Kidney tumor segmentation and detection on computed tomography data
PBN-AR
Instytucja
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej (Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie)
Książka
Tytuł książki
IST 2016. 2016 IEEE international conference on Imaging Systems \& Techniques : October 4–6, 2016, Chania, Crete Island, Greece : proceedings
Data publikacji
2016
ISBN
978-1-5090-1817-8
Wydawca
IEEE
Publikacja
Główny język publikacji
EN
Tytuł rozdziału
Kidney tumor segmentation and detection on computed tomography data
Rok publikacji
2016
Strony (od-do)
238--242
Numer rozdziału
Link do pełnego tekstu
Identyfikator DOI
Liczba arkuszy
0.4
Hasło encyklopedyczne
Autorzy
(liczba autorów: 3)
Pozostali autorzy
+ 2
Autorzy przekładu
(liczba autorów przekładu: 0)
Słowa kluczowe
EN
tumor
computed tomography
classification
segmentation
cancer
level sets
kidney
feature
Konferencja
Indeksowana w Scopus
tak
Indeksowana w Web of Science Core Collection
tak
Liczba cytowań z Web of Science Core Collection
Nazwa konferencji (skrócona)
IST 2016
Nazwa konferencji
2016 IEEE international conference on Imaging Systems & Techniques
Początek konferencji
2016-10-04
Koniec konferencji
2016-10-06
Lokalizacja konferencji
Chania
Kraj konferencji
GR
Lista innych baz czasopism i abstraktów w których była indeksowana
Streszczenia
Język
EN
Treść
In this paper, a novel kidney segmentation method for Computed Tomography patient data with kidney cancer is proposed. The segmentation process is based on Hybrid Level Set method with elliptical shape constraints. Using segmentation results, a fully automated technique of kidney region classification is introduced. Identification of the kidney, tumor and vascular tree is based on RUSBoost and the decision trees technique. This approach enables to resolve main problems connected with region classification: class imbalance and the number of voxels to classify. The classification is based on 64-element feature vectors calculated for the kidney region that consist of 3D edge, region, orientation and spatial neighborhood information. The proposed methodology was evaluated on clinical kidney cancer CT data set. Segmentation effectiveness in Dice coefficient meaning was equal to 0.85 +/- 0.04. Overall accuracy of the proposed classification model amounts to 92.1%. Presented results confirm usefulness of the proposed solution. We believe that this is the first solution which allows to segment (divide) kidney region into separable compartments, i.e. kidney, tumor and vascular tree.
Cechy publikacji
chapter-in-a-book
peer-reviewed
Inne
System-identifier
idp:101820
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych