Published January 8, 2021 | Version v1
Publication Open

Automatic clustering method to segment COVID-19 CT images

Creators

  • 1. Huazhong University of Science and Technology
  • 2. Zagazig University
  • 3. State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing
  • 4. Wuhan University
  • 5. Suez University
  • 6. Damietta University

Description

Coronavirus pandemic (COVID-19) has infected more than ten million persons worldwide. Therefore, researchers are trying to address various aspects that may help in diagnosis this pneumonia. Image segmentation is a necessary pr-processing step that implemented in image analysis and classification applications. Therefore, in this study, our goal is to present an efficient image segmentation method for COVID-19 Computed Tomography (CT) images. The proposed image segmentation method depends on improving the density peaks clustering (DPC) using generalized extreme value (GEV) distribution. The DPC is faster than other clustering methods, and it provides more stable results. However, it is difficult to determine the optimal number of clustering centers automatically without visualization. So, GEV is used to determine the suitable threshold value to find the optimal number of clustering centers that lead to improving the segmentation process. The proposed model is applied for a set of twelve COVID-19 CT images. Also, it was compared with traditional k-means and DPC algorithms, and it has better performance using several measures, such as PSNR, SSIM, and Entropy.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

أصابت جائحة فيروس كورونا (COVID -19) أكثر من عشرة ملايين شخص في جميع أنحاء العالم. لذلك، يحاول الباحثون معالجة مختلف الجوانب التي قد تساعد في تشخيص هذا الالتهاب الرئوي. تجزئة الصور هي خطوة ضرورية للمعالجة المسبقة التي يتم تنفيذها في تطبيقات تحليل الصور وتصنيفها. لذلك، في هذه الدراسة، هدفنا هو تقديم طريقة فعالة لتجزئة الصور لصور التصوير المقطعي المحوسب لـ COVID -19 (CT). تعتمد طريقة تجزئة الصورة المقترحة على تحسين تجميع قمم الكثافة (DPC) باستخدام توزيع القيمة القصوى المعممة (GEV). يعد DPC أسرع من طرق التجميع الأخرى، ويوفر نتائج أكثر استقرارًا. ومع ذلك، من الصعب تحديد العدد الأمثل لمراكز التجميع العنقودي تلقائيًا دون تصور. لذلك، يتم استخدام GEV لتحديد قيمة العتبة المناسبة للعثور على العدد الأمثل لمراكز التجميع العنقودي التي تؤدي إلى تحسين عملية التجزئة. يتم تطبيق النموذج المقترح على مجموعة من اثني عشر صورة للتصوير المقطعي المحوسب لكوفيد-19. كما تمت مقارنتها مع خوارزميات k - means التقليدية و DPC، ولديها أداء أفضل باستخدام العديد من المقاييس، مثل PSNR و SSIM و Entropy.

Translated Description (French)

La pandémie de coronavirus (COVID-19) a infecté plus de dix millions de personnes dans le monde. Par conséquent, les chercheurs tentent d'aborder divers aspects qui peuvent aider à diagnostiquer cette pneumonie. La segmentation des images est une étape de prétraitement nécessaire mise en œuvre dans les applications d'analyse et de classification des images. Par conséquent, dans cette étude, notre objectif est de présenter une méthode de segmentation d'image efficace pour les images de tomodensitométrie (CT) COVID-19. La méthode de segmentation d'image proposée dépend de l'amélioration du regroupement des pics de densité (DPC) à l'aide d'une distribution de valeurs extrêmes généralisées (GEV). Le DPC est plus rapide que les autres méthodes de clustering, et il fournit des résultats plus stables. Cependant, il est difficile de déterminer automatiquement le nombre optimal de centres de clustering sans visualisation. Ainsi, GEV est utilisé pour déterminer la valeur de seuil appropriée pour trouver le nombre optimal de centres de clustering qui conduisent à l'amélioration du processus de segmentation. Le modèle proposé est appliqué à un ensemble de douze images de tomodensitométrie COVID-19. En outre, il a été comparé aux algorithmes traditionnels de k-means et de DPC, et il a de meilleures performances en utilisant plusieurs mesures, telles que PSNR, SSIM et Entropie.

Translated Description (Spanish)

La pandemia de coronavirus (COVID-19) ha infectado a más de diez millones de personas en todo el mundo. Por lo tanto, los investigadores están tratando de abordar diversos aspectos que pueden ayudar en el diagnóstico de esta neumonía. La segmentación de imágenes es un paso necesario de procesamiento previo que se implementa en aplicaciones de análisis y clasificación de imágenes. Por lo tanto, en este estudio, nuestro objetivo es presentar un método eficiente de segmentación de imágenes para imágenes de tomografía computarizada (TC) COVID-19. El método de segmentación de imágenes propuesto depende de mejorar el agrupamiento de picos de densidad (DPC) utilizando la distribución generalizada de valores extremos (GEV). El DPC es más rápido que otros métodos de agrupamiento y proporciona resultados más estables. Sin embargo, es difícil determinar el número óptimo de centros de agrupamiento automáticamente sin visualización. Por lo tanto, GEV se utiliza para determinar el valor umbral adecuado para encontrar el número óptimo de centros de agrupamiento que conducen a mejorar el proceso de segmentación. El modelo propuesto se aplica a un conjunto de doce imágenes de TC COVID-19. Además, se comparó con los algoritmos tradicionales de k-means y DPC, y tiene un mejor rendimiento utilizando varias medidas, como PSNR, SSIM y Entropy.

Files

journal.pone.0244416&type=printable.pdf

Files (2.7 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:18236b81471fef8fdfdc26a5497f2a0e
2.7 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
طريقة التجميع التلقائي لتقسيم صور CT لـ COVID -19
Translated title (French)
Méthode de regroupement automatique pour segmenter les images CT COVID-19
Translated title (Spanish)
Método de agrupamiento automático para segmentar imágenes de TC COVID-19

Identifiers

Other
https://openalex.org/W3120595226
DOI
10.1371/journal.pone.0244416

Is supplement to
https://openalex.org/W3124914020 (Other)
https://openalex.org/W2383687187 (Other)
https://openalex.org/W2156434174 (Other)
https://openalex.org/W2141033859 (Other)
https://openalex.org/W2121496884 (Other)
https://openalex.org/W2077542787 (Other)
https://openalex.org/W2071701083 (Other)
https://openalex.org/W2070401501 (Other)
https://openalex.org/W2068608913 (Other)
https://openalex.org/W1522196789 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Egypt

References

  • https://openalex.org/W1542459729
  • https://openalex.org/W1884191083
  • https://openalex.org/W2133665775
  • https://openalex.org/W2152772232
  • https://openalex.org/W2157259291
  • https://openalex.org/W2165835468
  • https://openalex.org/W2208036992
  • https://openalex.org/W2307308593
  • https://openalex.org/W2415890883
  • https://openalex.org/W243024380
  • https://openalex.org/W2607481174
  • https://openalex.org/W2624881194
  • https://openalex.org/W2739661180
  • https://openalex.org/W2753086770
  • https://openalex.org/W2906585510
  • https://openalex.org/W2907386579
  • https://openalex.org/W2912664121
  • https://openalex.org/W2913292358
  • https://openalex.org/W2919730228
  • https://openalex.org/W2927193036
  • https://openalex.org/W2945759189
  • https://openalex.org/W2946740074
  • https://openalex.org/W2949740661
  • https://openalex.org/W2956986431
  • https://openalex.org/W2963466845
  • https://openalex.org/W2969305626
  • https://openalex.org/W2971799992
  • https://openalex.org/W2982587597
  • https://openalex.org/W2991676991
  • https://openalex.org/W2995225687
  • https://openalex.org/W3000256619
  • https://openalex.org/W3005656138
  • https://openalex.org/W3007184303
  • https://openalex.org/W3007497549
  • https://openalex.org/W3009333463
  • https://openalex.org/W3010375169
  • https://openalex.org/W3025444948
  • https://openalex.org/W3040989605
  • https://openalex.org/W3101156210