‫ انطباق تومورهای کبد در تصاویر چندفازی سی‌تی‌اسکن براساس نقاط شاخص ویژگی های LBP

انطباق تومورهای کبد در تصاویر چندفازی سی‌تی‌اسکن براساس نقاط شاخص ویژگی های LBP

مهدیه بابایی, امیرحسین فروزان

چکیده

تکنیک‌های بازیابی تصویر، به عنوان یک ابزار جهت تشخیص بیماری و انتخاب بهترین روش درمانی بسیار اهمیت دارند. یک مرحله مهم در الگوریتم‌های بازیابی تصویر، تهیه بردار ویژگی است. استفاده از تصاویر با مدالیته‌ها یا فازهای مختلف کمک موثری در انتخاب ویژگی می‌نماید. در این صورت لازم است تصویر بافت در فازهای مختلف بر روی هم منطبق شوند. در این تحقیق، تصاویر سی‌تی‌اسکن تومورهای کبد در فازهای مختلف بر هم منطبق شده‌اند. برای بهبود تخمین پارامترهای ماتریس انتقال، به طور همزمان از نقاط رویه بافت و نقاط داخلی استفاده کرده‌ایم و این نقاط در تصویر مرجع و تصویر متحرک را به کمک عملگر LBP یکنواخت مستقل از چرخش بدست آورده‌ایم. با انطباق دو مجموعه از نقاط کلیدی تصاویر مرجع و متحرک، توسط الگوریتم ICP، پارامترهای ماتریس انتقال را بدست می‌آوریم. با اعمال ماتریس انتقال به تصویر حجمی ماسک تومور یا تصویر سطح خاکستری ورودی، انطباق دو تصویر انجام می‌شود. روش پیشنهادی بر روی مجموعه تصاویر سی‌تی‌اسکن 45 بیمار مختلف اعمال شد و نتایج آن با روش‌های متعارف انطباق صلب و غیر صلب مقایسه گردیده است. روش پیشنهادی برحسب معیار فاصله Hausdorff به ترتیب 3/0، 26/1 و 06/1 میلیمتر از روش های انطباق صلب ICP، روش انطباق صلب سه بعدی و روش انطباق غیرصلب دقت بیشتری دارد. نتایج به دست آمده، ظرفیت بکارگیری روش پیشنهادی را برای انطباق بافت‌های نرم مانند بافت کبد نشان می‌دهد.


کلمات کلیدی

انطباق تصاویر پزشکی, ویژگی‌های دودویی محلی, تصاویر چندفازی کبد, تصاویر سی‌تی‌اسکن تومورهای کبد

مراجع

  • [١] G. Brancatelli, R. L. Baron, M. S. Peterson, W. Marsh and C. T. Helical, “screening for HCC in patients with Cirrhosis: Frequency and causes of False-Positive interpretation,” AJR ISO:1007-1014, 2003.
  • [٢] Available: http://www.cdc.gov/cancer/liver/images /liver-diagram-english.jpg. Accessed on 2019, 1 January.
  • [٣] M. H. Beers, A. J. Fletcher, T.V. Jones, and R. Porter, The Merck Manual of Medical Information, 2nd Home Edition. Merck & Co. Inc.: New Jersey, 2003.
  • [4] G. Niculescu, J. F. David, and J. Nosher. "Non-rigid registration of the liver in consecutive CT studies for assessment of tumor response to radiofrequency ablation." In 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 856-859. IEEE, 2007.
  • [5] E. J. Rangraz, C. Walter, M. Geert, B. Kristof, M. D. Christophe, and J. Nuyts. "Multi-modal image analysis for semi-automatic segmentation of the total liver and liver arterial perfusion territories for radioembolization." EJNMMI research, vol. 9, no. 1 pp. 1-21, 2019.
  • [6] M. S. Mirasadi and A. H. Foruzan. "Content-based medical image retrieval of CT images of liver lesions using manifold learning." International Journal of Multimedia Information Retrieval, vol. 8, no. 4, pp. 233-240, 2019.
  • [7] J. Wang, J. Li, X.-H. Han, L. Lin, H. Hu, Y. Xu, Q. Chen, Y. Iwamoto, Y.-W. Chen, Tensor-based sparse representations of multi-phase medical images for classification of focal liver lesions, Pattern Recognit. Lett. vol. 130, pp. 207–215, 2020.
  • [8] Y. Xu, L. Lin, H. Hu, D. Wang, W. Zhu, J. Wang, X.-H. Han, Y.-W. Chen, Texture-specific bag of visual words model and spatial cone matching-based method for the retrieval of focal liver lesions using multiphase contrast-enhanced CT images, Int. J. Comput. Assist. Radiol. Surg. vol. 13, no. 1, pp. 151–164, 2018.
  • [9] T. Ojala, P. Matti, and D. Harwood. "A comparative study of texture measures with classification based on featured distributions." Pattern Recognition. vol. 29, no. 1, pp. 51-59, 1996.
  • [10] T. Ojala, P. Matti, and T. Maenpaa. "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns." IEEE Transactions on pattern analysis and machine intelligence, vol. 24, no. 7, pp. 971- 987, 2002.
  • [11] T. Mäenpää, T. Ojala, M. Pietikäinen, and M. Soriano. "Robust texture classification by subsets of local binary patterns." In Proceedings of the 15th International Conference on Pattern Recognition, vol. 3, no. 3-7, pp. 939-942. 2000.
  • [12] X. Qi, Xianbiao, L. Shen, G. Zhao, Q. Li, and M. Pietikäinen. "Globally rotation invariant multi-scale co-occurrence local binary pattern." Image and Vision Computing, vol. 43, pp. 16-26, 2015.
  • [13] P. J. Besl, and N. D. McKay. "Method for registration of 3-D shapes." In Sensor Fusion IV: Control Paradigms and Data Structures, International Society for Optics and Photonics, vol. 1611, pp. 586-607, 1992.
  • [14] M-P. Dubuisson, and A. K. Jain. "A modified Hausdorff distance for object matching." In Proceedings of 12th international conference on pattern recognition, pp. 566-568. IEEE, 1994.
  • [15] L. R. Dice, "Measures of the amount of ecologic association between
  • species." Ecology, vol. 26, no. 3, pp. 297-302, 1945.