|
| Titre : |
Medical Image Segmentation |
| Type de document : |
texte imprimé |
| Auteurs : |
Maya Assil Bestal, Auteur ; Youssra Benterki ; Kara-Mohamed ,Chafia, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2024 |
| Importance : |
1 vol (53 f .) |
| Format : |
29 cm |
| Langues : |
Anglais (eng) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Informatique |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Medical image segmentation is essential for tracking illness progression and treatment
effectiveness, as well as for accurate diagnosis, therapy planning, and monitoring.
Using automated approaches such as Otsu’s method for threshold selection, the threshold
methodology divides picture pixels into foreground and background through image preprocessing,
threshold selection, segmentation, and post-processing. Otsu method is an
exact one that performs a brute search to the set of optimal tresholds. This process is
time consuming. In the aim to optimize this process, we have used in our project two
bio-inspired algorithms : Genetic and Crayfish algorithms. Through strategies including
crossover, mutation, and replacement, genetic algorithms are essential to optimization
and effective problem-solving. In addition, the crayfish algorithm helps with intricate
problem-solving and optimization procedures. Results obtained show the effectiveness of
the optimization process based on GA . |
| Note de contenu : |
Sommaire
List of Figures i
List of Tables i
List of algorithms 1
General Introduction 1
1 Segmentation in Medical Images 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Monochromatic image . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Gray Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.3 pseudo-color image . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Types of Medical images . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Segmentation Methods . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Thresholding approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5.1 Image Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Threshold Selection . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.4 Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.5 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Thresholding Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6.1 Adaptative thresholding : . . . . . . . . . . . . . . . . . . . . . . . 6
1.6.2 Multi-level thresholding : . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.3 Global Thresholding : . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Multi-otsu thresholding Method . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.3 Multi-Otsu Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 State of the art and related works 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Medical image segmentation importance . . . . . . . . . . . . . . . . . . . 11
2.2.1 Precise Diagnosis : . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2 Treatment Planning and Monitoring : . . . . . . . . . . . . . . . . . 11
2.2.3 Image-Guided Interventions : . . . . . . . . . . . . . . . . . . . . . 11
2.2.4 Quantitative Analysis : . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.5 Research and Development : . . . . . . . . . . . . . . . . . . . . . . 12
2.2.6 Personalized Medicine : . . . . . . . . . . . . . . . . . . . . . . 12
2.3 the challenges and complexities in medical image segmentation . . . . . . . 12
2.3.1 Anatomical Variability : . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Pathological Variations : . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Noise and Artifacts : . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.4 Limited Training Data : . . . . . . . . . . . . . . . . . . . . . . 13
2.3.5 Computational Complexity : . . . . . . . . . . . . . . . . . . . . . . 13
2.3.6 Real-Time Requirements : . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.7 Validation and Generalization : . . . . . . . . . . . . . . . . . . . . 13
2.4 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Optimization for thresholding 18
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Optimization for thresholding . . . . . . . . . . . . . . . . . . . . . 18
3.2.3 Optimization techniques . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Nature-Inspired Optimization . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3.1 The Need for Nature-Inspired Optimization Algorithms . . . . . . . 20
3.3.2 Applications of NIOA . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.3 Nature-Inspired Optimization Algorithms . . . . . . . . . . . . . . . 21
3.4 Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.2 Genetic algorithm basics and operations . . . . . . . . . . . . . . . 22
3.4.3 Implications for genetic algorithms . . . . . . . . . . . . . . . . . . 26
3.4.4 Basic Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Swarm Intelligence Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.2 SIOA Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.3 Crayfish Optimization Algorithm . . . . . . . . . . . . . . . . . . . 28
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Methodology and results 33
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Overview of the Project . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.3 Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.4 Usage of the Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.5 Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.1 Image initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.2 Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.1 Overview of Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.3 Experiment 1 : Finding the good Filter . . . . . . . . . . . . . . . . 38
4.4.4 Experiment 2 : Finding the good Algorithm . . . . . . . . . . . . . 42
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 |
| Côte titre : |
MAI/0903
|
Medical Image Segmentation [texte imprimé] / Maya Assil Bestal, Auteur ; Youssra Benterki ; Kara-Mohamed ,Chafia, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (53 f .) ; 29 cm. Langues : Anglais ( eng)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Informatique |
| Index. décimale : |
004 - Informatique |
| Résumé : |
Medical image segmentation is essential for tracking illness progression and treatment
effectiveness, as well as for accurate diagnosis, therapy planning, and monitoring.
Using automated approaches such as Otsu’s method for threshold selection, the threshold
methodology divides picture pixels into foreground and background through image preprocessing,
threshold selection, segmentation, and post-processing. Otsu method is an
exact one that performs a brute search to the set of optimal tresholds. This process is
time consuming. In the aim to optimize this process, we have used in our project two
bio-inspired algorithms : Genetic and Crayfish algorithms. Through strategies including
crossover, mutation, and replacement, genetic algorithms are essential to optimization
and effective problem-solving. In addition, the crayfish algorithm helps with intricate
problem-solving and optimization procedures. Results obtained show the effectiveness of
the optimization process based on GA . |
| Note de contenu : |
Sommaire
List of Figures i
List of Tables i
List of algorithms 1
General Introduction 1
1 Segmentation in Medical Images 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Monochromatic image . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Gray Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.3 pseudo-color image . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Types of Medical images . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Segmentation Methods . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Thresholding approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5.1 Image Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Threshold Selection . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.3 Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.4 Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.5 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Thresholding Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6.1 Adaptative thresholding : . . . . . . . . . . . . . . . . . . . . . . . 6
1.6.2 Multi-level thresholding : . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.3 Global Thresholding : . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Multi-otsu thresholding Method . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7.3 Multi-Otsu Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 State of the art and related works 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Medical image segmentation importance . . . . . . . . . . . . . . . . . . . 11
2.2.1 Precise Diagnosis : . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2 Treatment Planning and Monitoring : . . . . . . . . . . . . . . . . . 11
2.2.3 Image-Guided Interventions : . . . . . . . . . . . . . . . . . . . . . 11
2.2.4 Quantitative Analysis : . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.5 Research and Development : . . . . . . . . . . . . . . . . . . . . . . 12
2.2.6 Personalized Medicine : . . . . . . . . . . . . . . . . . . . . . . 12
2.3 the challenges and complexities in medical image segmentation . . . . . . . 12
2.3.1 Anatomical Variability : . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Pathological Variations : . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Noise and Artifacts : . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.4 Limited Training Data : . . . . . . . . . . . . . . . . . . . . . . 13
2.3.5 Computational Complexity : . . . . . . . . . . . . . . . . . . . . . . 13
2.3.6 Real-Time Requirements : . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.7 Validation and Generalization : . . . . . . . . . . . . . . . . . . . . 13
2.4 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Related works summarized . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Optimization for thresholding 18
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Optimization for thresholding . . . . . . . . . . . . . . . . . . . . . 18
3.2.3 Optimization techniques . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Nature-Inspired Optimization . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3.1 The Need for Nature-Inspired Optimization Algorithms . . . . . . . 20
3.3.2 Applications of NIOA . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.3 Nature-Inspired Optimization Algorithms . . . . . . . . . . . . . . . 21
3.4 Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.2 Genetic algorithm basics and operations . . . . . . . . . . . . . . . 22
3.4.3 Implications for genetic algorithms . . . . . . . . . . . . . . . . . . 26
3.4.4 Basic Genetic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Swarm Intelligence Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.2 SIOA Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5.3 Crayfish Optimization Algorithm . . . . . . . . . . . . . . . . . . . 28
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4 Methodology and results 33
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 The Dataset used . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Overview of the Project . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.3 Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.4 Usage of the Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.5 Tumor Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.1 Image initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3.2 Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.1 Overview of Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.3 Experiment 1 : Finding the good Filter . . . . . . . . . . . . . . . . 38
4.4.4 Experiment 2 : Finding the good Algorithm . . . . . . . . . . . . . 42
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 |
| Côte titre : |
MAI/0903
|
|
Ajouter le résultat dans votre panier Affiner la recherche
