در هنگام استفاده از داده های آموزشی بررسی قرار داده اند به طور تصادفی از تصاویر به طور کامل و مشروح به عنوان زمانی که با استفاده از داده های آموزشی از تنها بخشی مشروح تصاویر روش بر روی تصاویر از نوزادان نارس به دست آورد در ۳۰ و ۴۰ هفته postmenstrual سن (PMA) مورد بررسی قرار گرفت زمانی که روش با استفاده از انتخاب تصادفی از به طور کامل و مشروح آموزش دیده بود انتخاب شده و همچنین تصاویر، ضرایب تاس متوسط ​​۰۹۵ برای WM، ۰۸۱ برای جنرال موتورز، و ۰۸۹ برای {CSF} در یک مجموعه مستقل از تصاویر به دست آورد در ۳۰ هفته PMA زمانی که روش تنها با استفاده از تصاویر تا حدی مشروح آموزش دیده بود، ضرایب تاس متوسط ​​۰۹۵ بود برای WM، ۰۷۸ برای {GM} و ۰۸۷ برای {CSF} برای تصاویر به دست آورد در ۳۰ هفته PMA و ۰۹۲ برای WM، ۰۸۰ برای {GM} و ۰۸۵ برای {CSF} برای تصاویر به دست آورد در ۴۰ هفته PMA حتی اگر segmentations به دست آمده با استفاده از داده های آموزشی از تصاویر تا حدی مشروح در ضرایب کمی پایین تر تاس، عملکرد در تمام آزمایش نزدیک است که از یک متخصص دوم انسان (۰۹۳ برای WM، ۰۷۹ برای {GM} و ۰۸۶ برای {CSF} برای تصاویر به دست آورد در ۳۰ هفته، و ۰۹۴ برای WM، ۰۷۶ برای {GM} و ۰۸۷ برای {CSF} برای تصاویر به دست آورد در ۴۰ هفته) این نتایج نشان می دهد که روش ارائه قوی به سن و پروتکل دستیابی است و که آن را انجام تقسیم بندی دقیق از WM، GM، و {CSF} زمانی که داده های آموزشی از حاشیه نویسی کامل استخراج و همچنین زمانی که داده های آموزشی از حاشیه نویسی جزئی استخراج فقط این گسترش کاربرد از روش با کاهش زمان و تلاش لازم برای ایجاد داده های آموزشی در یک جمعیت با ویژگی های مختلف
کلمات کلیدی:   تقسیم بندی مغز خودکار، طبقه بندی وکسل نظارت شده، نارس مغز نوزاد، MRI

سفارش ترجمه

سفارش ترجمه

توانایی ترجمه

توانایی ترجمه

  • فیلد های زیر را به عنوان نمونه کار ترجمه کنید. دقت کنید که کیفیت ترجمه در انتخاب شما به عنوان مترجم این مقاله موثر است.


دریافت مقاله