| عنوان فارسی مقاله: | یک روش نیمه خودکار تقسیم بندی کبد از تصاویر CT سه بعدی با ماشین یادگیری نهایی |
| عنوان انگلیسی مقاله: | A Semi-automatic Approach to the Segmentation of Liver Parenchyma from 3D CT Images with Extreme Learning Machine |
چکیده
این مقاله یک روش تقسیم بندی نیمه اتوماتیک از بافت کبد از تصاویر توموگرافی 3D (CT) محاسبه شده را ارائه می دهد. به طور خاص، تقسیم بندی کبد به عنوان یک مسئله ی تشخیص الگو رسمی می شود، که در آن یک وکسل برای اختصاص دادن یک برچسب صحیح- هم در یک کبد و هم در یک طبقه ی غیر کبد داده می-شود. هر وکسل به یک بردار ویژگی که بافت های تصویر را توصیف می کند اختصاص داده می شود. بر اساس ویژگی های تولید، AN (ELM) یک طبقه بندی کننده ی ماشین یادگیری نهایی، برای طبقه بندی وکسل بکار برده می-شود. از آنجایی که تقسیم بندی وکسل اولیه تمایل به کمتر دقیق شدن در مرز را دارد، و وکسل های بافت غیر کبد دیگر با ویژگی بافتی مشابه کبد وجود دارند، صاف سازی مورفولوژیکی و پالایش مجموعه سطح 3D برای بالا بردن دقت تقسیم بندی بکار برده می شوند. روش ما در یک مجموعه ای از داده CT تایید می شود. آزمایش نشان می دهد که روش پیشنهادی با ELM عملکرد خوب و معقولی برای بافت کبد تقسیم بندی دارد. این یک نتیجه ی قابل مقایسه را با دقت طبقه بندی اما با یک آموزش و سرعت طبقه بندی بسیار سریع تر در مقایسه با ماشین بردار پشتیبانی(SVM) نشان می دهد.
