ABSTRACT
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 2.2 Domain knowledge in medical image segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 2.3 Integration of domain knowledge into level set segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.3.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 2.3.1.1 Noise reduction and boundary enhancement . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 2.3.1.2 Defining initial level sets. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 2.3.1.3 Finding initial regions of interest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 2.3.1.4 Using atlases and shape models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 2.3.1.5 Concluding remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3.2 Integration of domain knowledge into the level set equation . . . . . . . . . . . . . . . . . . . 61 2.3.2.1 Avoiding reinitialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 2.3.2.2 Inclusion of noise models. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 2.3.2.3 Accounting for intensity variations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 2.3.2.4 Accounting for nonhomogeneous background . . . . . . . . . . . . . . . . . . . . . . . . . 65 2.3.2.5 Integrating shape and appearance information . . . . . . . . . . . . . . . . . . . . . . . . . 66 2.3.2.6 Integrating relative and absolute localization information . . . . . . . . . . . . 69 2.3.2.7 Concluding remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.3.3 Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 2.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Abstract
The level set framework is a very variable concept for specifying an optimal function for some purpose and one of the ways to arrive at this function given an initialization. If used for segmentation, the function assigns a label to each pixel or voxel. Optimality is defined based on desired segmentation properties. In medical images, segmentation often includes a detection step to extract some specific object via segmentation. This requires segmentation criteria that account for unique attributes of the object to be extracted (such as a
characteristic shape), generic attributes (such as smooth boundaries), and potentially also attributes that allow to suppress influences from artifacts.
