Medisinsk bildesegmentering ved bruk av klassiske metoder

Medisinsk bildesegmentering er viktig for forskjellige bruksområder innen det medisinske feltet, for eksempel kvantifisering av hjernevolum, lokalisering av forskjellige patologier, studier av anatomisk struktur av forskjellige deler av kroppen, og datastøttet diagnose og behandling. Dyp læringsmetoder oppnår høy nøyaktighet sammenlignet med de klassiske metodene, men klassiske bildesegmenteringsmetoder er fortsatt relevante ettersom noen segmenteringsproblemer ikke nødvendigvis trenger dyp læringsmetoder.

I denne studien utviklet vi enkle metoder for segmentering av medisinske bilder som er enkle å forstå og med nøyaktighet nær ytelsen til de nyeste metodene. Resultatene er presentert i tre artikler hvor metodene er utviklet fra klassiske ideer. Mer spesifikt bruker vi konsepter for terskel- og minimalt utspennende tre hvor metodene forventes å segmentere de medisinske bildene med nøyaktighet som kan sammenlignes med nøyaktigheten til de moderne metodene. Dette blir presentert i konklusjonen i hver av de tre forskningsartiklene, hvor resultatene vi oppnår sammenlignes med moderne metoder og vi viser at de utviklede metodene effektivt segmenterer de medisinske bildene.

Personalia

Simeon Mayala fikk sin bachelorgrad “Bachelor of Science in Mathematics” ved Universitetet i Dodoma (UDOM), Tanzania. Han fikk sin mastergrad “Master of Science in Mathematical Sciences” fra det afrikanske instituttet for matematisk vitenskap (AIMS). I tillegg har han mastergrad innen matematisk modellering fra Universitetet i Dar es Salaam (UDSM), Tanzania. Han jobber nå som biomedisinsk ingeniør på universitetet i Muhimbili innen helse- og medisinske vitenskaper (MUHAS).