Boundary Extraction of Multichannel Magnetic Resonant Images Based on a Model of Particle Motion in a Vector Field Derived from Local Color Distance Images
Abstract
ภาพเรโซแนนซ์แม่เหล็กหรือภาพเอ็มอาร์แต่ละชนิดมีคุณสมบัติเหมาะสมสำหรับการวินิจฉัยโรคที่แตกต่างกันโดยแพทย์อาจจะแยกวิเคราะห์ภาพเอ็มอาร์แต่ละภาพเดี่ยว ๆ หรือนำภาพเอ็มอาร์หลายชนิดมาวิเคราะห์พร้อมกันเพื่อให้ได้รับข้อมูลที่มากขึ้น ในกรณีหลังการนำภาพเอ็มอาร์หลายชนิดมาประกอบเข้าด้วยกันทำให้เกิดเป็นภาพเอ็มอาร์หลายช่องสัญญาณขึ้น การวิเคราะห์ภาพเอ็มอาร์หลายช่องสัญญาณจะมีความซับซ้อนยุ่งยากกว่าการวิเคราะห์ภาพเอ็มอาร์เดี่ยว ๆ ทั้งในแง่ปริมาณข้อมูลที่เพิ่มมากขึ้นและมีความสัมพันธ์ของข้อมูลระหว่างช่องสัญญาณเกิดขึ้น บทความนี้นำเสนอวิธีการหนึ่งในการวิเคราะห์ภาพเอ็มอาร์หลายช่องสัญญาณได้แก่การสกัดเขตแดนของภาพเอ็มอาร์หลายช่องสัญญาณโดยใช้แบบจำลองการเคลื่อนที่ของอนุภาคในสนามเวกเตอร์ที่สร้างจากภาพระยะทางในปริภูมิสีเฉพาะที่ วิธีการที่นำเสนอพัฒนามาจากแบบจำลองการเคลื่อนที่ของอนุภาคในสนามเวกเตอร์ภาพซึ่งแต่เดิมสามารถประยุกต์ใช้ได้เฉพาะกับภาพเฉดสีเทาเท่านั้น บทความนี้ได้นำเสนอสนามเวกเตอร์แบบใหม่ที่ใช้ในแบบจำลองที่สามารถคำนวณได้โดยตรงจากภาพเอ็มอาร์หลายช่องสัญญาณได้ซึ่งประกอบด้วย 1) สนามเวกเตอร์แนวฉากแบบบีบอัดที่สร้างโดยการรวบรวมเวกเตอร์ระยะขจัดจากจุดศูนย์กลางไปยังจุดเซนทรอยด์ของภาพระยะทางในปริภูมิสีเฉพาะที่ 2) สนามเวกตอร์ขอบที่สร้างมาจากสนามเวกเตอร์ที่มีลักษณะเหมือนสนามเวกเตอร์แฮมิลโทเนียนเกรเดียนต์ที่ดัดแปลงจากสูตรการคำนวณสนามเวกเตอร์แนวฉากแบบบีบอัด ผลการทดลองการแบ่งส่วนภาพเอ็มอาร์หลายช่องสัญญาณโดยใช้ขั้นตอนวิธีที่นำเสนอซึ่งประเมินประสิทธิภาพโดยใช้ Rand Index, Global Consistency Error, Normalized Variation of Information, Boundary Displacement Error และ Dice coefficients พบว่าขั้นตอนวิธีที่นำเสนอมีประสิทธิภาพดีมากและใช้เวลารวดเร็วในการสกัดเขตแดนของภาพเอ็มอาร์
Each type of magnetic resonance (MR) image has distinctive features suitable for the diagnosis of different lesions, in which doctors can analyze each MR image separately or combine several MR images, of different types, to gain more information. In the latter case, the combination of MR images of different types results in a multichannel MR image. Analyzing a multichannel MR image is far more difficult than analyzing a single MR image due to the larger data volume and the complexity of inter-channel data relation. This article presents one of the methods for analyzing a multichannel MR image, namely, boundary extraction of a multichannel MR image using a model of particle motion in a vector field derived from local color distance images (PMLCD). The proposed method is developed from the boundary extraction algorithm based on particle motion in a vector image field (PMVIF), which could previously only be applied to grayscale images. This paper proposes two new vector fields, used in the model, which can be computed directly from a multichannel MR image: 1) the normal compressive vector field derived from the center-to-centroid vectors of local color distance images. 2) The edge vector field derived from the Hamiltonian gradient-like vector field modified from the normal compressive vector field. Performance evaluation results of multichannel MR image segmentation using Rand Index (RI), Global Consistency Error (GCE), Normalized Variation of Information (NVI), Boundary Displacement Error (BDE), and Dice Coefficients indicate that the proposed method has good performance and fast computation time.
Keywords
[1] Advanced Diagnostic Imaging Center (AIMC). (2017, December). Introduction to MRI. Faculty of Medicine, Ramathibodi Hospital, Mahidol University, Bangkok, Thailand. [Online]. Available:https://med.mahidol.ac.th/aimc/th/ content/ 09122017-1414-th.
[2] W. Doyle, “Operations useful for similarityinvariant pattern recognition,” Journal of the ACM, vol. 9, no. 2, pp. 259–267, 1962.
[3] N. Otsu, “A threshold selection method from gray-level histograms,” IEEE Trans Syst Man Cybern, vol. SMC-9, no. 1, pp. 62–66, 1979.
[4] G. Sandhya, G. Babu Kande, and T. S. Savithri, “Multilevel thresholding method based on electromagnetism for accurate brain mri segmentation to detect white matter, gray matter, and CSF,” BioMed Research International, vol. 19, pp. 1–17, 2017.
[5] Y. Nakagawa and A. Rosenfeld, “Some experiments on variable thresholding,” Pattern Recognit, vol. 11, no. 3, pp. 191–204, 1979.
[6] K. J. Shanthi and M. S. Kumar, “Skull stripping and automatic segmentation of brain MRI using seed growth and threshold techniques,” presented at the International Conference on Intelligent and Advanced Systems, Kuala Lumpur, Malaysia, Nov. 25–28, 2007.
[7] J. Dogra, S. Jain, and M. Sood, “Segmentation of MR images using hybrid kmean-graph cut technique,” Procedia Computer Science, vol. 132, pp. 775–784, 2018.
[8] J. Canny, “A computational approach to edge detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, no. 6, pp. 679–698, 1986.
[9] R. Kimmel and A. M. Bruckstein, “Regularized Laplacian zero crossings as optimal edge integrators,” International Journal of Computer Vision, vol. 53, no. 3. pp. 225–243, 2003.
[10] V. Raghavendra and E. L. Prasad, “Zero crossing image edge detection for MRI scanning,” International Journal of Management, Technology and Engineering, vol. 8, no. 1043, pp. 1043–1051, 2018.
[11] R. Laishram, W. K. Kumar, A. Gupta, and K. V. Prakash, “A novel MRI brain edge detection using PSOFCM segmentation and canny algorithm,” presented at the International Conference on Electronic Systems, Signal Processing and Computing Technologies, Nagpur, India, Jan. 9–11, 2014.
[12] N. H. Salman and C. Q. Liu, “Image segmentation and edge detection based on watershed techniques,” International Journal of Computers and Applications, vol. 25, no. 4, pp. 258–263, 2003.
[13] J. M. Spiller and T. Marwala, “Medical image segmentation and localization using deformable templates,” in World Congress on Medical Physics and Biomedical Engineering. Heidelberg, Germany: Springer, 2007, pp. 2292–2295.
[14] Y. T. Hsiao, C. L. Chuang, J. A. Jiang, and C. C. Chien, “A contour based image segmentation algorithm using morphological edge detection,” presented at the IEEE International Conference on Systems, Man and Cybernetics, Waikoloa, HI, USA, Oct. 12, 2005.
[15] M. Kass, A. Witkin, and D. Terzopoulos, “Snakes: Active contour models,” International Journal of Computer Vision, vol. 1, no. 4, pp. 321–331, 1988.
[16] J. Rodríguez and G. Ochoa-ruiz, “A prostate MRI segmentation tool based on active contour models using a gradient vector flow,” Applied Sciences, vol. 10, no. 8, pp. 6163, 2020.
[17] W.-Y. Ma and B. S. Manjunath, “EdgeFlow: A technique for boundary detection and image segmentation,” IEEE Transactions on Image Processing, vol. 9, no. 8. pp. 1375–1388, 2000.
[18] N. Eua-Anant and L. Udpa, “A novel boundary extraction algorithm based on a vector image model,” in Proceedings of the 39th Midwest Symposium on Circuits and Systems, 1996, pp. 597–600.
[19] N. Eua-anant, U. Lalita, and L. Upda, “Boundary extraction algorithm based on particle motion in a vector image field,” in Proceedings of International Conference on Image Processing, 1997, vol. 2, pp. 732–735.
[20] N. Eua-Anant and L. Udpa, “Boundary detection using simulation of particle motion in a vector image field,” IEEE Transactions on Image Processing, vol. 8, no. 11. pp. 1560–1571, 1999.
[21] T. Boonnuk, T. Sripramong, and S. Srisuk, “Texture segmentation using active contour model incorporated with edge flow on MRI image,” presented at the TENCON 2014 - 2014 IEEE Region 10 Conference, Bangkok, Thailand, Oct. 22–25, 2014.
[22] K. Somkantha, N. Theera-Umpon, and S. Auephanwiriyakul, “Boundary detection in medical images using edge following algorithm based on intensity gradient and texture gradient features,” IEEE Transactions on Biomedical Engineering, vol. 58, no. 3, pp. 567– 573, 2011.
[23] S. Beucher and C. Lantuejoul, “Use of watersheds in contour detection,” in proceedings International Workshop on Image Processing: Real-time Edge and Motion Detection/Estimation, 1979, pp. 12–21.
[24] R. Achanta, A. Shaji, K. Smith, and A. Lucchi, “SLIC superpixels compared to state-of-the-art superpixel methods,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, no. 11, 2012.
[25] S. M. K. Hasan and M. Ahmad, “Two-step verification of brain tumor segmentation using watershed-matching algorithm,” Brain Informatics, vol. 5, no. 2, 2018.
[26] Y. Wang, Q. Qi, and X. Shen, “Image segmentation of brain MRI based on LTriDP and superpixels of improved SLIC,” Brain Sciences, vol. 10, no. 2, 2020.
[27] W. Phornphatcharaphong and N. Eua-Anant, “Edge-Based color image segmentation using particle motion in a vector image field derived from local color distance images,” Journal Imaging, vol. 6, no. 7, pp. 72, 2020.
[28] H. Majid and B. Hadi Yazdani, “Color image segmentation metrics,” in Encyclopedia of Image Processing, CRC Press, 2019.
[29] D. Mújica-Vargas, J. M. V. Kinani, and J. de J. Rubio, “Color-based image segmentation by means of a robust intuitionistic fuzzy c-means algorithm,” International Journal of Fuzzy Systems, vol. 22, no. 3, pp. 901–916, 2020.
[30] R. Reichart and A. Rappoport, “The NVI clustering evaluation measure,” in Proceedings of the Thirteenth Conference on Computational Natural Language Learning (CoNLL), 2009, pp. 165–173.
[31] Pixmeo. (2016, February 3). DICOM Image Library. [Online]. Available:http://www.osirixviewer. com/resources/dicom-image-library/
[32] S. Di Zenzo, “A note on the gradient of a multiimage,” Computer Vision, Graphics, and Image Processing, vol. 33, no. 1, pp. 116–125, 1986.
[33] K. Fukunaga and L. D. Hostetler, “The estimation of the gradient of a density function, with applications in pattern recognition,” IEEE Transactions on Information Theory, vol. 21, no. 1, pp. 32–40, 1975.
[34] W. Xiao, A. Zaforemska, M. Smigaj, Y. Wang, and R. Gaulton, “Mean shift segmentation assessment for individual forest tree delineation from airborne lidar data,” Remote Sensing, vol. 11, no. 11, pp. 1–19, 2019.
[35] J. MacQueen, “Some methods for classification and analysis of multivariate observations,” in Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability - Vol. 1, 1967, pp. 281–297.
[36] M. A. Hamada, Y. Kanat, and A. E. Abiche, “Multi-spectral image segmentation based on the K-means clustering,” International Journal of Innovative Technology and Exploring Engineering, vol. 9, no. 2, pp. 1016–1019, 2019.
[37] Q. Wang, “GMM-based hidden markov random field for color image and 3D volume segmentation,” arXiv:1212.4527, 2012.
DOI: 10.14416/j.kmutnb.2022.04.001
ISSN: 2985-2145
Email this article 
Hide
Show all