Marginal Space Learning for Medical Image Analysis: Efficient Detection and Segmentation of Anatomical Structures

تشخیص و تقسیم بندی خودکار ساختارهای آناتومیک در تصاویر پزشکی پیش نیاز اندازه گیری تصویر بعدی و تعیین کمیت بیماری است و بنابراین کاربردهای بالینی متعددی دارد. این کتاب یک چارچوب کارآمد تشخیص و تقسیم‌بندی شی به نام یادگیری فضای حاشیه‌ای را ارائه می‌کند که با سرعت زیر ثانیه بر روی رایانه رومیزی فعلی، سریع‌تر از پیشرفته‌تر اجرا می‌شود. یادگیری فضای حاشیه ای که با تعداد کافی مجموعه داده آموزش دیده است، در برابر مصنوعات تصویربرداری، نویز و تغییرات آناتومیکی نیز قوی است. این کتاب 35 کاربرد بالینی یادگیری فضای حاشیه‌ای و توسعه‌های آن برای شناسایی و تقسیم‌بندی ساختارهای آناتومیکی مختلف، مانند قلب، کبد، غدد لنفاوی و پروستات را در روش‌های اصلی تصویربرداری پزشکی (CT، MRI، اشعه ایکس و اولتراسوند) به نمایش می‌گذارد. کارایی و استحکام آن.

Automatic detection and segmentation of anatomical structures in medical images are prerequisites to subsequent image measurements and disease quantification, and therefore have multiple clinical applications. This book presents an efficient object detection and segmentation framework, called Marginal Space Learning, which runs at a sub-second speed on a current desktop computer, faster than the state-of-the-art. Trained with a sufficient number of data sets, Marginal Space Learning is also robust under imaging artifacts, noise and anatomical variations. The book showcases 35 clinical applications of Marginal Space Learning and its extensions to detecting and segmenting various anatomical structures, such as the heart, liver, lymph nodes and prostate in major medical imaging modalities (CT, MRI, X-Ray and Ultrasound), demonstrating its efficiency and robustness.