Deep Learning Based Methods for Biomedical Image Segmentation: A Review-Reference-Cited by-同舟云学术

Deep Learning Based Methods for Biomedical Image Segmentation: A Review

Published:2023-06-10 Issue:1 Volume:12 Page:161-187
ISSN:2146-4693
Container-title:Dicle Üniversitesi Fen Bilimleri Enstitüsü Dergisi
language:
Short-container-title:

Author:

ŞENTÜRK Tuğba¹^ORCID,LATİFOĞLU Fatma²^ORCID

Affiliation:

1. İNÖNÜ ÜNİVERSİTESİ

2. ERCİYES ÜNİVERSİTESİ

Abstract

Tıbbi görüntüleme alanında derin öğrenme modeli, mevcut yöntemlere kıyasla zaman ve performans açısından daha fazla katkıda bulunan bir modeldir. Görüntülerin otomatik olarak bölütlenmesini veya sınıflandırılmasını kapsar. Mevcut yöntemler ile tek katmanlı görüntüler üzerinden işlem yapılırken, derin öğrenme modeli ile çok katmanlı görüntüler üzerinden çalışma performansı daha yüksek ve daha kesin sonuçlar elde edilebilir. Son zamanlardaki gelişmeler, bu yaklaşımların tıbbi görüntülerdeki örüntülerin tanımlanması ve nicelendirilmesinde oldukça etkili olduğunu göstermektedir. Bu ilerlemelerin en önemli nedeni, derin öğrenme yaklaşımlarının doğrudan görüntülerden hiyerarşik özellik temsilleri elde etme yeteneğidir. Bu nedenle, derin öğrenme yöntemlerinin tıbbi görüntü işleme ve bölütleme alanındaki uygulamaları hızla en son teknolojiye dönüşmektedir ve klinik uygulamalarda performans iyileştirmeleri sağlamaktadır. Bu makalede, derin öğrenme yaklaşımlarının biyomedikal görüntülerin bölütlenmesi için uygulamaları, yöntemleri ve içerikleri genel bir bakış açısıyla incelenmiştir.

Publisher

Dicle University

Reference140 articles.

1. A. Maier, C. Syben, T. Lasser and C. Riess, “A gentle introduction to deep learning in medical image processing,” Elsevier Z. für M. Physik, vol. 29, no. 2, pp. 86-101, 2019, doi: 10.1016/j.zemedi.2018.12.003.

2. M. Sharif, S. Mohsin and M. J. Jamal, “Illumination normalization preprocessing for face recognition,” 2010 The 2nd Conference on Environmental Science and Information Application Technology, Wuhan, China, July 17-18, 2010.

3. S. Aja-Fernández, A. H. Curiale, and G. Vegas-Sánchez-Ferrero, “A local fuzzy thresholding methodology for multiregion image segmentation,” Knowl Based Syst, vol. 83, no. 1, pp. 1–12, 2015, doi: 10.1016/J.KNOSYS.2015.02.029.

4. P. P. Vijay and N. C. Patil, “Gray scale image segmentation using OTSU Thresholding optimal approach,” Journal for Research, vol. 2, no. 5, pp. 2395-7549, 2016.

5. S. S. Al-amri, N. V. Kalyankar, and S. D. Khamitkar, “Image Segmentation by Using Threshold Techniques,” Lahore Garrison University Research Journal of Computer Science and Information Technology, vol. 2, no. 2, pp. 83-86, 2010, doi: 10.48550/arxiv.1005.4020.

Cited by 1 articles. 订阅此论文施引文献订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献

1. Comparative Analysis of Baseline Vnet and Unet Architectures on Pancreas Segmentation;Orclever Proceedings of Research and Development;2023-12-31