بخش بندی خودکار کبد در تصاویر سی تی مبتنی بر لبه یاب kirsch، انتقال میانگین و خوشه بندی k-means

یکی از مسائل مطرح در علم پزشکی که توجه بسیاری از محققان را به خود جلب کرده، جداسازی کبد از تصاویر توموگرافی کامپیوتری است. زیرا اولین مرحله در فرآیند تشخیص بیماری ها و تومورهای کبدی، داشتن تصویری مناسب از کبد بخش بندی شده در این تصاویر می باشد. هدف از این مقاله ارائه الگوریتمی خودکار برای بخش بندی کبد در تصاویر سی تی است. تحقیقات گذشته نشان داده است استفاده از ویژگی بافت نتایج مطلوب‌تری را در این بخش بندی حاصل می‌کند. الگوریتم پیشنهادی این مقاله مبتنی بر تحلیل بافت بااستفاده از لبه یاب kirsch، انتقال میانگین، و خوشه بندی k-means به بخش بندی کبد می پردازد. نتایج پیاده سازی الگوریتم  پیشنهادی بر روی 400 تصویر سی تی بیمارستان میلاد تهران حاوی کبد و ارگان های جانبی، میانگین معیار dice را 96 ٪  نشان داده است. همچنین در بررسی عملکرد الگوریتم پیشنهادی بر روی پایگاه داده ی sliver07، میانگین معیار dice برابر با 86/96 ٪ به دست آمده است. لذا الگوریتم پیشنهادی می‌تواند به عنوان اولین مرحله در فرآیند تشخیص تومورها و بیماری‌های کبدی مورداستفاده قرار گیرد.

automatic liver segmentation in ct images based on kirsch edge detector, mean shift, and k-means clustering

one of the issues in medical science, which has attracted the attention of many researchers, isliver segmentation from computer tomography images. because the first step in the process of diagnosis of liver illnesses and its tumors is, having an appropriate image of the segmented liver in these images. the purpose of this paper is to provide an automated algorithm for liver segmentation in the ct images. previous research has shown that the use of texture feature results in more favorable results in liver segmentation. the proposed algorithm of this paper is based on texture analysis to liver segmentation using the kirsch edge detector, mean shift, and k-means clustering. results of the implementation of the proposed algorithm on 400 images of milad hospital in tehran containing liver and its lateral organs, showed the average of dice criterion of 96%. also, in the performance of the proposed algorithm on the sliver07 database, the average of dice criterion is equal to 96.86%. therefore, the proposed algorithm can be used as the first step in the process of diagnosis of liverillnesses and its tumors.