Methods on Skull Stripping of MRI Head Scan Images—a Review

Kalavathi, P.; Prasath, V. B. Surya

doi:10.1007/s10278-015-9847-8

Cited by 195 publications

(144 citation statements)

References 94 publications

Supporting

Mentioning

117

Contrasting

Unclassified

Order By: Relevance

“…[31][32][33][34][35][36][37][38][39][40][41][42][43] A review on MRI segmentation and brain extraction can be found in. 44,45 Each of these methods has their merits, drawbacks, and limitations. No single method is found to be robust for all types and orientations.…”

Section: Introductionmentioning

confidence: 99%

Edge detection using Chebyshev's orthogonal polynomial and brain extraction from magnetic resonance images of human head

Somasundaram

Kalaividya

Kalaiselvi

et al. 2018

Int J Imaging Syst Tech

View full text Add to dashboard Cite

In this article, we propose a new edge detecting method based on the transform coefficients obtained by a point spread function constructed out of Chebyshev's orthogonal polynomials. This edge detector finds edges similar to that of Prewitt and Roberts but is robust against additive and multiplicative noises. We also propose a new scheme to extract brain portion from the magnetic resonance images (MRI) of human head scan by making use of the of the new edge detector. The proposed scheme involves edge detection, morphological operations, and largest connected component analysis. Experiments conducted by applying the proposed scheme on 19 volumes of MRI collected from Internet Brain Segmentation Repository (IBSR) show that the proposed brain extraction scheme performed better than the popular Brain Extraction Tool (BET). The performance of the proposed scheme is measured by computing the Dice coefficient (D) and Jaccard similarity index (J). The proposed method produced a value of 0.9068 for D and 0.8321 for J.

show abstract

Section: Introductionmentioning

confidence: 99%

Edge detection using Chebyshev's orthogonal polynomial and brain extraction from magnetic resonance images of human head

Somasundaram

Kalaividya

Kalaiselvi

et al. 2018

Int J Imaging Syst Tech

View full text Add to dashboard Cite

show abstract

“…Despite the availability of automatic brain tissue segmentation [9][10][11] in most of the modern software programs for perfusion data analysis, the user-defined thresholding method is still the state-of-the-art technique that is widely used as a way of managing pixels involved in brain perfusion ROI.…”

Section: Methods Of Researchmentioning

confidence: 99%

Impact of perfusion ROI detection to the quality of CBV perfusion map

Alkhimova

2019

TAPR

View full text Add to dashboard Cite

Об'єктом дослідження даної роботи є якість перфузійної CBV мапи з огляду визначення області перфузії як ключового компонента в процесі обробки зображень перфузійної динамічно-сприйнятливої контрастної магнітно-резонансної томографії голови людини. CBV мапа загальновизнана як найкраща для визначення локалізації та розмірів зони ураження при інсульті і в оцінюванні ангіогенезу пухлин головного мозку. Низька якість цієї мапи може спричинити хибні результати як кількісних розрахунків, так і візуальної оцінки церебрального об'єму крові.Вплив визначення області перфузії на якість CBV мап був проаналізований шляхом порівняння мап, що були отримані із зображень після застосування порогової фільтрації та з еталонних зображень від 12 пацієнтів із цереброваскулярними захворюваннями. Область перфузії головного мозку була визначена вилученням пікселів низької (ділянки повітря та екстрацеребральних тканин) та високої (ділянки спинно мозкової рідини) інтенсивності. Мапи були отримані методом визначення площі під кривою та методом деконволюції.Для обох методів мапи, що порівнювалися, мали сильний позитивний взаємозв'язок за даними кореляційного аналізу Пірсона: r = 0,8752 та r = 0,8706 для методу визначення площі під кривою та методу деконволюції відповідно, p < 2,2·10 -16 . Незважаючи на це, для обох методів діаграми розсіювання мали точки, пов'язані з втраченими зонами кровопостачання, а лінії регресії вказували на наявність помилок масштабу і зсуву для мап, що були отримані із зображень після застосування порогової фільтрації.Отримані результати вказують на те, що порогова фільтрація є неефективним способом визначення області перфузії головного мозку, використання якого може спричиняти погіршення якості CBV мапи. Визначення області перфузії має бути стандартизоване та додане до протоколів перевірки нових систем аналізу перфузійних даних.Ключові слова: перфузійна динамічно-сприйнятлива контрастна магнітно-резонансна томографія, церебральний об'єм крові, зона уваги, порогова фільтрація. Аlkhimova S.

show abstract

“…from an MR image of the whole head, since they are obstacles for automatic analysis [95]. Those non-brain tissues may decrease the detection performance of brain diseases.…”

Section: Image Preprocessingmentioning

confidence: 99%

Pathological Brain Detection by Artificial Intelligence in Magnetic Resonance Imaging Scanning (Invited Review)

Wang¹,

Zhang²,

Zhan³

et al. 2016

PIER

View full text Add to dashboard Cite

Abstract-(Aim) Pathological brain detection (PBD) systems aim to assist and even replace neuroradiologists to make decisions for patients. This review offers a comprehensive and quantitative comparison for PBD systems by artificial intelligence in magnetic resonance imaging (MRI) scanning. (Method) We first investigated four categories of brain diseases, including neoplastic disease, neurodegenerative disease, cerebrovascular disease, and inflammation. Next, we introduced important MRI techniques, such as the shimming, water and fat suppression, and three advanced imaging modalities (functional MRI, diffusion tensor imaging, and magnetic resonance spectroscopic imaging). Then, we discussed four image preprocessing techniques (image denoising, slice selection, brain extraction, spatial normalization, and intensity normalization), seven feature representation techniques (shape, moment, wavelet, statistics, entropy, gray level co-occurrence matrix, and Fourier transform), and two dimension reduction techniques (feature selection and feature extraction). Afterwards, we studied classification related methods: six learning models (decision tree, extreme learning machine, k-nearest neighbors, naive Bayes classifier, support vector machine, feed-forward neural network), five kernel functions (linear, homogeneous and inhomogeneous polynomial, radial basis function, and sigmoid), and three types of optimization methods (evolutionary algorithm, stochastic optimization, and swarm intelligence). (Results) We introduced three benchmark datasets and used K-fold stratified cross validation to avoid overfitting. We presented a detailed quantitative comparison among 44 state-of-theart PBD algorithms and discussed their advantages and limitations. (Discussions) Artificial intelligence is now making stride in the PBD field and enjoys a fair amount of success. In the future, semi-supervised learning and transfer learning techniques may be potential breakthroughs to develop PBD systems.

show abstract

Methods on Skull Stripping of MRI Head Scan Images—a Review

Cited by 195 publications

References 94 publications

Edge detection using Chebyshev's orthogonal polynomial and brain extraction from magnetic resonance images of human head

Edge detection using Chebyshev's orthogonal polynomial and brain extraction from magnetic resonance images of human head

Impact of perfusion ROI detection to the quality of CBV perfusion map

Pathological Brain Detection by Artificial Intelligence in Magnetic Resonance Imaging Scanning (Invited Review)

Contact Info

Product

Resources

About