Review on Machine Learning Based Lesion Segmentation Methods from Brain MR Images

Göçeri, Evgin; Durá, Estrella; Gunay, Melih

doi:10.1109/icmla.2016.0102

Cited by 3 publications

(2 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…C-DEF minimizes atlas-based registration errors, because registration is performed across the MR contrasts obtained within a single session. Several recent studies have used multi-contrast techniques with machine learning for lesion segmentation [34, 35, 36]; C-DEF extends this idea for segmenting the whole brain by adding derived feature sets to the algorithm. Instead of relying on spatially derived prior probabilities, C-DEF uses local neighborhood information derived from Gaussian and Gaussian gradient filters with multiple kernel sizes.…”

Section: Discussionmentioning

confidence: 99%

Robust, atlas-free, automatic segmentation of brain MRI in health and disease

Selvaganesan

Whitehead

DeAlwis

et al. 2019

Heliyon

View full text Add to dashboard Cite

Background: Brain-and lesion-volumes derived from magnetic resonance images (MRI) serve as important imaging markers of disease progression in neurodegenerative diseases and aging. While manual segmentation of these volumes is both tedious and impractical in large cohorts of subjects, automated segmentation methods often fail in accurate segmentation of brains with severe atrophy or high lesion loads. The purpose of this study was to develop an atlasfree brain Classification using DErivative-based Features (C-DEF), which utilizes all scans that may be acquired during the course of a routine MRI study at any center. Methods: Proton-density, T 2-weighted, T 1-weighted, brain-free water, 3D FLAIR, 3D T 2-weighted, and 3D T 2 *-weighted images, collected routinely on patients with neuroinflammatory diseases at the NIH, were used to optimize the C-DEF algorithm on healthy volunteers and HIV þ subjects (cohort 1). First, manually marked lesions and eroded FreeSurfer brain segmentation masks (compiled into gray and white matter, globus pallidus, CSF labels) were used in training. Next, the optimized C-DEF was applied on a separate cohort of HIV þ subjects (cohort

show abstract

Section: Discussionmentioning

confidence: 99%

Robust, atlas-free, automatic segmentation of brain MRI in health and disease

Selvaganesan

Whitehead

DeAlwis

et al. 2019

Heliyon

View full text Add to dashboard Cite

show abstract

“…WM aşırı-yoğunluk (hyperintensity) bölütleme sonuçları da çoğunlukla kabul edilebilir düzeyde olmamakta, hatalı bölütlenmiş bölgelerde elcil yöntemle düzeltmeler gerekmektedir. Bu yöntemlerdeki diğer bir dezavantaj ise, öğrenme süreci için ayrıca zamana ihtiyaç duyulması, dolayısı ile işlem sürecinin uzamasıdır [14]. …”

Section: Introductionunclassified

MR Kafa Görüntülerinden Otomatik Kafatası, Doku ve Lezyon Bölütlemesi: Olasılıksal ve Kararlı Bir Yaklaşım

Goceri¹,

Gunay²,

Senol³

2017

SDÜ Fen Bil Enst Der

View full text Add to dashboard Cite

Anahtar KelimelerDoku bölütlemesi, Kafa MR görüntüsü, Kafatası bölütlemesi, Kararsal yaklaşım, Olasılıksal yaklaşım, Lezyon bölütlemesi Özet: Nörodegeneratif hastalıkların teşhisinde veya tedavi sürecinde beyin dokularındaki değişim, kapladığı alan, oluşmuş ise lezyonların sayısı, konumu ve büyüklüğü gibi bilgilere ihtiyaç duyulmaktadır. Bu amaçla, kafatası, beyin dokuları ve lezyonlar tıbbi görüntülerden elcil yöntemle bölütlenmekte; bu yapıların kenarlarına, lezyonların sayı ve büyüklük değerlerine kişisel olarak karar verilmektedir. Görüntülerin görsel olarak incelenip analiz edilmesi, doktorlar için zaman alıcı, yorucu ve dikkat gerektiren bir işlemdir. Bununla birlikte, görüntüleme tekniğinden kaynaklanan gürültü ve görüntüdeki gri seviye değişimlerinin düşük olması, bu görsel analizi ve elcil yöntemle görüntü bölütlemeyi daha da zorlaştırmaktadır. Bu durum, kişisel değerlendirme sonuçlarını etkilemekte, farklı doktorların aynı görüntüde farklı kararlar vermesine, hatta aynı doktorun aynı görüntü üzerinde, farklı zamanlarda farklı kararlar vermesine sebep olabilmektedir. Bu nedenle, bu çalışmada, kafa görüntülerinden kafatası, beyin dokusu ve lezyon bölütlemesini otomatik olarak gerçekleştiren bir bilgisayar destekli yaklaşım önerilmektedir. Önerilen bütünleşik yaklaşımda, manyetik rezonans görüntüleri kullanılmış olup, kafatası ve doku bölütlemesi Gauss Karma Modele dayalı olarak olasılıksal bir yöntem ile sağlanırken, lezyon bölütlemesi düzey kümesine dayalı kararsal bir yöntem ile gerçekleştirilmiştir. Geliştirilen yazılım sayesinde, lezyon bölütleme başarıyla (maksimum simetrik yüzey uzaklığı 5.76±3.24 mm) gerçekleştirilebilmektedir. Abstract: Information such as changes in brain tissues, their area, number of lesions if they exit, size of lesions etc. is required for diagnosis of neurodegenerative diseases and also during treatment of these diseases. For this reason, skull, brain tissues and lesions are segmented manually from medical images; edges of these structures, number and size of lesions are determined subjectively. Visual examination and analysis of images is a time consuming and tedious task. Also, noise caused by imaging, and low contrast in the images make much more difficult the visual analysis and manual segmentation. This case, affects subjective evaluations, causes different decisions of different doctors on the same image, even different decisions of the same doctor on the same image at different times. Therefore, in this work, a computer aided approach that achieves automated segmentation of skull, brain tissues and lesions is proposed. In the proposed hybrid approach, magnetic resonance images have been used, skull and tissue segmentation has been performed by a probabilistic method based on Gaussian Mixture Model, while lesion segmentation has been performed by a deterministic method based on level set technique. By the developed software, lesion segmentation can be performed successfully (maximum symmetric surface distance is 5.76±3.24 mm). Automated Segmentation of Skull, Tissue a...

show abstract