Adaptive kernelized evidential clustering for automatic 3D tumor segmentation in FDG–PET images

Automatically and reliably delineating tumor contours in noisy and blurring PET images is a challenging work in clinical oncology. In this paper, we introduce a specific unsupervised learning method to this end. More specifically, a robust clustering algorithm with spatial knowledge enhancement is d...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Multimedia systems Ročník 25; číslo 2; s. 127 - 133
Hlavní autoři:	Wang, Fan, Lian, Chunfeng, Vera, Pierre, Ruan, Su
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Berlin/Heidelberg Springer Berlin Heidelberg 01.04.2019 Springer Nature B.V Springer Verlag
Témata:	Algorithms Blurring Clustering Computer Communication Networks Computer Graphics Computer Science Cryptology Data Storage Representation Feature extraction Health risk assessment Image segmentation Life Sciences Machine learning Operating Systems Positron emission Special Issue Paper Tomography Tumors Automatic tumor segmentation Adaptive kernel metric Theory of belief functions Unsupervised learning PET images, 3D PET images 3D
ISSN:	0942-4962, 1432-1882
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!