Automatic Prostate Segmentation in Ultrasound Images using GVF Active Contour

Prostate cancer is one of the leading causes of death by cancer among men in the world. Ultrasonography is said to be the safest technique in medical imaging so it is used extensively in prostate cancer detection. In the other hand determining of prostate’s boundary in TRUS (Transrectal Ultrasound) images is very necessary in lots of  treatment methods prostate cancer. So first and essential step for computer aided diagnosis (CAD) is the automatic prostate segmentation that is an open problem still. But the low SNR,  presence of strong speckle noise, Weakness edges and shadow artifacts in these kind of images limit the effectiveness of classical segmentation schemes. The classical segmentation methods fail completely or require post processing step to remove invalid object boundaries in the segmentation results. This paper has proposed a fully automatic algorithm for prostate segmentation in TRUS images that overcomes the explained problems completely. The presented algorithm  contains  three main stages. First morphological smoothing and sticks filter are used for noise removing. A neural network is employed in second step to find a point in prostate region. Finally in the last step, the prostate boundaries is extracted by GVF active contour. Some experiments for the performance validity of the presented method, compare the extracted prostate by the proposed algorithm with manually-delineated boundaries by radiologist. The results show that our method extracts prostate boundaries with mean square area error lower than ۴.۴%. التقسیم الی شرائح البروستاتا التلقائی فی صور الموجات فوق الصوتیه باستخدام GVF محیط ACTIVEسرطان البروستات هو واحد من الاسباب الرئیسیه للوفاه من السرطان بین الرجال فی العالم. وقال الموجات فوق الصوتیه لیکون الاکثر امانا التقنیه فی التصویر الطبی حتی یتم استخدامه علی نطاق واسع فی الکشف عن سرطان البروستاتا. فی جهه اخری تحدید من حدود البروستاتا فی TRUS (عبر المستقیم الموجات فوق الصوتیه) صور ضروری جدا فی الکثیر من علاج سرطان البروستاتا طرق. خطوه حتی الاولی والاساسیه لتشخیص بمساعده الکمبیوتر (CAD) هو تجزئه البروستاتا التلقائیه التی هی مشکله مفتوحه حتی الآن. لکن انخفاض SNR، وجود الضوضاء البقع قوی، حواف ضعف والتحف الظل فی هذا النوع من الصور تحد من فعالیه مخططات تجزئه الکلاسیکیه. طرق تجزئه الکلاسیکیه فشلت تماما او تتطلب بعد خطوه من خطوات التجهیز لازاله الحدود کائن غیر صالح فی نتائج تجزئه. وقد اقترحت هذه الورقه خوارزمیه التلقائی بالکامل للتجزئه البروستاتا فی الصور TRUS ان یتغلب علی المشاکل اوضح تماما. الخوارزمیه المقدمه تحتوی علی ثلاثه مراحل رئیسیه. وتستخدم تجانس الصرفی الاول، ومرشح العصی لازاله الضوضاء. واستخدمت شبکه عصبیه فی الخطوه الثانیه لایجاد نقطه فی منطقه البروستاتا. واخیرا فی الخطوه الاخیره، یتم استخراج حدود البروستاتا بنسبه GVF کفاف نشط. بعض التجارب لصحه اداء الطریقه المعروضه، مقارنه البروستاتا المستخرجه من الخوارزمیه المقترحه مع الحدود المرسومه یدویا من قبل طبیب الاشعه. واظهرت النتائج ان اسلوبنا مقتطفات حدود البروستاتا مع الخطا مساحه مربعه یعنی اقل من ۴.۴٪.自动分割前列腺的超声影像使用GVF主动轮廓线巴赫拉姆，艾哈迈德萨利米抽象前列腺癌是死亡的男性世界中的主要原因癌症之一。超声被说成是在医学成像的最安全的技术，以便它在前列腺癌的检测被广泛使用。在另一方面确定TRUS（经直肠超声）图像前列腺边界是很多治疗方法前列腺癌十分必要的。计算机辅助诊断（CAD），因此第一和关键的一步是自动前列腺分割是一个开放的问题依然。但是，低信噪比，强斑点噪声，虚弱的边缘，并在这类图像的阴影瑕疵存在限制古典分割计划的成效。经典的分割方法完全失败，或需要后处理步骤，以除去在分割结果无效的对象的边界。本文提出了在完全克服了解释问题TRUS图像分割前列腺全自动算法。该算法包括三个主要阶段。第一形态的平滑和棍子过滤器用于噪声消除。神经网络采用在第二步骤中找到的前列腺区域的一个点。最后，在最后的步骤中，前列腺的边界由GVF活动轮廓萃取。一些实验用于该方法的有效性表现，通过该算法与放射科医生手动划定边界比较提取前列腺。结果表明，我们的方法提取前列腺边界与均方误差面积比۴.۴％低。

کلیدواژه ها:

prostate segmentation ، en ، stick filter ، Neural network ، Active Contour