S'abonner

Walsh Hadamard Transform for Simple Linear Iterative Clustering (SLIC) Superpixel Based Spectral Clustering of Multimodal MRI Brain Tumor Segmentation - 26/09/19

Doi : 10.1016/j.irbm.2019.04.005 
M. Angulakshmi, G.G. Lakshmi Priya
 School of Information Technology and Engineering, Vellore Institute of Technology, Vellore-632014, Tamil Nadu, India 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 10
Iconographies 10
Vidéos 0
Autres 0

Abstract

The automated brain tumor segmentation methods are challenging due to the diverse nature of tumors. Recently, the graph based spectral clustering method is utilized for brain tumor segmentation to make high-quality segmentation output. In this paper, a new Walsh Hadamard Transform (WHT) texture for superpixel based spectral clustering is proposed for segmentation of a brain tumor from multimodal MRI images. First, the selected kernels of WHT are utilized for creating texture saliency maps and it becomes the input for the Simple Linear Iterative Clustering (SLIC) algorithm, to generate more precise texture based superpixels. Then the texture superpixels become nodes in the graph of spectral clustering for segmenting brain tumors of MRI images. Finally, the original members of superpixels are recovered to represent Complete Tumor (CT), Tumor Core (TC) and Enhancing Tumor (ET) tissues. The observational results are taken out on BRATS 2015 datasets and evaluated using the Dice Score (DS), Hausdorff Distance (HD) and Volumetric Difference (VD) metrics. The proposed method produces competitive results than other existing clustering methods.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

An efficient WHT method computes texture saliency map of the MRI brain image.
WHT texture based SLIC algorithm generates more homogeneous superpixels.
The use of superpixels in SC reduces the computational complexity.
WHT texture superpixel based SC improves performance of brain tumor segmentation.

Le texte complet de cet article est disponible en PDF.

Keywords : Brain tumor, Segmentation, Superpixels, SLIC, Spectral clustering


Plan


© 2019  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 40 - N° 5

P. 253-262 - octobre 2019 Retour au numéro
Article précédent Article précédent
  • Editorial Board
| Article suivant Article suivant
  • A Smart Phone Application for the Mothers of Premature Infants
  • A. Nourani, H. Ayatollahi, K. Mirnia

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.