在二维和三维图像中对低对比度对象进行细分的规范化水平集模型
Mirza M Junaid Baig1,2, Yao L Wang2, Samuel H Chung2
1Department of Physics, Northeastern University, 360 Huntington Ave., Boston, MA, USA 02115.
bioRxiv : the preprint server for biology
|January 31, 2024
概括
这项研究引入了一种新的算法,以改善生物医学图像细分,特别是对于低对比度结构. 该方法提高了细分微弱物体的准确性,通常是传统技术错过的.
科学领域:
- 生物医学成像学 生物医学成像学
- 图像分析 图像分析
- 计算生物学是一种计算生物学.
背景情况:
- 生物医学图像的准确细分对于分析至关重要.
- 传统的方法与低强度结构和噪音作斗争.
- 机器学习需要广泛的标记数据集,这些数据集很难获得.
研究的目的:
- 开发一种改进的算法来对生物医学图像中低对比度结构进行细分.
- 克服传统和机器学习细分技术的局限性.
主要方法:
- 基于本地二进制拟合 (LBF) 级别集方法的算法.
- 专门设计用于增强低对比度特征的细分.
主要成果:
- 拟议的算法改善了低强度对象的细分.
- 解决了传统方法中常见的细分不足和错过的结构.
结论:
- 基于LBF的算法为具有挑战性的生物医学图像细分任务提供了有希望的解决方案.
- 提高对低对比度结构图像分析的可靠性.


