Improved statistical edge detection through neural networks

WILLIAMS, Ian, David SVOBODA, Nicholas BOWRING and Elizabeth GUEST. Improved statistical edge detection through neural networks. In 10th Conference on Medical Image Understanding and Analysis. Manchester: BMVA, 2006, p. 56-60. ISBN 1-901727-31-9.

Basic information

• Original name: Improved statistical edge detection through neural networks
• Name in Czech: Neuronové sítě coby nástroj sloužící ke zlepšení výsledků statistické detekce hran
• Authors: WILLIAMS, Ian (826 United Kingdom of Great Britain and Northern Ireland), David SVOBODA (203 Czech Republic, guarantor, belonging to the institution), Nicholas BOWRING (826 United Kingdom of Great Britain and Northern Ireland) and Elizabeth GUEST (826 United Kingdom of Great Britain and Northern Ireland).
• Edition: Manchester, 10th Conference on Medical Image Understanding and Analysis, p. 56-60, 5 pp. 2006.
• Publisher: BMVA

Other information

• Original language: English
• Type of outcome: Proceedings paper
• Field of Study: 20200 2.2 Electrical engineering, Electronic engineering, Information engineering
• Country of publisher: United Kingdom of Great Britain and Northern Ireland
• Confidentiality degree: is not subject to a state or trade secret
• WWW: URL
• RIV identification code: RIV/00216224:14330/06:00017002
• Organization unit: Faculty of Informatics
• ISBN: 1-901727-31-9
• Keywords in English: edge detection; neural networks; statistical tests
• Tags: edge detection, neural networks, statistical tests

Abstract

The paper details a novel and successful method for multi-statistic edge detection. The detector works by analyzing the texture properties of different regions within an image, and through the use of neural networks classifying the location and direction of any edges. The detailed technique is illustrated for use both on Histological Mouse Embryo Atlas (MA) images, and also real image data. The overall accuracy of this novel technique is extensively tested using a novel grey-scale performance measure (GFOM) which allows a robustness in the results unavailable with visual inspection alone. The filter is illustrated to outperform the traditional Canny edge detector which is seen as the benchmark for edge detection. The technique presented within the paper can be applied to a variety of low level medical imaging applications and is particularly suited to images containing high levels of noise and texture where the traditional methods of edge detection prove less successful.

Abstract (in Czech)

Předmětem tohoto článku je prezentování nové úspěšné metody kombinované detekce hran založené na statistických testech. Vhodně zvolený filtr detekující hrany hledá v obrazových datech místa s odlišnou texturou a výsledky předává ke klasifikaci neuronové síti. Navržený algoritmus je prezentován na histologických snímcích myších embryí. Přesnost této nové metody detekce hran byla měřena s využitím tzv. GFOM srovnávací míry. Součástí textu je rovněž ukázka, že nový přístup dokáže překonat i kvalitní detektory hran, mezi něž se řadí např. Cannyho filtr.

Links

• LC535, research and development project: Name: Dynamika a organizace chromosomů během buněčného cyklu v normě a patologii

Investor: Ministry of Education, Youth and Sports of the CR, Dynamika a organizace chromosomů během buněčného cyklu v normě a patologii

• 1K05021, research and development project: Name: Rekonstrukce objektů v biomedicínských obrazech pomocí statistických metod a metod umělé inteligence

Investor: Ministry of Education, Youth and Sports of the CR, Rekonstrukce objektů v biomedicínských obrazech pomocí statistických metod a metod umělé inteligence