Tomografi berkomputer (CT) selalunya diguna sebagai modaliti pengimejan perubatan bagi hati. Peruasan imej hati adalah penting kerana ia merupakan awalan bagi diagnosis hati. Peruasan manual dapat memberi keputusan yang baik berdasarkan kemahiran pakar radiologi tetapi prosesnya membosankan dan memakan masa disebabkan oleh bilangan imej yang dihasilkan pengimbas CT asdalah besar. Ramai penyelidik cuba membangunkan dan mencadangkan cara peruasan imej hati yang boleh dikelaskan kepada peruasan secara automatik dan separuh automatik. Kedua-dua cara ini dapat mempercepatkan masa peruasan. Kontras yang rendah pada sempadan hati dengan organ-organ berjiranan, kepelbagaian yang tinggi bagi bentuk-bentuk hati, kemunculan hingar dalam gambar dan kemunculan patologi hati akan menjejaskan ketepatan peruasan imej hati dan menyebabkan peruasan imej hati amat mencabar. Oleh itu, kaedah peruasan automatik telah dicadangkan dan dibina dalam projek ini untuk menambah baik ketepatan peruasan hati dan masa yang diperlukan untuk peruasan hati. Algoritma yang dicadangkan boleh dibahagikan kepada dua bahagian. Bahagian pertama adalah membangunkan atlas kebarangkalian. Atlas kebarangkalian memberi tahu keberangkalian sesuatu voxel adalah hati atau tidak dan memberi panduan dalam peruasan hati. Atlas kebarangkalian lokasi serta keamatan akan dibina dengan 20 dataset yang didapati dari SLIVER07. Atlas yang dibina akan menjadi pembimbing dalam peruasan. Bahagian kedua adalah memperuaskan imej hati dengan mengunakan atlas kebarangkalian yang telah dibina. Imej hati yang telah diperuaskan akan diperhaluskan dengan menggunakan morfologi tutup dan ditapis dengan penapis median 3D. Algoritma yang telah dicadangkan kemudiannya diuji dengan 19 dataset yang diguna untuk membina atlas sebab dataset asas sebenar diperlukan dalam penilaian. Prestasi algoritma tersebut dinilai dengan VOE, RVD dan DSC. Keputusan peruasan hati secara purata bagi VOE adalah 26.50%, RVD 15.09% dan DSC 0.8421. Masa diambil untuk peruasan adalah 366s secara purata. Keputusan peruasan ini adalah berdaya saing. Namun, penambahbaikan masih boleh dibuat.
_______________________________________________________________________________________________________
Computer tomography (CT) is usually used as the medical imaging modality for liver. Liver segmentation is important as it is preliminary for liver diagnosis. Manual segmentation can provide good result based on the skill of radiologist but the process is tedious and time-consuming due to large number of slides produced by the CT scanner. Many researchers try to develop and proposed various liver segmentation methods which can be classified into automatic and semi-automatic segmentation. Both methods are able to speed up the segmentation time. The low contrast of liver boundary with neighbouring organs, high shape variability of liver, presence of noise in image and presence of various liver pathologies make liver segmentation very challenging. Despite that, automatic segmentation is still the more desirable method to be use due to its efficiency and convenience. Therefore, an automated liver segmentation algorithm is proposed and developed in this project to improve the accuracy and time required for liver segmentation. The proposed algorithm can be divided into two parts. The first part is to build the probabilistic atlas. Probabilistic atlas provides the probability for a voxel to be a liver and act as a guide for segmentation. Both the location based and intensity based probabilistic atlas are built from the 20 datasets obtained from SLIVER07. The atlases act like a guide for segmentation. The second part is to use the probabilistic atlas built to segment the liver. The segmented liver will be refined by the probabilistic atlases itself and then further refine by morphological closing and 3D median filter. The proposed algorithm is then tested by the 19 datasets that are used to train the atlases as the ground truth datasets are required for evaluation. The evaluation on the performance is based on volumetric overlap error (VOE), relative volume difference (RVD) and dice similarity coefficient (DSC). The proposed algorithm provided mean VOE of 26.50%, mean RVD of 15.09% and mean DSC of 0.8421. The time required for segmentation is 366s. The segmentation results from the algorithm developed are competitive. However, improvements still can be made.
Development of automatic liver segmentation method for three- dimensional computed tomography dataset / Chew Chin Boon