Automatic Magnetic Resonance Image Prostate Segmentation Based on Adaptive Feature Learning Probability Boosting Tree Initialization and CNN-ASM Refinement

Una Revisión Sistemática de Métodos para Localizar Automáticamente Objetos en Imágenes

“…A diferencia de las estrategias desarrolladas para la detección de objetos en vehículos autónomos donde se analizan imágenes en entornos naturales, en los sistemas CAD es necesario considerar las características de diferentes tipos de imágenes, adquiridas en condiciones más controladas y con equipos especializados como por ejemplo: resonancia magnética, tomografía axial computarizada, ultrasonido y microscopía (patología), entre otros. Muchos de estos métodos se inspiran en estrategias de detección de objetos con ventana deslizante (Ȓíha et al, 2013;Tek, 2013;Jung et al, 2013;Dženan et al, 2014;He et al, 2018), otros en conjuntos de regiones candidatas (Cireşan et al, 2013;Ma et al, 2017), y recientemente, en estrategias de aprendizaje profundo (Jiamin et al, 2017;Akselrod-Ballin et al, 2016;Kisilev et al, 2016;Sa et al, 2017;Yang et al, 2017;Heo et al, 2017) Ríha et al (2013) adaptan VJ para detectar el corte transversal de la arteria carótida en imágenes de ultrasonido obtenidas en modo B simple y para la descripción de las regiones emplean las características de Haar y el coeficiente de Matthews. Además, durante el entrenamiento del detector en cascada se utiliza el algoritmo de AdaBoost con una estrategia evolutiva.…”

“…Además, la localización previa es fundamen-tal en el análisis automático de imágenes, cuyo objetivo puede ser la segmentación, que consiste en separar los objetos de interés del fondo, en el reconocimiento o recuperación de objetos (Saikia et al, 2017;García-Olalla et al, 2018), o en el análisis de la relación espacial entre los objetos contenidos en una imagen (Lampert et al, 2008). Actualmente, hay una gran cantidad de aplicaciones que requieren una localización precisa de los objetos, como es el caso de la necesidad que tienen los vehículos autónomos de localizar peatones (Dollár et al, 2009;Li et al, 2018;Du et al, 2017;Brazil et al, 2017;Wang et al, 2018) u obstáculos (Shah et al, 2018;Yi et al, 2018;Garnett et al, 2017;Sepúlveda et al, 2017), la localización de vehículos en sistemas de control de tráfico, se encuentren o no en imágenesáereas (Zhong et al, 2017;Ammour et al, 2017;Tang et al, 2017;Xu et al, 2017a;Lee et al, 2017), la localización de lesiones o anormalidades en tejidos que usan los sistemas de diagnóstico clínico asistido por computador (He et al, 2018;Ma et al, 2017;Jiamin et al, 2017;Sa et al, 2017;Heo et al, 2017), la detección de objetos para el control de calidad que requieren los sistemas de inspección visual (Cao et al, 2018;Chen et al, 2018;Shi et al, 2017;Ferguson et al, 2017), o la localización de obstáculos que tienen que realizar los sistemas de navegación de robots (Lee et al, 2015;Luo et al, 2017), entre otras. Sin embargo, la correcta localización de objetos es difícil debido a múltiples factores, entre los que destacan la falta de calidad de la imagen, condiciones de iluminación cambiantes, objetos con forma no rígida o los cambios en la apariencia de los objetos a localizar (Felzenszwalb et al, 2010;…”

Optimisation of 2D U-Net Model Components for Automatic Prostate Segmentation on MRI

“…It is important to understand which components are beneficial for the deep learning model to perform prostate segmentation. However, many studies often present their works in the final form [21][22][23][24][25] or incorporate post-processing methods into their pipeline to obtain more accurate segmentation results [26,30,31]. As a result, the effect of each component on the overall performance is hard to distinguish and/or unknown.…”

Castration-Resistant Prostate Cancer Outcome Prediction Using Phased Long Short-Term Memory with Irregularly Sampled Serial Data

“…At present, PCa outcomes are usually predicted using nomograms [4][5][6][7]. Recently, researchers have begun to explore the use of deep learning methods, which show some promise [8][9][10][11], but the majority of these techniques rely on image segmentation and classification [12,13]. Data from longitudinal electronic health records (EHRs) that are irregularly sampled, such as PCa data, does not fit well with deep learning prediction models.…”