Abstract
Detection of objects of interest is a crucial step in the automatic analysis of the medical X-ray images. However, medical X-rays are often characterized by the low contrast as well as great variability in range of colours, which makes it more difficult to be analysed by the common methods based on the regions homogeneity principles. In our paper, we present an alternative approach to the contours detection problem that does not require the homogeneity criteria to be satisfied. Our method is based on the identification of edge fragments and elimination of discontinuities between them. Moreover, we describe a numeric criterion for quality evaluation of contours detection. The obtained results can used for diagnosis of abnormalities and diseases, and also as an intermediate step for more sophisticated methods of image analysis.
Highlights
Detection of objects of interest is a crucial step in the automatic analysis of the medical Xray images
Medical X-rays are often characterized by the low contrast as well as great variability in range of colours, which makes it more difficult to be analysed by the common methods based on the regions homogeneity principles
We present an alternative approach to the contours detection problem that does not require the homogeneity criteria to be satisfied
Summary
Для избавления от шума изображение подвергается сглаживанию. В данной работе для этих целей предлагается использовать билатеральную фильтрацию [10]. 1. Сглаженное исходное изображение (a); результат поэлементного перемножения модулей градиента и GVF (представлено в инвертированном виде) (б). В качестве карты границ G1, с которой мы будем работать дальше, будем рассматривать результат поэлементного перемножения модуля поля GVF и модуля градиента После бинаризации изображения G с некоторым порогом получим бинарное изображение Gbin, содержащее в себе фрагменты границ объектов Следующий этап – устранение разрывов межу фрагментами границы, принадлежащими одному и тому же объекту Чтобы при помощи стандартных методов на бинарном изображении можно было выделить контуры замкнутых областей. Полученный контур довольно точен, то количество итераций в методе активных контуров мало. Если же изменения контура после метода активных контуров значительны, то, как правило, этот контур контуром объекта не является и его можно отбросить. После этого становится возможным проведение классификации объектов, чьи контуры были выделены (например, определение типа кости, получение её нормального вида или определение дефектов)
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
