Segmentation of scanned tissue volumes of three-dimensional (3D) computed tomography (CT) images often involves—at least partially—some manual process, as there is no standardized automatic method. There is a need to develop fully automatic approaches, not only to improve the objectivity of the task, but also to increase the overall speed of the segmentation process. Here we extend a 3D local binary patterns (LBP) based trabecular bone segmentation method with adaptive local thresholding and additional segmentation parameters to make it more robust yet still perform adequately when compared to traditional user-assisted segmentation. We estimate parameters for the new automated adaptive multiscale LBP-based 3D segmentation method (AMLM) in our experimental setting, and have two micro-CT (μCT) scanned bovine trabecular bone tissue volumes segmented by both the AMLM and two experienced users. Comparison of the results shows superior performance of the AMLM suggesting the strong potential for this solution to perform automatic bone segmentation. / Skannattujen kudosrakenteiden segmentointi kolmiulotteisista (3D) tomografiakuvista tehdään usein ainakin osittain manuaalisesti, sillä standardoitua automaattista menetelmää ei ole. Täysin automatisoitujen lähestymistapojen kehitys on tarpeen, sillä se parantaisi sekä segmentoinnin objektiivisuutta että sen kokonaisnopeutta. Tässä työssä laajennamme automatisoitua local binary patterns (LBP) -perustaista trabekulaarisen luun 3D-segmentointimenetelmää adaptiivisella paikallisella kynnystyksellä ja segmentoinnin lisäparametreilla tavoitteenamme vahvistaa menetelmää mutta säilyttää silti riittävä suorituskyky verrattuna perinteiseen käyttäjäavusteiseen segmentointiin. Arvioimme koejärjestelyssämme parametrit uudelle automatisoidulle adaptiiviselle moniasteikkoiselle LBP-pohjaiselle 3Dsegmentointimenetelmälle (AMLM), ja teetämme sekä AMLM:n avulla että kahden kokeneen käyttäjän toimesta binäärisegmentoinnit kahdelle mikrotietokonetomografialla (μTT) tuotetulle kuvalle naudan trabekulaarisesta luukudoksesta. Tulosten vertailu osoittaa AMLM:n suorituskyvyltään selkeästi paremmaksi, mikä antaa vahvan viitteen tämän menetelmän soveltuvuudesta automatisoituun luusegmentointiin.
| Identifer | oai:union.ndltd.org:oulo.fi/oai:oulu.fi:nbnfioulu-201802101221 |
| Date | 13 February 2018 |
| Creators | Kaipala, J. (Jukka) |
| Publisher | University of Oulu |
| Source Sets | University of Oulu |
| Language | English |
| Detected Language | Finnish |
| Type | info:eu-repo/semantics/masterThesis, info:eu-repo/semantics/publishedVersion |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess, © Jukka Kaipala, 2018 |
Page generated in 0.0015 seconds