АНАЛІЗ ЕФЕКТИВНОСТІ ПОРОГОВОЇ ФІЛЬТРАЦІЇ В ЗАДАЧІ ВИЗНАЧЕННЯ ЗОНИ ПЕРФУЗІЇ НА Т2-ЗВАЖЕНИХ МАГНІТНО-РЕЗОНАНСНИХ ПЕРФУЗІЙНИХ ЗОБРАЖЕННЯХ МОЗКУ З АНОМАЛЬНОЮ АНАТОМІЄЮ

Svitlana M. Alkhimova; Svitlana V. Sliusar

doi:10.20535/kpi-sn.2019.4.180237

Т. · № 4 · 2019 жов 15, 2019 статті

АНАЛІЗ ЕФЕКТИВНОСТІ ПОРОГОВОЇ ФІЛЬТРАЦІЇ В ЗАДАЧІ ВИЗНАЧЕННЯ ЗОНИ ПЕРФУЗІЇ НА Т2-ЗВАЖЕНИХ МАГНІТНО-РЕЗОНАНСНИХ ПЕРФУЗІЙНИХ ЗОБРАЖЕННЯХ МОЗКУ З АНОМАЛЬНОЮ АНАТОМІЄЮ

Svitlana M. Alkhimova Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Svitlana V. Sliusar Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

Опублікованожов 15, 2019

PDF

НВКПІ 4 ТОМ · 4

ТОМ · № 4 · 2019 Переглянути випуск

Анотація

Проблематика. Визначення області перфузії головного мозку є попереднім етапом перфузійного аналізу, який призначений для виключення пікселів, що не характеризують мозок, із зображень динамічно-сприйнятливої контрастної магнітно-резонансної (МР) томографії. Точність цього етапу вважається ключовим фактором у наданні правильних результатів перфузійного аналізу. Незважаючи на велику кількість алгоритмів сегментації мозку, не існує таких, які б точно і надійно працювали на Т2-зважених МР-зображеннях мозку людини з аномальною анатомією. Отже, порогова фільтрація, як і раніше, залишається тим способом, що широко використовується в сучасному програмному забезпеченні з перфузійного аналізу для визначення пікселів, які характеризують область перфузії головного мозку. Мета дослідження. Аналіз ефективності методів порогової фільтрації щодо визначення області перфузії головного мозку на T2-зважених МР-зображеннях мозку людини з аномальною анатомією. Методика реалізації. Розглянуто чотири алгоритми пошуку порога: глобальний пошук за методом Оцу, локальний пошук за методом Ніблака, пошук у ділянці анатомічного розташування мозку і пошук за методом перебору. Результатом роботи всіх алгоритмів було зображення із заміною нульовими значеннями пікселів фону (пікселів повітря і пікселів, що не характеризують мозок) і з оригінальними значеннями пікселів з області перфузії головного мозку. Аналіз проводили, порівнюючи перфузійні карти, що були отримані із зображень після застосування порогової фільтрації та з еталонних зображень (мануальне визначення ділянки мозку досвідченими рентгенологами). Для порівняння були використані одні й ті самі зображення динамічно-сприйнятливої контрастної МР-томографії головного мозку 12 пацієнтів із цереброваскулярними захворюваннями. Результати дослідження. Кореляційний аналіз Пірсона показав сильний позитивний ( r був від 0,7123 до 0,8518, р < 0,01) і слабкий позитивний ( r < 0,35, р < 0,01) взаємозв’язок у проведених експериментах із CBF, CBV, MTT і T max перфузійними картами відповідно. Лінійний регресійний аналіз показав, що перфузійні карти, які були отримані із зображень після застосування порогової фільтрації, схильні до помилок масштабу і зсуву в усіх проведених експериментах з урахуванням 95 %-ного довірчого інтервалу. Висновки. Результати експериментів показали, що поширене використання порогової фільтрації є неефективним способом визначення пікселів, які характеризують область перфузії головного мозку. Використання порогової фільтрації як інструменту з проведення сегментації мозку може призводити до неправильного визначення області перфузії, і, як наслідок, перфузійні карти будуть схильні до наявності артефактів і призведуть до помилково високої або помилково низької оцінки параметрів перфузії.

Ключові слова

#Перфузійна динамічно-сприйнятлива контрастна магнітно-резонансна томографія #Зрізи з аномальною анатомією мозку #Зона уваги #Сегментація #Порогова фільтрація

Посилання

B. Lanzman and J.J. Heit, “Advanced MRI measures of cerebral perfusion and their clinical applications”, Topics in Magnetic Resonance Imaging , vol. 26, no. 2, pp. 83–90, 2017. doi: 10.1097/RMR.0000000000000120
K. Welker et al. , “ASFNR recommendations for clinical performance of MR dynamic susceptibility contrast perfusion imaging of the brain”, Am. J. Neuroradiol. , vol. 36, no. 6, pp. E41–E51, 2015. doi: 10.3174/ajnr.A4341
G.-H. Jahng et al. , “Perfusion magnetic resonance imaging: A comprehensive update on principles and techniques”, Korean J. Radiol. , vol. 15, no. 5, pp. 554–577, 2014. doi: 10.3348/kjr.2014.15.5.554
Galinovic et al. , “Automated VS manual delineations of regions of interest- a comparison in commercially available perfusion MRI software”, BMC Medical Imaging , vol. 12, no. 16, pp. 1–3, 2012. doi: 10.1186/1471-2342-12-16
S.M. Alkhimova and O.S. Zheleznyi, “Automatizations problem for region of interest detection in perfusion magnetic resonance imaging”, in Proc. Modern Directions of Theoretical and Applied Researches ‘2015 , Odesa, 2015, vol. 1, no. 4, pp. 90–93.
S.M. Alkhimova, “Detection of perfusion ROI as a quality control in perfusion analysis”, in Proc. Science, Research, Development. Technics and Technology , Berlin, 2018, pp. 57–59.
D.W. Shattuck et al. , “Magnetic resonance image tissue classification using a partial volume model”, NeuroImage , vol. 13, no. 5, pp. 856–876, 2001. doi: 10.1006/nimg.2000.0730
B.D. Ward, “3dIntracranial: automatic segmentation of intracranial region”, Biophysics Research Institute, Medical College of Wisconsin, UK, Tech. Rep., June 1999.
P. Kalavathi and V.S. Prasath, “Methods on skull stripping of MRI head scan images – A review”, J. Digit. Imaging , vol. 29, pp. 365–379, 2016. doi: 10.1007/s10278-015-9847-8
S. Datta and P.A. Narayana, “Automated brain extraction from T2‐weighted magnetic resonance images”, J. Magnetic Resonance Imaging , vol. 33, no. 4, pp. 822–829, 2011. doi: 10.1002/jmri.22510
M. Jenkinson et al. , “BET2: MR-based estimation of brain, skull and scalp surfaces”, in Proc. 12th Annual Meeting of the Organization for Human Brain Mapping , 2005, vol. 17, p. 167.
S. Rajagopalan et al. , “Robust fast automatic skull stripping of MRI-T2 data”, Proc. SPIE , vol. 5747, pp. 485–495, 2005. doi: 10.1117/12.594651
Despotović et al. , “MRI segmentation of the human brain: challenges, methods, and applications”, Computational and Mathematical Methods in Medicine , vol. 2015, pp. 1–23, 2015. doi: 10.1155/2015/450341
D. Selvaraj and R. Dhanasekaran, “MRI brain image segmentation techniques – A review”, Indian J. Comp. Sci. Eng. , vol. 4, no. 5, pp. 364–381, 2013.
S. Tripathi et al. , “A review of brain MR image segmentation techniques”, in Proc. Int. Conf. Recent Innovations in Applied Science, Engineering & Technology (AET-2018) , Mumbai, India, June 16–17, 2018, pp. 62–69.
N. Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. Syst. Man Cybern. , vol. 9, no. 1, pp. 62–66, 1979. doi: 10.1109/TSMC.1979.4310076
W. Niblack, An Introduction to Digital Image Processing . Englewood Cliffs, NJ: Prentice-Hall International, 1986.
N. Senthilkumaran and C. Kirubakaran, “Efficient implementation of Niblack thresholding for MRI brain image segmentation”, Int. J. Comp. Sci. Inform. Technol. , vol. 5, no. 2, pp. 2173–2176, 2014.
S.M. Alkhimova, “Automated detection of regions of interest for brain perfusion MR images”, KPI Sci. News , no. 5, pp. 14–21, 2018. doi: 10.20535/1810-0546.2018.5.146185
K. Somasundaram and T. Kalaiselvi, “A method for filling holes in objects of medical images using region labeling and run length encoding schemes”, in Proc. National Conference on Image Processing (NCIMP) , 2010, pp. 110–115.
W. Burger and M.J. Burge, Principles of Digital Image Processing – Core Algorithms . London, UK: Springer-Verlag, 2009. doi: 10.1007/978-1-84800-195-4

Попередня у випуску УПРАВЛІННЯ ЛАНЦЮГАМИ ПОСТАВОК НА ОСНОВІ ІЄРАРХІЧНОЇ МОДЕЛІ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ Наступна у випуску ІТЕРАЦІЙНА МАКСИМІЗАЦІЯ ПОТУЖНОСТІ ЗА ПОЛОВИННОЇ ДИХОТОМІЇ ВИТРАТ ДЛЯ ОПТИМІЗАЦІЇ РОЗГОРТАННЯ ВІТРОВОЇ ЕЛЕКТРОСТАНЦІЇ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

МЕТОДИКА ПАРАМЕТРИЧНОГО СИНТЕЗУ ЗУМ-АФОКАЛЬНИХ СИСТЕМ НА ОСНОВІ НЕРУХОМИХ ВАРІОЛІНЗ

Ігор Г. Чиж

Проблематика Зум-оптичні системи, в яких використовуються механічно нерухомі електрично керовані варіолінзи, не можуть вважатися такими, що мають нерухомі оптичні…

#зум-афокальні системи #головні точки варіолінз #синтез зум-афокальних систем #стабільна афокальність зум-системи

10.20535/kpisn.2026.3.351645

МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ

Валерій Лось, Олександр Ряхін

Проблематика. Параболічні диференціальні рівняння є математичними моделями інженерії, призначеними для дослідження широкого кола прикладних задач. Це приводить до…

#рівняння теплопровідності #мішана параболічна задача #еліптична область #фізико-інформативна нейронна мережа

10.20535/kpisn.2026.3.367316

Схожі статті

Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Вадим Романюк, ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ , Наукові вісті КПІ: Том 144 № 3 (2026)
Anastas A. Romansky, Lyubov I. Karbivska, Volodymyr L. Karbivskyy, Olena Ya. Kuznetsova, Viktor V. Stonis, Arsen P. Soroka, КВАНТОВОМЕХАНІЧНІ РОЗРАХУНКИ АТОМНОЇ СТРУКТУРИ ТА ЕЛЕКТРОННОЇ БУДОВИ КАРБОНАТВМІСНИХ АПАТИТІВ КАЛЬЦІЮ , Наукові вісті КПІ: № 1 (2019)
Roman M. Galagan, Andrii S. Momot, АНАЛІЗ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ДОСТОВІРНОСТІ АКТИВНОГО ТЕПЛОВОГО НЕРУЙНІВНОГО КОНТРОЛЮ , Наукові вісті КПІ: № 1 (2019)
Sergii F. Petrenko, Anatolii V. Omelian, Olha O. Horbatiuk, Viktor S. Antonyuk, ДОСЛІДЖЕННЯ РЕЗОНАНСНИХ ХАРАКТЕРИСТИК П’ЄЗОЕЛЕКТРИЧНОГО ДВИГУНА ЗАЛЕЖНО ВІД РЕСУРСНОГО СТАНУ , Наукові вісті КПІ: № 1 (2019)
Vadim V. Romanuke, НАБІР ДАНИХ НЕСКІНЧЕННОГО МАСШТАБУВАННЯ ІЗ ЗОБРАЖЕНЬ У ГРАДАЦІЯХ СІРОГО З ОДНИМ БАГА¬ТО-КУТНИКОМ ЯК ШВИДКА ТЕСТОВА ПЛАТФОРМА ДЛЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ , Наукові вісті КПІ: № 1 (2019)
Ivan A. Dychka, Yevgeniya S. Sulema, ОПЕРАЦІЇ ВПОРЯДКУВАННЯ В АЛГЕБРИЧНІЙ СИСТЕМІ АГРЕГАТІВ ДЛЯ ОБРОБЛЕННЯ ДАНИХ МУЛЬТИОБРАЗУ , Наукові вісті КПІ: № 1 (2019)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)

1-10 з 174 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] B. Lanzman and J.J. Heit, “Advanced MRI measures of cerebral perfusion and their clinical applications”, Topics in Magnetic Resonance Imaging , vol. 26, no. 2, pp. 83–90, 2017. doi: 10.1097/RMR.0000000000000120

[2] K. Welker et al. , “ASFNR recommendations for clinical performance of MR dynamic susceptibility contrast perfusion imaging of the brain”, Am. J. Neuroradiol. , vol. 36, no. 6, pp. E41–E51, 2015. doi: 10.3174/ajnr.A4341

[3] G.-H. Jahng et al. , “Perfusion magnetic resonance imaging: A comprehensive update on principles and techniques”, Korean J. Radiol. , vol. 15, no. 5, pp. 554–577, 2014. doi: 10.3348/kjr.2014.15.5.554

[4] Galinovic et al. , “Automated VS manual delineations of regions of interest- a comparison in commercially available perfusion MRI software”, BMC Medical Imaging , vol. 12, no. 16, pp. 1–3, 2012. doi: 10.1186/1471-2342-12-16

[5] S.M. Alkhimova and O.S. Zheleznyi, “Automatizations problem for region of interest detection in perfusion magnetic resonance imaging”, in Proc. Modern Directions of Theoretical and Applied Researches ‘2015 , Odesa, 2015, vol. 1, no. 4, pp. 90–93.

[6] S.M. Alkhimova, “Detection of perfusion ROI as a quality control in perfusion analysis”, in Proc. Science, Research, Development. Technics and Technology , Berlin, 2018, pp. 57–59.

[7] D.W. Shattuck et al. , “Magnetic resonance image tissue classification using a partial volume model”, NeuroImage , vol. 13, no. 5, pp. 856–876, 2001. doi: 10.1006/nimg.2000.0730

[8] B.D. Ward, “3dIntracranial: automatic segmentation of intracranial region”, Biophysics Research Institute, Medical College of Wisconsin, UK, Tech. Rep., June 1999.

[9] P. Kalavathi and V.S. Prasath, “Methods on skull stripping of MRI head scan images – A review”, J. Digit. Imaging , vol. 29, pp. 365–379, 2016. doi: 10.1007/s10278-015-9847-8

[10] S. Datta and P.A. Narayana, “Automated brain extraction from T2‐weighted magnetic resonance images”, J. Magnetic Resonance Imaging , vol. 33, no. 4, pp. 822–829, 2011. doi: 10.1002/jmri.22510

[11] M. Jenkinson et al. , “BET2: MR-based estimation of brain, skull and scalp surfaces”, in Proc. 12th Annual Meeting of the Organization for Human Brain Mapping , 2005, vol. 17, p. 167.

[12] S. Rajagopalan et al. , “Robust fast automatic skull stripping of MRI-T2 data”, Proc. SPIE , vol. 5747, pp. 485–495, 2005. doi: 10.1117/12.594651

[13] Despotović et al. , “MRI segmentation of the human brain: challenges, methods, and applications”, Computational and Mathematical Methods in Medicine , vol. 2015, pp. 1–23, 2015. doi: 10.1155/2015/450341

[14] D. Selvaraj and R. Dhanasekaran, “MRI brain image segmentation techniques – A review”, Indian J. Comp. Sci. Eng. , vol. 4, no. 5, pp. 364–381, 2013.

[15] S. Tripathi et al. , “A review of brain MR image segmentation techniques”, in Proc. Int. Conf. Recent Innovations in Applied Science, Engineering & Technology (AET-2018) , Mumbai, India, June 16–17, 2018, pp. 62–69.

[16] N. Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. Syst. Man Cybern. , vol. 9, no. 1, pp. 62–66, 1979. doi: 10.1109/TSMC.1979.4310076

[17] W. Niblack, An Introduction to Digital Image Processing . Englewood Cliffs, NJ: Prentice-Hall International, 1986.

[18] N. Senthilkumaran and C. Kirubakaran, “Efficient implementation of Niblack thresholding for MRI brain image segmentation”, Int. J. Comp. Sci. Inform. Technol. , vol. 5, no. 2, pp. 2173–2176, 2014.

[19] S.M. Alkhimova, “Automated detection of regions of interest for brain perfusion MR images”, KPI Sci. News , no. 5, pp. 14–21, 2018. doi: 10.20535/1810-0546.2018.5.146185

[20] K. Somasundaram and T. Kalaiselvi, “A method for filling holes in objects of medical images using region labeling and run length encoding schemes”, in Proc. National Conference on Image Processing (NCIMP) , 2010, pp. 110–115.

[21] W. Burger and M.J. Burge, Principles of Digital Image Processing – Core Algorithms . London, UK: Springer-Verlag, 2009. doi: 10.1007/978-1-84800-195-4