چکيده— در این مقاله برای ایجاد چارچوب های پردازش کاملا اتوماتیک مبتنی بر الگوریتم های برش گراف و کانتور فعال جریان بردار گرادیان (GVF)، یک روش مقداردهی اولیه تطبیقی توسعه می یابد. این روش، به تصاویر CT شکمی اعمال می شود تا اینکه بافت کبد و تومور های کبدی را بخش بندی نماید. در این راستا، 25 مجموعه داده ای نامعین و بی نام از چندین مرکز رادیولوژی گردآوری شدند؛ بدون اینکه درخواست خاصی در خصوص تنظیمات پارامتر اکتساب داده ها و نیز شرایط بالینی بیمار (شرایط شمول) مطرح باشد. بخش بندی های اتوماتیک بافت کبد و تومور های کبدی با تشخیص استاندارد مرجع که به صورت دستی توسط یک متخصص رادیولوژی انجام شده بودند؛ مقایسه شده و دقت بخش بندی از طریق چارچوب ارزیابی زیر بررسی شد: ضریب تشابه دایس (DSC)، نرخ منفی کاذب (FNR)، نرخ مثبت کاذب (FPR) و زمان پردازش. در خصوص بخش بندی سطوح کبد، برش های گراف به این مقادیر دست می یابند: DSC معادل 95.49% (FPR=2.35% , FNR=5.10%) و کانتور های فعال نیز به این مقادیر دست می یابند: DSC معادل 96.17% (FPR=3.35%,FNR=3.87%). مجموعه داده های آنالیز شده شامل 52 تومور بودند: الگوریتم برش های گراف، 48 تومور را با ضریب DSC=88.65% تشخیص دادند و الگوریتم کانتور فعال نیز 44 تومور را با ضریبDSC=87.10%تشخیص دادند. بعلاوه به لحاظ عملکرد های زمانی، برای پیاده سازی الگوریتم برش گراف نسبت به الگوریتم کانتور فعال، زمان کمتری مورد نیاز است. روش مقداردهی اولیه امکان بخش بندی کاملا اتوماتیک را فراهم می آورد که ماحصل آن، برتری کلی الگوریتم برش گراف به لحاظ دقت بخش بندی و زمان پردازش می باشد. روش مقداردهی اولیه که در این مقاله ارائه می شود؛ به ایجاد نتایج مناسب و قابل اطمینان برای این دو تکنیک بخش بندی منجر می گردد و می توان این روش را بیشتر توسعه داد.
کلمات کليدي-بخش بندی اتوماتیک، برش های گراف، کانتور های فعال GVF (جریان بردار گرادیان)، کبد تومور های کبدی

Abstract:  An adaptive initialization method was developed to produce fully automatic processing frameworks based on graph-cut and gradient flow active contour algorithms. This method was applied to abdominal Computed Tomography (CT) images for segmentation of liver tissue and hepatic tumors. Twenty-five anonymized datasets were randomly collected from several radiology centres without specific request on acquisition parameter settings nor patient clinical situation as inclusion criteria. Resulting automatic segmentations of liver tissue and tumors were compared to their reference standard delineations manually performed by a specialist. Segmentation accuracy has been assessed through the following evaluation framework: dice similarity coefficient (DSC), false negative ratio (FNR), false positive ratio (FPR) and processing time. Regarding liver surfaces, graph-cuts achieved a DSC of 95.49% (FPR=2.35% , FNR=5.10%), while active contours reached a DSC of 96.17% (FPR=3.35%,FNR=3.87%). The analyzed datasets presented 52 tumors: graph-cut algorithm detected 48 tumors with a DSC of 88.65%, while active contour algorithm detected only 44 tumors with a DSC of 87.10%. In addition, in terms of time performances, less time was requested for graph-cut algorithm with respect to active contour one. The implemented initialization method allows fully automatic segmentation leading to superior overall performances of graph-cut algorithm in terms of accuracy and processing time. The initialization method here presented resulted suitable and reliable for two different segmentation techniques and could be further extended.
Keywords-Automatic segmentation, graph-cuts, gradient vector flow (GVF) active contours, hepatic tumors and liver