Comparison of segmentation techniques for histopathological images

Abstract

Image segmentation is a widely used in medical imaging applications by detecting anatomical structures and regions of interest. This paper concerns a survey of numerous segmentation model used in biomedical field. We organized segmentation techniques by four approaches, namely, thresholding, edge-based, region-based and snake. These techniques have been compared with simulation results and demonstrated the feasibility of medical image segmentation. Snake was demonstrated a capability with a high performance metrics to detect irregular shape as carcinoma cell type. This study showed the advantage of the deformable segmentation technique to segment abnormal cells with Dice similarity value over 83%.

Segmentation of Microscopic Images with NSGA-II

“…Con estos precedentes, el procesamiento digital de imágenes se distingue como una alternativa adecuada para el análisis de imágenes microscópicas en elárea médica, lo cual se observa claramente en la basta cantidad de técnicas propuestas hasta el momento para la detección de patologías como la leucemia [10]- [14] o el análisis microscópico de tejidos [15]; en los cuales la interpretación visual es imprescindible para lograr la identificación de los objetos de estudio. En relación a las fases que componen el procesamiento digital de imágenes, una de las más importantes es la segmentación cuyo propósito es obtener las regiones de interés que permitan describir mejor la información en la imagen.…”

“…Dentro de los enfoques de segmentación más comúnmente utilizados se encuentran: la umbralización [1], [10], [11], [13]- [16], [18], [21]- [23], [25], [26], [29], [31], [37], el agrupamiento [1], [14], [16], [19], [24], [27]- [31], los bordes [10]- [13], [15]- [17], [20], [22]- [24], la textura [16], el crecimiento de regiones [15], [16] y los contornos activos [10], entre otros. En la Tabla 1 se muestra una revisión breve al respecto, en la cual se puede apreciar el uso de combinaciones de técnicas utilizadas en el proceso de segmentación de muestras biológicas.…”

“…Las técnicas de segmentación mostradas en la Tabla 1 difieren en la forma en la que enfatizan uno o más de los criterios de homogeneidad deseados en la imagen. Deésta manera, si se considera el nivel de gris como un criterio de homogeneidad, entonces, técnicas como Otsu (O) [37], umbralización global (UG) [18], mínimo error (ME) [15], gradiente (Gr) [16], canny (C) [20] o snake (S) [22], brindan resultados adecuados en imágenes con histogramas preferentemente bimodales, debido a que se basan en el análisis del histograma de la imagen o bien, en cambios bruscos en el nivel de gris de pixeles contiguos. Por lo tanto, al estar claramente separados en clases (i.e., modas del histograma), se facilita su agrupamiento.…”

“…Por lo tanto, al estar claramente separados en clases (i.e., modas del histograma), se facilita su agrupamiento. Por otra parte, técnicas basadas en agrupamiento o crecimiento de regiones como K-means clustering (KMC) [30], fuzzy clustering (FC) [29], split merge (SM) o seeded region (SR) [15] tienden a producir regiones irregulares causadas por el cálculo inadecuado del número de grupos (i.e; número de regiones) requerido al inicio del algoritmo respectivo. En este caso, otros criterios de homogeneidad como el color o la textura se encuentran en desventaja al no ser evaluados.…”