[论文解读] An Automatic Seeded Region Growing for 2D Biomedical Image Segmentation

Mohammed M. Abdelsamea|arXiv (Cornell University)|Dec 12, 2014

Medical Image Segmentation Techniques参考文献 7被引用 18

一句话总结

本文提出了一种用于2D生物医学图像分割的自动种子区域生长算法，通过最小化过度分割和分割不足，提升了细胞图像分析的性能。该方法结合感兴趣区域（ROI）提取、基于机器学习的自动种子选择以及迭代区域扩展，生成了准确且低噪声的分割结果，优于现有方法。

ABSTRACT

In this paper, an automatic seeded region growing algorithm is proposed for cellular image segmentation. First, the regions of interest (ROIs) extracted from the preprocessed image. Second, the initial seeds are automatically selected based on ROIs extracted from the image. Third, the most reprehensive seeds are selected using a machine learning algorithm. Finally, the cellular image is segmented into regions where each region corresponds to a seed. The aim of the proposed is to automatically extract the Region of Interests (ROI) from the cellular images in terms of overcoming the explosion, under segmentation and over segmentation problems. Experimental results show that the proposed algorithm can improve the segmented image and the segmented results are less noisy as compared to some existing algorithms.

研究动机与目标

• 解决细胞图像分割中的过度分割和分割不足问题。
• 自动化2D生物医学图像区域生长算法中的种子选择过程。
• 提高细胞图像分析的分割精度并减少噪声。
• 开发一种无需人工干预进行种子放置的稳健、全自动方法。
• 与现有区域生长和分割技术相比，提升分割结果。

提出的方法

• 该方法首先对输入图像进行预处理，以提升图像质量并为感兴趣区域（ROI）检测做准备。
• 利用图像处理技术从预处理后的图像中提取ROI，以识别候选区域。
• 基于提取的ROI自动选择初始种子，以确保其与细胞结构的相关性。
• 采用机器学习算法从初始种子集合中选择最具代表性的种子，以提高分割保真度。
• 区域生长从选定的种子开始，基于灰度相似性和空间连通性进行迭代扩展。
• 该算法确保每个分割区域仅对应一个种子，从而最小化碎片化和合并错误。

实验结果

研究问题

• RQ1 自动种子选择能否提升2D生物医学图像的分割精度？
• RQ2 基于机器学习的种子选择在区域生长中如何减少过度分割和分割不足？
• RQ3 与现有算法相比，所提出方法在分割细胞图像中减少噪声的程度如何？
• RQ4 该算法能否在无需人工种子输入的情况下实现一致的分割？
• RQ5 基于ROI的种子初始化对分割性能有何影响？

主要发现

• 与现有区域生长方法相比，所提出的算法显著减少了分割图像中的噪声。
• 分割结果表现出更高的精度，具有更少的伪影，并更好地保留了细胞边界。
• 利用机器学习进行种子选择增强了初始种子的代表性，从而实现了更可靠的区域扩展。
• 该方法有效缓解了传统区域生长中常见的过度分割和分割不足问题。
• 实验结果表明，该算法产生的分割结果比基线方法更一致且视觉上更准确。
• 该算法完全自动化，消除了生物医学图像分析中手动放置种子的需求。