Prostate segmentation in CT data using active shape model built by HoG and non-rigid Iterative Closest Point registration
PBN-AR
Instytucja
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej (Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie)
Książka
Tytuł książki
IST 2015 [Dokument elektroniczny]. IEEE international conference on Imaging Systems and Techniques : September 16–18, 2015, Macau, China : proceedings
Data publikacji
2015
ISBN
978-1-4799-8633-0
Wydawca
IEEE
Publikacja
Główny język publikacji
EN
Tytuł rozdziału
Prostate segmentation in CT data using active shape model built by HoG and non-rigid Iterative Closest Point registration
Rok publikacji
2015
Strony (od-do)
116--120
Numer rozdziału
Link do pełnego tekstu
Identyfikator DOI
Liczba arkuszy
0.35
Hasło encyklopedyczne
Autorzy
(liczba autorów: 5)
Pozostali autorzy
+ 4
Autorzy przekładu
(liczba autorów przekładu: 0)
Słowa kluczowe
EN
computed tomography
feature extraction
image registration
biomedical image segmentation
Active Shape Model
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 2015
Nazwa konferencji
IEEE international conference on Imaging Systems \& Techniques
Początek konferencji
2015-09-16
Koniec konferencji
2015-09-18
Lokalizacja konferencji
Macau
Kraj konferencji
CN
Lista innych baz czasopism i abstraktów w których była indeksowana
Streszczenia
Język
EN
Treść
In the paper a new method for prostate segmentation in computed tomography (CT) data is proposed. In the proposed approach, first, corresponding points of training data sets are found using point clouds generation by Marching Cubes algorithm and non-rigid Iterative Closest Points registration. After that, having the corresponding points available, the statistical model of the prostate is built by the Active Shape Model (ASM). As a feature vector histogram of image gradient (HoG) is utilized. Finally, the ASM is used once more for the target prostate segmentation: the statistical prostate model is fitted to the CT data. Efficiency of the proposed segmentation algorithm is validated using the Dice coefficient reaching the value 0.807 with standard deviation 0.045. The method can cope with data anisotropy.
Cechy publikacji
chapter-in-a-book
peer-reviewed
Inne
System-identifier
idp:093627
CrossrefMetadata from Crossref logo
Cytowania
Liczba prac cytujących tę pracę
Brak danych
Referencje
Liczba prac cytowanych przez tę pracę
Brak danych