بخش‌بندي خودكار ماهيچه‌هاي مقطع ران با استفاده از روش چند-اطلس سلسله مراتبي و الگوريتم FRFCM در تصاوير سي‌تي‌اسكن

Automated Thigh Muscles Segmentation using Hierarchical Multi-Atlas and FRFCM Methods in CT Scan Images

كمي‌سازي و مدل‌سازي ماهيچه‌هاي اسكلتي مي‌تواند به بررسي بيماري‌هاي مربوط به ماهيچه، مشكلات حركتي خاص و شبيه‌سازي هاي موردنياز براي انجام جراحي‌هاي مربوطه كمك نمايد. بدين منظور نياز به بخش‌بندي ماهيچه‌ها در تصاوير پزشكي است. با توجه به اهميت ماهيچه‌هاي مقطع ران در حفظ تعادل بدن و راه رفتن، در اين پژوهش، بخش‌بندي اين ماهيچه‌ها در تصاوير سي‌تي‌اسكن انجام گرفته است. بدين منظور، از روش چند-اطلس استفاده شده است كه بهبود يافته روش چند اطلس سلسله مراتبي در مطالعه گذشته است. در اين روش پس از پيش‌پردازش تصوير، ناحيه مربوط به ماهيچه از ساير بافت‌ها با استفاده از روش FRFCM به صورت اتوماتيك استخراج شده است. از ماسك باينري ماهيچه و ماسك ماهيچه بهبوديافته در روش چنداطلس به منظور بخش‌بندي مجزاي ماهيچه‌ها استفاده شده است. روش پيشنهادي با استفاده از 20 سري داده سي‌تي‌اسكن شامل 12 نمونه زن و 8 نمونه مرد پياده‌سازي شده است. اين روش در مقايسه با روش چنداطلس سلسله مراتبي هزينه محاسباتي بسيار كمتري دارد. به طور ميانگين، زمان مورد نياز براي بخش‌بندي ماهيچه‌ها با استفاده از روش پيشنهادي 24 ثانيه و در روش چند اطلس سلسله مراتبي 71 ثانيه براي يك اسلايس هر نمونه بوده است. بنابراين، روش پيشنهادي زمان پياده‌سازي را تقريبا تا يك-سوم روش قبل كاهش داده است. ميانگين ضريب شباهت دايس براي روش پيشنهادي با ماسك ماهيچه بهبوديافته و روش چند-اطلس سلسله مراتبي به ترتيب برابر با 7/69 ±86/58 و 8/26 ±83/07 است. ميانگين دقت و حساسيت براي روش پيشنهادي برابر با 9/6± 89/78 و 9/25 ±84/63 و براي روش چنداطلس سلسله مراتبي برابر با 12/04 ±88/85 و 10/88± 78/04 بوده است. بنابراين، اين روش نتايج كمي بهتري نسبت به روش پيشين براساس معيارهاي ضريب شباهت دايس، دقت و حساسيت داشته است.

Quantifying and modeling of the skeletal muscles can lead to an easier investigation of muscle diseases, specific mobility problems, and required simulations for the relevant surgeries. To this end, medical images should be segmented, firstly. In this research, thigh muscles segmentation is performed in CT images, since these muscles play a critical role in walking and balancing the body. To this aim, a multi-atlas method is used which is an improvement of the hierarchical multi-atlas method in the previous work. In this method, the muscles region is extracted automatically from the other tissues using FRFCM (Fast and Robust Fuzzy C-Means Clustering) method after the preprocessing stage. This muscle binary mask and the improved mask are used in the multi-atlas method for individual muscle segmentation. The proposed method is implemented using 20 CT data sets consisting of 12 female and 8 male subjects. The results show a less consumed computational time than the hierarchical multi-atlas method. The average computational time required for the muscles segmentation using the proposed method is 24 seconds and for the hierarchical multi-atlas method is 71 seconds per one slice of each case. Therefore, the proposed method reduces the implementation time by a rough factor of three. The means of the Dice similarity coefficient for the proposed method with improved muscle mask and for the hierarchical multi-atlas method are 86.58±7.69 and 83.07±8.26, respectively. The means of the precision and sensitivity for our method are 89.78±9.6 and 84.63±9.25, and for the hierarchical multi-atlas method are 88.85±12.04 and 78.04±10.88. Consequently, this method has better results based on the Dice similarity coefficient, precision, and sensitivity metrics.