Abstract

Image segmentation is one of the most important tasks in medical image analysis
and is often the first and the most critical step in many clinical applications. In
liver MRI analysis, image segmentation is commonly used for measuring and
visualizing the liver’s anatomical structures, for analyzing changes, for delineating
pathological regions, and for surgical planning and image-guided interventions. In
the last few decades, various segmentation techniques of different accuracy and
degree of complexity have been developed and reported in the literature. To
address the complexity and challenges of the liver MRI segmentation problem, we
first introduce the basic concepts of image segmentation. Then, we explain
different MRI preprocessing steps including image registration, bias field
correction. The proposed method is successfully tested on many MRI cases
acquired from different patients, in various sizes. Experiments proved the
robustness of the proposed liver segmentation process even on data from different
scanner types. Finally, after reviewing different liver MRI segmentation methods,
we discuss the validation problem in liver MRI segmentation.

Index Terms

Image Processing, Image Analysis, Liver Segmentation, Medical Image, MRI

Image.

INTRODUCTION

Medical diagnosis seeks information from various sources for proper conclusions
on diseases. The sources can be results of clinical tests, patient history, histological
reviews, and imaging techniques. Imaging techniques have contributed a lot to the
development of medical diagnosis. One such safe and easily available technique is
the Ultrasound imaging technique. But the methodology has certain disadvantages,
as the images are not very clear and needs an expert to intervene and segment the
organ from the image. Moreover, the process takes considerable time for the expert
to get the image and to identify the particular part he/she wishes to examine.
Further, the process also causes discomfort to the patient. Delay in diagnosis and
lack of clarity of image are major issues. A great deal of expertise is needed to get
to conclusions using this imaging technique. Liver segmentation is a key condition
and a major step in the diagnosis of liver diseases and surgical planning, whether
the diagnosis or treatments involve surgical ways (surgeries) or non-surgical ways
(medical imaging). Surgical intervention is one of the ultimate treatment options
and surgical planning is considered a major step in successful surgical operations.
For example, tumor removal planning includes quantification of the tumor size, its
location, and trajectories during surgery, in addition to the effect of tumor removal
on other neighboring organs, and the success rate of the surgery. Medical imaging
is considered a non-surgical and painless way in clinical practice for the diagnosis
of some liver diseases [1], [2].

As for medical imaging technology, such as CT and MRI, abdominal images are
represented in gray level rather than color. These are often very noisy that
inevitably, ambiguous boundaries appear between the liver and its adjacent organs,
including abdominal wall, right kidney, heart, stomach and gallbladder.
Sometimes, due to poor quality of imaging, the boundaries completely disappear,
and segmentation becomes very difficult as in Figure 1(b). This raise an urgent
need for a more efficient and accurate volume segmentation technique [3]–[10].
Although liver volume can be calculated using some common formulas such as
Mosteller formula depending on age, weight and height of the patient, these
formulas are not accurate in the case of pathological livers [11].

Over the last few decades, the rapid development of noninvasive liver imaging
technologies has opened new horizons in analyzing and studying the liver anatomy
and function. Enormous progress in accessing liver injury and exploring liver
anatomy has been made using magnetic resonance imaging (MRI). The advances
in liver MR imaging have also provided large amount of data with an increasingly
high level of quality. The analysis of these large and complex MRI datasets has
become a tedious and complex task for clinicians, who have to manually extract
important information. This manual analysis is often time-consuming and prone to
errors due to various inter- or intra operator variability studies. These difficulties in
liver MRI data analysis required inventions in computerized methods to improve
disease diagnosis and testing. Nowadays, computerized methods for MR image
segmentation, registration, and visualization have been extensively used to assist
doctors in qualitative diagnosis [2], [4], [7].

Many researchers address liver segmentation because of the importance of the

subject. However, there is no global technique that can be used with all kinds of
images; each technique has its own strengths and weaknesses. Interested readers
can refer to [2], [4], [6] for a thorough survey of liver segmentation techniques.
Also, quantitative segmentation validation methods are considered among the open
issues in the literature. Many validation methods, including area overlap, Dice
measure, and Hausdroff distances [10]–[13], are usually used in addition to the
visual validation of the cases by an expert, which is still a necessary measure for
the validity of the segmentation method.
Background

Liver segmentation methods can be classified into three classes [12] in line with
the level of required human interaction. These are automatic methods that require
no user interaction, semi-automatic methods that require some initial user
interaction, and interactive methods (manual) that require full user interaction from
the beginning to end of segmentation. Manual segmentation is a time intensive and
tedious task as it involves working with large amount of image slices and datasets.
Also, the segmentation results rely on the experience and skills of the radiologists
and because of inconsistencies of liver images mentioned earlier, the liver
boundaries may be identified differently by different radiologists and even by the
exact same radiologist at another time. Therefore, several automatic and semi-
automatic liver segmentation methods from medical images have been proposed to
help overcome problems of manual segmentation.

Chen and Foruzan in [13] presented a graph-cut based method to segment the liver
from MR images. K-means clustering was used to automatically obtain the object
(liver) and background (non-liver) seeds (regions) in every slice of the volume
without user interaction. Freiman et al. [14] proposed a new Bayesian probabilistic
level set framework for automatic liver segmentation and liver volume calculation
from CT images. Their proposed unified framework employs an edge indication
function and a novel nonlinear variable force, which is based on probabilistic
distribution at the pixel level and is used to adjust the level set evolution. As for the
liver volume estimation, they used a multi-resolution iterative scheme that
repeatedly applied smoothed Bayesian classification to identify the liver and other
organs.

Ref [15] proposed a level set approach for liver segmentation from abdomen MRI
series images, where shape prior knowledge is combined with the improved Chan-
Vese's model. The proposed approach can overcome the leakage and over-
segmentation problems. Ref [16] presented an automated segmentation of livers
from abdominal CT images, in which an affine invariant shape parameterization is
combined with a geodesic active contour and graph cuts. A geodesic active contour
locally corrects the segmentations of organs in abnormal images of abnormal liver,
while the optimized graph cuts segment the vasculature and hepatic tumors using
shape and enhancement constraints.

Lim et al. [14] proposed an approach for automatic liver segmentation from CT
images for volume liver estimation, where they analyze the intensity distribution of
CT samples to obtain a priori model to determine the coherent regions of the liver.
A morphological filter is recursively applied with region-labeling and clustering to
detect the search range and to generate the initial liver boundary, which then leads
to liver volume estimation.

Seo in [15] proposed a method to hepatic tumor segmentation from CT images

using composite hypotheses. In the beginning, histogram transformation,
multimodal threshold, maximum a posteriori decision, and binary morphological
filtering, are used to segment the liver. For finding an optimal threshold the hepatic
vessels are removed from the liver. The optimal threshold value is then utilized
with minimum total probability error to segment a hepatic tumor. The results show
that the proposed method is very useful for diagnosis of the normal and abnormal
liver, although tested on 10 cases only.

Rikxoort et al. [16] proposed a method that starts with preprocessing steps to
determine the vertical scan range of the liver and to rotate the scan so that the
subject is in supine position. Then voxel labeling with K-nearestneighbor is
performed, and a final smoothing filter is applied to obtain a fine segmentation.
The method is tested on only 10 test scans.
Platero and Tobar in [17] presented a combination between the probabilistic atlas
and multi atlas segmentation for liver segmentation from CT images. It is based on
minimizing a discrete energy function using graph cuts. Applications often focus
as well on segmenting the vessel and tumor. By using graph cuts method which
can be easily achieved since, when segmenting the vessel or tumor, the
―background‖ liver is homogeneous.

PROPOSED METHOD

Among the different classification approaches that are based on statistical models
is the Bayesian classification. It is one of the most effective and efficient
algorithms and has been successfully applied to many medical problems. Studies
show that Bayesian classification is well suited for medical application and has
high performance rate in most of the examined medical problems [11]-[21].
Bayesian classification provides several practical learning algorithms such as
Naive Bayes, Gaussian Naive Bayes, Multinomial Naive Bayes, Averaged One-
Dependence Estimators (AODE), Bayesian Belief Network (BBN), and Bayesian
Network (BN) [22]. It provides a useful perspective for understanding and
evaluating many learning algorithms where prior knowledge and observed data can
be combined. The method calculates explicit probabilities for hypotheses and it is
robust to noisy input data [22].

Preprocessing: After MRI acquisition several preprocessing steps are necessary to

prepare MR images for segmentation; the most important steps include MRI bias
field correction, image registration (in the case of multimodal image analysis),
Image registration is a necessary step for the inclusion of probabilistic atlases as a
prior knowledge of the brain anatomy into the segmentation method. A
probabilistic atlas is often used to initialize and constrain the segmentation process.

The prior knowledge of the brain anatomical structures can increase the robustness
and accuracy of a segmentation method.

Image Registration: Image registration is the process of overlaying (spatially

aligning) two or more images of the same content taken at different times, from
different viewpoints, and/or by different sensors. Registration is required in
medical image analysis for obtaining more complete information about the
patient’s health when using multimodal images (e.g., MRI, CT, PET, and SPECT)
and for treatment verification by comparison of pre- and post intervention images.
In medical image registration the term co-registration is used for intra subject
registration (the alignment multimodal images of the same subject), realignment is
used for motion correction within the same subject, and normalization is used for
inter-subject registration when several population groups are studied.

The MRI scanned liver tissue would have some degree of consistency to
distinguish it from the surrounding tissues. A pixel of a certain value is classified
as a liver pixel as opposed to a non-liver or background pixel. However, as
mentioned earlier, quality issues may prevent such clear distinction and pixels end
up incorrectly segmented. We build a Bayesian model to classify every pixel of the
input image as belonging to the liver tissue or not based on its probability of being
a liver pixel or not. The probabilities are pre-calculated from a set of labeled
training images and used to decide if a pixel in a new test case is liver.

Classification Methods. Classification methods use data with known labels to

partition image feature space. Image features are typically intensity values but can
be also related to texture or other image properties. Classification methods can be
both supervised and unsupervised. Supervised classification requires training
images, which are manually segmented and then used as references for automatic
segmentation of new images. Next to the manual interaction that is laborious and
time-consuming, another disadvantage of supervised classification methods is that
they generally do not take into account the neighborhood information and thus they
are sensitive to noise. Also, the use of the same training set for a large number of
images can lead to biased results, which do not take into account anatomical and
physiological variability between different subjects.

RESULTS ANALYSIS AND DISCUSSION

It should be stated that there are no benchmark datasets for abdomen MRI images
available to test the proposed methods of liver segmentation. Furthermore, none of
the authors of previous works have made their own datasets public. Since the
developed algorithm is meant to be capable of segmenting of MRI images
available in clinics, we collected datasets from several medical centers and
hospitals; where the MRI images are all of type T1; a type preferred by radiologists
for its quality. All abdominal MRI datasets have been acquired of the liver. The
cases are from 10 patients, ranging in age between 16 and 55 years old; 5 of which
have normal livers, and the rest have diseased livers.

In other cases (infected), the injury on the border of the liver leads to difficulty in
segmenting the liver from the adjacent organ. In addition, some segmentation
results shows holes or blanks because of infection (tumors) being segmented with
the liver. Therefore, after the segmentation process, a post processing step was
needed to modify some of the output to improve the results in general and to obtain
an image of the liver only. For example, we used some morphological processes to
fill these holes and then restore the liver segmented from the original image to
maintain the shape and characteristics of the liver. Examples are shown in (Fig. 4).

CONCLUSION

A method of segmenting liver from an MRI image has been proposed. The
techniques help to deform the initial contour towards the possible edge of the liver
in MRI images. The experimentation has shown successful segmentation of both
normal and abnormal liver tissues. Based on the segmentation results the liver size
can be estimated. Further experimentation can be carried out for identification of
presence of abnormalities. Other image features like texture, curvature of the edge
and shape of segmented object can be used for better identification and
classification. Furthermore, MRI images in the datasets used for testing are for
both normal and abnormal liver tissues, confirming that the proposed technique
can be used further for diagnosing the lesions on the surface of abnormal liver
tissue. Probably one of the most important questions concerning medical image
segmentation is its use in real clinical settings. It is undeniable that computerized
segmentation methods have shown their potentials and applicability in computer
aided diagnosis and therapy planning. It is expected that in the near future they will
also become essential tools in real clinical settings, particularly in qualitative
diagnosis and where 3D reconstruction and visualization of the anatomical
structures are important.
 ‫نبذة مختصرة‬

‫يعد تجزئة الصور أحد أهم المهام في تحليل الصور الطبية وغالبًا ما يكون الخطوة األولى واألك‪TT‬ثر أهمي‪TT‬ة في‬
‫العديد من التطبيقات السريرية‪ .‬في تحليل التصوير بالرنين المغناطيسي‪ T‬للكبد ‪ ،‬يُستخدم تجزئة الص‪TT‬ور‪ T‬بش‪TT‬كل‬
‫شائع لقياس وتصور‪ T‬الهياكل التشريحية للكبد ‪ ،‬ولتحليل التغييرات ‪ ،‬ولتحديد المن‪TT‬اطق المرض‪TT‬ية ‪ ،‬وللتخطي‪TT‬ط‬
‫الجراحي والتدخالت الموجهة بالص‪T‬ور‪ .‬في العق‪T‬ود القليل‪T‬ة الماض‪T‬ية ‪ ،‬تم تط‪T‬وير تقني‪T‬ات تجزئ‪T‬ة مختلف‪T‬ة بدق‪T‬ة‬
‫ودرجة تعقيد مختلفة وتم اإلبالغ عنها في األدبيات‪ .‬لمعالجة تعقيد وتحديات مش‪TT‬كلة تجزئ‪TT‬ة التص‪TT‬وير ب‪TT‬الرنين‬
‫المغناطيسي‪ T‬للكبد ‪ ،‬نقدم أوالً المفاهيم األساسية لتجزئة الصورة‪ .‬بعد ذلك ‪ ،‬نشرح خط‪TT‬وات المعالج‪TT‬ة المس‪TT‬بقة‬
‫للتص‪TT‬وير‪ T‬ب‪TT‬الرنين المغناطيس‪TT‬ي بم‪TT‬ا في ذل‪TT‬ك تس‪TT‬جيل الص‪TT‬ورة وتص‪TT‬حيح مج‪TT‬ال التح‪TT‬يز‪ .‬تم اختب‪TT‬ار‪ T‬الطريق‪TT‬ة‬
‫المقترح‪TT‬ة بنج‪TT‬اح على العدي‪TT‬د من ح‪TT‬االت التص‪TT‬وير ب‪TT‬الرنين المغناطيس ‪T‬ي‪ T‬المكتس‪TT‬بة من مرض‪TT‬ى مختلفين ‪،‬‬
‫وبأحجام مختلفة‪ .‬أثبتت التج‪T‬ارب متان‪T‬ة عملي‪T‬ة تجزئ‪T‬ة الكب‪T‬د المقترح‪T‬ة ح‪T‬تى على البيان‪T‬ات من أن‪T‬واع الماس‪T‬ح‬
‫الضوئي المختلفة‪ .‬أخيرًا ‪ ،‬بعد مراجع‪TT‬ة ط‪TT‬رق‪ T‬تجزئ‪TT‬ة التص‪TT‬وير‪ T‬ب‪TT‬الرنين المغناطيس‪TT‬ي للكب‪TT‬د ‪ ،‬نن‪TT‬اقش مش‪TT‬كلة‬
‫التحقق من صحة تجزئة التصوير بالرنين المغناطيسي‪ T‬للكبد‪.‬‬

‫الكلمات الدالة‬

‫معالجة الصور ‪ ،‬تحليل الصور‪ ، T‬تجزئة الكبد ‪ ،‬الصورة الطبية ‪ ،‬صورة التصوير‪ T‬بالرنين المغناطيسي‪.‬‬

‫المقدمة‬

‫يسعى التشخيص الطبي للحصول على معلومات من مصادر‪ T‬مختلفة للحصول على اس‪TT‬تنتاجات مناس‪TT‬بة ح‪TT‬ول‬
‫األم‪T‬راض‪ .‬يمكن أن تك‪T‬ون المص‪T‬ادر‪ T‬نت‪T‬ائج االختب‪T‬ارات الس‪T‬ريرية وت‪T‬اريخ الم‪T‬ريض والمراجع‪T‬ات النس‪T‬يجية‬
‫وتقنيات التصوير‪ .‬ساهمت تقنيات التصوير‪ T‬كثيرًا في تط‪TT‬وير التش‪TT‬خيص الط‪TT‬بي‪ .‬إح‪TT‬دى ه‪TT‬ذه التقني‪TT‬ات اآلمن‪TT‬ة‬
‫والمتاحة بس‪TT‬هولة هي تقني‪TT‬ة التص‪TT‬وير‪ T‬بالموج‪TT‬ات ف‪TT‬وق‪ T‬الص‪TT‬وتية‪ .‬لكن المنهجي‪TT‬ة له‪TT‬ا عي‪TT‬وب معين‪TT‬ة ‪ ،‬حيث أن‬
‫الص‪TT‬ور ليس‪TT‬ت واض‪TT‬حة للغاي‪TT‬ة وتحت‪TT‬اج إلى خب‪TT‬ير للت‪TT‬دخل وفص‪TT‬ل العض‪T‬و‪ T‬عن الص‪TT‬ورة‪ .‬عالوة على ذل‪TT‬ك ‪،‬‬
‫تستغرق العملية وقتًا‪ T‬طويالً حتى يتمكن الخبير من الحصول على الصورة وتحديد‪ T‬الجزء المعين الذي ي‪TT‬رغب‬
‫في فحصه‪ .‬عالوة على ذلك ‪ ،‬تسبب العملية أيضًا إزعاجًا للمريض‪ .‬يعد التأخير في التشخيص وعدم وض‪TT‬وح‬
‫الصورة من القضايا الرئيسية‪ .‬هناك حاجة إلى قدر كبير من الخبرة للوص‪TT‬ول‪ T‬إلى اس‪TT‬تنتاجات باس‪TT‬تخدام‪ T‬تقني‪TT‬ة‬
‫التصوير‪ T‬هذه‪ .‬تجزئة الكبد هي حالة أساسية وخطوة رئيسية في تشخيص أمراض الكبد والتخطيط‪ T‬الجراحي ‪،‬‬
‫سواء كان التشخيص أو العالج يتضمن طرقًا‪ T‬جراحية (جراحات) أو طرقًا‪ T‬غير جراحي‪TT‬ة (التص‪TT‬وير‪ T‬الط‪TT‬بي)‪.‬‬
‫يعتبر التدخل الجراحي أحد خيارات العالج النهائية ويعت‪TT‬بر التخطي‪TT‬ط الج‪TT‬راحي‪ T‬خط‪TT‬وة رئيس‪TT‬ية في العملي‪TT‬ات‬
‫الجراحية الناجحة‪ .‬على سبيل المثال ‪ ،‬يشمل تخطيط إزالة الورم تحدي‪TT‬د حجم ال‪TT‬ورم وموقع‪TT‬ه ومس‪TT‬اراته أثن‪TT‬اء‬
‫الجراحة ‪ ،‬باإلضافة إلى تأثير إزالة الورم على األعضاء المجاورة األخرى‪ ، T‬ومع‪TT‬دل نج‪TT‬اح الجراح‪TT‬ة‪ .‬يعت‪TT‬بر‬
‫التصوير‪ T‬الطبي طريقة غير جراحية وغير مؤلمة في الممارس‪TT‬ة الس‪TT‬ريرية لتش‪TT‬خيص بعض أم‪TT‬راض الكب‪TT‬د [‬
‫‪.]2[ ، ]1‬‬

‫أما بالنسبة لتقنيات التصوير‪ T‬الطبي ‪ ،‬مثل التصوير المقطعي المحوسب والتصوير بالرنين المغناطيس‪TT‬ي ‪ ،‬فيتم‬
‫تمثيل صور‪ T‬البطن بمستوى‪ T‬رمادي بدالً من اللون‪ .‬غالبًا ما تكون هذه ص‪TT‬اخبة ج‪T‬دًا بحيث تظه‪TT‬ر حت ًم‪TT‬ا ح‪TT‬دود‬
‫غامضة بين الكبد واألعضاء المجاورة له ‪ ،‬بما في ذلك جدار البطن والكلى اليمنى والقلب والمع‪TT‬دة والم‪TT‬رارة‪.‬‬
‫في بعض األحيان ‪ ،‬بسبب سوء جودة التصوير‪ ، T‬تختفي الحدود تما ًما ‪ ،‬ويصبح التقسيم ص‪TT‬عبًا للغاي‪TT‬ة كم‪TT‬ا في‬
‫الشكل ‪( 1‬ب)‪ .‬هذا يثير الحاجة الملحة لتقنية تجزئة الحجم أكثر كفاءة ودقة [‪ .]10[ T- ]3‬على الرغم من أن‪TT‬ه‬
‫يمكن حساب حجم الكبد باس‪TT‬تخدام بعض الص‪TT‬يغ الش‪TT‬ائعة مث‪TT‬ل ص‪TT‬يغة ‪ Mosteller‬اعتم‪TT‬ادًا على عم‪TT‬ر ووزن‬
‫وطول المريض ‪ ،‬إال أن هذه الصيغ ليست دقيقة في حالة الكبد المرضي‪.]11[ T‬‬

‫على مدى العقود القليلة الماضية ‪ ،‬فتح التطور‪ T‬السريع لتقنيات تصوير الكبد غير الغازية آفاقًا جديدة في تحليل‬
‫ودراسة تشريح الكبد ووظائفه‪ .‬تم إحراز تقدم هائ‪T‬ل في الوص‪T‬ول‪ T‬إلى إص‪T‬ابة الكب‪T‬د واستكش‪T‬اف‪ T‬تش‪T‬ريح الكب‪T‬د‬
‫باستخدام التصوير بالرنين المغناطيس‪T‬ي‪ .)MRI( T‬كم‪T‬ا وف‪T‬رت التط‪T‬ورات في التص‪T‬وير ب‪T‬الرنين المغناطيس‪T‬ي‪T‬‬
‫عال من الجودة بشكل متزايد‪ .‬أصبح تحليل مجموعات بيانات التصوير‬
‫للكبد كمية كبيرة من البيانات بمستوى‪ٍ T‬‬
‫بالرنين المغناطيسي الكبيرة والمعقدة مهمة ش‪TT‬اقة ومعق‪TT‬دة لألطب‪TT‬اء ‪ ،‬ال‪TT‬ذين يتعين عليهم اس‪TT‬تخراج المعلوم‪TT‬ات‬
‫المهمة يدويًا‪ .‬غالبًا ما يكون هذا التحليل اليدوي مستهل ًكا للوقت وعرضة لألخطاء بس‪TT‬بب العدي‪TT‬د من دراس‪TT‬ات‬
‫التباين بين المشغل أو داخله‪ .‬تتطلب هذه الص‪TT‬عوبات في تحلي‪TT‬ل بيان‪TT‬ات التص‪TT‬وير ب‪TT‬الرنين المغناطيس‪T‬ي‪ T‬للكب‪TT‬د‬
‫اختراعات في طرق محوسبة لتحسين تشخيص المرض واختباره‪ .‬في ال‪TT‬وقت الحاض‪TT‬ر ‪ ،‬تم اس‪TT‬تخدام الط‪TT‬رق‬
‫المحوسبة لتجزئ‪T‬ة الص‪T‬ور ب‪T‬الرنين المغناطيس‪TT‬ي والتس‪T‬جيل والتخي‪T‬ل على نط‪T‬اق واس‪T‬ع لمس‪T‬اعدة األطب‪T‬اء في‬
‫التشخيص النوعي [‪.]7[ ، ]4[ ، ]2‬‬
‫يع‪TT‬الج العدي‪TT‬د من الب‪TT‬احثين تجزئ‪TT‬ة الكب‪TT‬د بس‪TT‬بب أهمي‪TT‬ة الموض‪TT‬وع‪ .‬وم‪TT‬ع ذل‪TT‬ك ‪ ،‬ال توج‪T‬د‪ T‬تقني‪TT‬ة عالمي‪TT‬ة يمكن‬
‫استخدامها مع جميع أنواع الصور ؛ كل تقني‪T‬ة له‪T‬ا نق‪T‬اط الق‪T‬وة والض‪T‬عف‪ T‬الخاص‪T‬ة به‪T‬ا‪ .‬يمكن للق‪T‬راء المهتمين‬
‫الرجوع إلى [‪ ]6[ ، ]4[ ، ]2‬إلجراء مسح شامل لتقنيات تجزئة الكبد‪ .‬أيضًا ‪ ،‬تعتبر طرق‪ T‬التحقق من صحة‬
‫التجزئة الكمية من بين القضايا المفتوحة في األدبيات‪ .‬عادةً ما تُستخدم‪ T‬العديد من طرق‪ T‬التحق‪TT‬ق ‪ ،‬بم‪TT‬ا في ذل‪TT‬ك‬
‫تداخل المنطقة ‪ ،‬وقياس النرد ‪ ،‬ومسافات ]‪ Hausdroff [10] - [13‬باإلضافة إلى التحقق البصري‪ T‬للحاالت‬
‫من قبل خبير ‪ ،‬والذي ال يزال مقياسًا ضروريًا لصحة التجزئة طريقة‪.‬‬

‫خلفية‬

‫يمكن تصنيف طرق‪ T‬تجزئة الكبد إلى ثالث فئات [‪ ]12‬بما يتماشى‪ T‬مع مستوى التفاعل البشري المطلوب‪ .‬هذه‬
‫طرق تلقائية ال تتطلب ت‪TT‬دخل المس‪TT‬تخدم‪ ، T‬وط‪TT‬رق ش‪TT‬به آلي‪TT‬ة تتطلب بعض تفاع‪TT‬ل المس‪TT‬تخدم األولي ‪ ،‬وط‪TT‬رق‪T‬‬
‫تفاعلية (يدوية) تتطلب تفاعل المستخدم الكامل من بداية التجزئة إلى نهايتها‪ T.‬يعد التقس‪TT‬يم الي‪TT‬دوي مهم‪TT‬ة ش‪TT‬اقة‬
‫أيض‪T‬ا ‪ ،‬تعتم‪TT‬د نت‪TT‬ائج‬
‫ومكثفة للوقت ألنها تتض‪TT‬من العم‪TT‬ل م‪TT‬ع كمي‪TT‬ة كب‪TT‬يرة من ش‪TT‬رائح ومجموع‪TT‬ات البيان‪TT‬ات‪ً .‬‬
‫التجزئة على خبرة ومهارات‪ T‬أخصائيي األشعة وبسبب تناقضات‪ T‬صور الكبد الم‪TT‬ذكورة س‪TT‬ابقًا ‪ ،‬ق‪TT‬د يتم تحدي‪TT‬د‬
‫حدود الكبد بشكل مختلف من قبل أطباء األشعة المختلفين وحتى من قبل نفس أخصائي‪ T‬األشعة في وقت آخ‪TT‬ر‪.‬‬
‫لذلك ‪ ،‬تم اقتراح العديد من طرق تجزئة الكب‪TT‬د التلقائي‪TT‬ة وش‪TT‬به اآللي‪TT‬ة من الص‪TT‬ور الطبي‪TT‬ة للمس‪TT‬اعدة في التغلب‬
‫على مشاكل التجزئة اليدوية‪.‬‬

‫قدم تشين وف‪TT‬وروزان‪ T‬في [‪ ]13‬طريق‪TT‬ة قائم‪TT‬ة على الرس‪TT‬م البي‪TT‬اني لتقس‪TT‬يم الكب‪TT‬د من ص‪TT‬ور‪ .MR T‬تم اس‪TT‬تخدام‪T‬‬
‫التجميع ‪ K-mean‬للحصول تلقائيًا على الكائن (الكبد) والخلفية (غير الكبد) البذور (المناطق) في كل شريحة‬
‫من الحجم دون تدخل المستخدم‪ .‬فريمان وآخ‪TT‬رون [‪ ]14‬اق‪TT‬ترح إط‪TT‬ارًا جدي‪T‬دًا لمس‪TT‬توى احتمالي‪TT‬ة ‪Bayesian‬‬
‫لتجزئة الكبد تلقائيًا وحساب حجم الكبد من الصور‪ T‬المقطعية‪ .‬يستخدم إطارهم‪ T‬الموح‪T‬د المق‪TT‬ترح وظيف‪TT‬ة مؤش‪T‬ر‪T‬‬
‫الحافة وقوة متغيرة غير خطية جديدة ‪ ،‬والتي تعتم‪TT‬د على التوزي‪TT‬ع االحتم‪TT‬الي على مس‪T‬توى‪ T‬البكس‪T‬ل وتس‪T‬تخدم‬
‫لضبط تطور مجموعة المستوى‪ T.‬بالنسبة لتقدير حجم الكبد ‪ ،‬فقد استخدموا مخططًا‪ T‬تكراريًا متع‪TT‬دد االس‪TT‬تبانات‬
‫يطبق مرارًا وتكرا ًرا‪ T‬تصنيف بايزي السلس لتحديد الكبد واألعضاء األخرى‪.‬‬

‫المرجع [‪ ]15‬اقترح نهج مجموعة المستوى لتجزئ‪TT‬ة الكب‪TT‬د من ص‪TT‬ور سلس‪TT‬لة التص‪TT‬وير ب‪TT‬الرنين المغناطيس‪T‬ي‪T‬‬
‫للبطن ‪ ،‬حيث يتم دمج المعرفة السابقة بالشكل مع نموذج ‪ Chan-Vese‬المحسّن‪ .‬يمكن للنهج المقترح التغلب‬
‫على مشاكل التسرب والتجزئة المفرط‪T‬ة‪ .‬ق‪T‬دم المرج‪T‬ع [‪ ]16‬تقس‪T‬ي ًما آليً‪T‬ا للكب‪T‬د من ص‪T‬ور‪ T‬التص‪T‬وير المقطعي‬
‫المحوسب للبطن ‪ ،‬حيث يتم الجمع بين معلمات ذات شكل غير متغير مع مخطط جيوديسي نش‪TT‬ط وتخفيض‪TT‬ات‬
‫الرسم البياني‪ .‬يصحح الكفاف الجيوديسي‪ T‬النشط محليً‪TT‬ا تجزئ‪TT‬ة األعض‪TT‬اء في ص‪TT‬ور غ‪TT‬ير طبيعي‪TT‬ة للكب‪TT‬د غ‪TT‬ير‬
‫الطبيعي ‪ ،‬بينما يقطع الرسم البي‪TT‬اني األمث‪TT‬ل تقطي‪TT‬ع األوعي‪TT‬ة الدموي‪TT‬ة واألورام الكبدي‪TT‬ة باس‪TT‬تخدام قي‪TT‬ود‪ T‬الش‪TT‬كل‬
‫والتعزيز‪T.‬‬

‫ليم وآخ‪TT‬رون‪ ]14[ .‬اق‪TT‬ترح نه ًج‪TT‬ا لتجزئ‪TT‬ة الكب‪TT‬د تلقائيً‪TT‬ا من ص‪TT‬ور‪ T‬التص‪TT‬وير‪ T‬المقطعي المحوس‪TT‬ب لتق‪TT‬دير حجم‬
‫الكبد ‪ ،‬حيث يحللون توزي‪T‬ع كثاف‪TT‬ة عين‪TT‬ات التص‪T‬وير المقطعي للحص‪T‬ول على نم‪TT‬وذج مس‪T‬بق لتحدي‪TT‬د المن‪T‬اطق‪T‬‬
‫المتماسكة في الكبد‪ .‬يتم تطبيق المرشح المورفولوجي بشكل متك‪TT‬رر م‪TT‬ع تص‪TT‬نيف المنطق‪TT‬ة والتكت‪TT‬ل الكتش‪TT‬اف‬
‫نطاق البحث وإنشاء حدود الكبد األولية ‪ ،‬مما يؤدي‪ T‬بعد ذلك إلى تقدير حجم الكبد‪.‬‬

‫اقترح سيو في [‪ ]15‬طريقة لتجزئة الورم الكبدي من صور‪ T‬التصوير‪ T‬المقطعي باستخدام الفرضيات المركب‪TT‬ة‪.‬‬
‫في البداية ‪ ،‬يتم استخدام تحوي‪T‬ل الم‪T‬درج التك‪T‬راري ‪ ،‬والعتب‪T‬ة متع‪T‬ددة الوس‪T‬ائط‪ ، T‬والق‪T‬رار الالح‪T‬ق األقص‪T‬ى‪، T‬‬
‫والترشيح المورفولوجي الثنائي ‪ ،‬لتقسيم الكبد‪ .‬إليجاد العتبة المثلى يتم إزالة األوعية الكبدي‪TT‬ة من الكب‪TT‬د‪ .‬ثم يتم‬
‫استخدام قيمة العتبة المثلى مع الحد األدنى من احتمال الخطأ الكلي لتقسيم ورم كبدي‪ .‬بينت النتائج أن الطريقة‬
‫المقترحة مفيدة جدا في تشخيص الكبد الطبيعي وغير الطبيعي بالرغم من اختبارها على ‪ 10‬حاالت فقط‪.‬‬

‫ريكسورت‪ T‬وآخرون‪ ]16[ .‬اقترح طريقة تبدأ بخطوات المعالجة المسبقة لتحديد نط‪TT‬اق الفحص الرأس‪TT‬ي للكب‪TT‬د‬
‫وت‪TT‬دوير الفحص بحيث يك‪TT‬ون الموض‪TT‬وع‪ T‬في وض‪TT‬ع االس‪TT‬تلقاء‪ .‬ثم يتم وض‪TT‬ع العالم‪TT‬ات على فوكس‪TT‬ل م‪TT‬ع ‪-K‬‬
‫األقرب ‪ ،‬ويتم‪ T‬تطبيق مرشح تجانس نهائي للحصول على تجزئة دقيقة‪ .‬تم اختبار الطريقة على ‪ 10‬فحوصات‬
‫فقط‪.‬‬

‫قدم بالتيرو وتوبار في [‪ ]17‬مزيجًا بين األطلس االحتمالي وتجزئة األطلس المتعدد لتجزئة الكبد من الص‪TT‬ور‬
‫المقطعية‪ .‬يعتمد على تقليل وظيفة الطاقة المنفصلة باستخدام قط‪TT‬ع الرس‪TT‬م البي‪TT‬اني‪ .‬غالبً‪TT‬ا م‪TT‬ا ترك‪TT‬ز التطبيق‪TT‬ات‬
‫أيضًا على تجزئة الوعاء الدموي والورم‪ T.‬باستخدام‪ T‬طريقة قط‪TT‬ع الرس‪TT‬م البي‪TT‬اني ال‪TT‬تي يمكن تحقيقه‪TT‬ا بس‪TT‬هولة ‪،‬‬
‫حيث أنه عند تقسيم الوعاء أو الورم ‪ ،‬يكون الكبد "الخلفي" متجانسًا‪T.‬‬

‫الطريقة المقترحة‬

‫من بين مناهج التصنيف المختلفة ال‪TT‬تي تس‪TT‬تند إلى النم‪TT‬اذج اإلحص‪TT‬ائية تص‪TT‬نيف ب‪TT‬ايزي‪ T.‬إنه‪TT‬ا واح‪TT‬دة من أك‪TT‬ثر‬
‫الخوارزميات‪ T‬فعالية وكفاءة وقد تم تطبيقه‪TT‬ا بنج‪TT‬اح على العدي‪TT‬د من المش‪TT‬اكل الطبي‪TT‬ة‪ .‬تش‪TT‬ير الدراس‪TT‬ات إلى أن‬
‫التصنيف البايزي مناسب تما ًم‪TT‬ا للتط‪TT‬بيق الط‪TT‬بي ول‪TT‬ه مع‪TT‬دل أداء مرتف‪TT‬ع في معظم المش‪TT‬كالت الطبي‪TT‬ة ال‪TT‬تي تم‬
‫فحصها [‪ .]21[ - ]11‬يوفر‪ T‬تصنيف ‪ Bayesian‬العديد من خوارزميات التعلم العملية مثل ‪Naive Bayes‬‬
‫و ‪ Gaussian Naive Bayes‬و ‪ Multinomial Naive Bayes‬ومقدرات االعتماد الواحد المتوس‪TT‬ط (‬
‫‪ )AODE‬وشبكة االعتقاد البايزية (‪ )BBN‬وش‪TT‬بكة ]‪ .Bayesian Network (BN) [22‬ي‪TT‬وفر‪ T‬منظ‪TT‬و ًرا‪T‬‬
‫مفيدًا لفهم وتقييم العديد من خوارزميات التعلم حيث يمكن الجم‪TT‬ع بين المعرف‪TT‬ة الس‪TT‬ابقة والبيان‪TT‬ات المرص‪TT‬ودة‪.‬‬
‫تحسب الطريقة االحتماالت الصريحة للفرضيات وهي قوية لبيانات اإلدخال المزعجة [‪.]22‬‬

‫المعالجة المسبقة‪ :‬بعد الحصول على التصوير ب‪T‬الرنين المغناطيس‪T‬ي‪ ، T‬هن‪T‬اك ع‪T‬دة خط‪T‬وات للمعالج‪T‬ة المس‪T‬بقة‬
‫ضرورية إلعداد ص‪TT‬ور ‪ MR‬للتجزئ‪TT‬ة ؛ تش‪TT‬مل أهم الخط‪TT‬وات تص‪TT‬حيح مج‪TT‬ال التح‪TT‬يز في التص‪TT‬وير ب‪TT‬الرنين‬
‫المغناطيس‪T‬ي‪ ، T‬وتس‪TT‬جيل‪ T‬الص‪TT‬ورة (في حال‪TT‬ة تحلي‪TT‬ل الص‪TT‬ور‪ T‬متع‪TT‬دد الوس‪TT‬ائط) ‪ ،‬يع‪TT‬د تس‪TT‬جيل الص‪TT‬ور خط‪TT‬وة‬
‫ضرورية إلدراج األطالس االحتمالية كمعرفة مس‪TT‬بقة لتش‪TT‬ريح ال‪TT‬دماغ في طريق‪TT‬ة التجزئ‪TT‬ة‪ .‬غالبً‪TT‬ا م‪TT‬ا يس‪TT‬تخدم‪T‬‬
‫األطلس االحتمالي‪ T‬لتهيئة وتقييد عملية التجزئة‪.‬‬

‫يمكن أن تزيد المعرفة المسبقة للهياكل التشريحية للدماغ من قوة ودقة طريقة التجزئة‪.‬‬

‫تسجيل الصورة‪ :‬تسجيل الصورة هو عملية تراكب (المح‪TT‬اذاة المكاني‪TT‬ة) ص‪TT‬ورتين أو أك‪TT‬ثر لنفس المحت‪TT‬وى‪ T‬تم‬
‫التقاطها في أوقات مختلفة ‪ ،‬من وجهات نظر مختلفة ‪ ،‬و ‪ /‬أو بواسطة مستشعرات مختلف‪TT‬ة‪ .‬التس‪TT‬جيل مطل‪TT‬وب‬
‫في تحليل الصور الطبية للحصول على معلومات أك‪T‬ثر اكتم‪T‬اال ح‪T‬ول ص‪T‬حة الم‪T‬ريض عن‪T‬د اس‪T‬تخدام الص‪T‬ور‬
‫متعددة الوسائط‪( T‬مثل التصوير بالرنين المغناطيس‪T‬ي‪ ، T‬والتص‪TT‬وير‪ T‬المقطعي المحوس‪TT‬ب ‪ ،‬والتص‪TT‬وير‪ T‬المقطعي‬
‫باإلصدار البوزيتروني ‪ ،‬والتصوير المقطعي باإلصدار‪ T‬البوزي‪TT‬تروني) وللتحق‪TT‬ق من العالج من خالل مقارن‪TT‬ة‬
‫صور ما قبل التدخل وبعده‪ .‬في تس‪TT‬جيل الص‪TT‬ور الطبي‪TT‬ة ‪ ،‬يتم اس‪TT‬تخدام مص‪TT‬طلح التس‪TT‬جيل المش‪TT‬ترك للتس‪TT‬جيل‬
‫الداخلي للموضوع (محاذاة الصور‪ T‬متعددة الوسائط‪ T‬لنفس الموضوع) ‪ ،‬يتم اس‪TT‬تخدام إع‪TT‬ادة المح‪TT‬اذاة لتص‪TT‬حيح‬
‫الحركة في نفس الموضوع‪ ، T‬ويتم استخدام‪ T‬التطبيع للتس‪TT‬جيل بين الموض‪TT‬وعات‪ T‬عن‪TT‬د ع‪TT‬دة مجموع‪TT‬ات س‪TT‬كانية‬
‫تدرس‪.‬‬

‫سيكون ألنسجة الكبد الممسوحة بواسطة التصوير‪ T‬بالرنين المغناطيسي‪ T‬درجة معينة من االتساق لتمييزه‪TT‬ا عن‬
‫األنسجة المحيطة‪ .‬يتم تصنيف‪ T‬البكسل ذي القيمة المح‪TT‬ددة على أن‪TT‬ه بكس‪TT‬ل كب‪TT‬د ب‪TT‬دالً من بكس‪TT‬ل غ‪TT‬ير كب‪TT‬دي أو‬
‫بكسل خلفية‪ .‬ومع ذلك ‪ ،‬كما ذكرنا سابقًا ‪ ،‬قد تمنع مشكالت الجودة مث‪TT‬ل ه‪TT‬ذا التمي‪TT‬يز الواض‪TT‬ح وينتهي‪ T‬األم‪TT‬ر‬
‫بالبكسل بشكل غير صحيح‪ .‬نقوم ببناء نموذج بايز لتصنيف ك‪T‬ل بكس‪T‬ل من الص‪T‬ورة المدخل‪T‬ة على أنه‪T‬ا تنتمي‬
‫إلى أنسجة الكبد أو ال تعتمد على احتمال كونها بكسل كبد أم ال‪ .‬يتم حساب االحتماالت مسبقًا من مجموعة من‬
‫صور التدريب المسمى ويتم استخدامها‪ T‬لتحديد ما إذا كان البكسل في حالة اختبار جديدة هو الكبد‪.‬‬

‫طرق التصنيف‪ .‬تستخدم‪ T‬طرق التصنيف‪ T‬البيانات ذات الملصقات المعروفة لتقسيم مساحة ميزة الصورة‪ .‬عادةً‬
‫ما تكون ميزات الصورة عبارة عن قيم شدة ولكن يمكن أن تكون مرتبطة أيضًا بالنسيج أو خصائص الصورة‬
‫األخ‪TT‬رى‪ .‬يمكن أن تك‪TT‬ون ط‪TT‬رق‪ T‬التص‪TT‬نيف‪ T‬خاض‪TT‬عة لإلش‪TT‬راف وغ‪TT‬ير خاض‪TT‬عة لإلش‪TT‬راف‪ .‬يتطلب التص‪TT‬نيف‪T‬‬
‫الخاضع لإلشراف تدريب الصور ‪ ،‬والتي يتم تجزئتها‪ T‬يدويًا ثم استخدامها كمراج‪TT‬ع للتجزئ‪TT‬ة التلقائي‪TT‬ة للص‪TT‬ور‪T‬‬
‫الجديدة‪ .‬بجانب التفاعل اليدوي الذي يكون ش‪TT‬اقًا ويس‪TT‬تغرق‪ T‬وقتً‪T‬ا‪ T‬ط‪TT‬ويالً ‪ ،‬هن‪TT‬اك عيب آخ‪TT‬ر لط‪TT‬رق التص‪TT‬نيف‬
‫الخاضعة لإلشراف‪ T‬وهي أنها عمو ًما ال تأخذ في االعتب‪T‬ار معلوم‪TT‬ات الحي وبالت‪TT‬الي فهي حساس‪TT‬ة للضوض‪TT‬اء‪.‬‬
‫أيضًا ‪ ،‬يمكن أن يؤدي استخدام نفس مجموعة التدريب لع‪TT‬دد كب‪TT‬ير من الص‪TT‬ور‪ T‬إلى نت‪TT‬ائج متح‪TT‬يزة ‪ ،‬وال‪TT‬تي ال‬
‫تأخذ في االعتبار التباين التشريحي‪ T‬والفسيولوجي بين مختلف الموضوعات‪.‬‬

‫تحليل النتائج ومناقشتها‪T‬‬

‫تجدر اإلشارة إلى أنه ال توجد مجموعات بيانات معيارية لصور التصوير‪ T‬ب‪TT‬الرنين المغناطيس‪TT‬ي للبطن متاح‪TT‬ة‬
‫الختب‪TT‬ار الط‪TT‬رق المقترح‪TT‬ة لتجزئ‪TT‬ة الكب‪TT‬د‪ .‬عالوة على ذل‪TT‬ك ‪ ،‬لم يقم أي من م‪TT‬ؤلفي األعم‪TT‬ال الس‪TT‬ابقة بإتاح‪TT‬ة‬
‫مجموعات البيانات الخاصة بهم للجمهور‪ .‬نظ‪T‬رًا ألن الخوارزمي‪TT‬ة المط‪TT‬ورة ته‪TT‬دف إلى أن تك‪TT‬ون ق‪TT‬ادرة على‬
‫تجزئة صور‪ T‬التصوير بالرنين المغناطيسي‪ T‬المتوفرة في العيادات ‪ ،‬فقد جمعنا مجموع‪TT‬ات البيان‪TT‬ات من العدي‪TT‬د‬
‫من المراكز الطبية والمستشفيات ؛ حيث تكون جميع ص‪TT‬ور التص‪TT‬وير ب‪TT‬الرنين المغناطيس‪T‬ي‪ T‬من الن‪TT‬وع ‪ T1‬؛‬
‫نوع يفضله أطباء األشعة لجودته‪ .‬تم الحصول على جميع مجموع‪TT‬ات بيان‪TT‬ات التص‪TT‬وير‪ T‬ب‪TT‬الرنين المغناطيس‪TT‬ي‬
‫للبطن من الكبد‪ .‬الحاالت من ‪ 10‬مرضى‪ T‬تتراوح اعمارهم بين ‪ 16‬و ‪ 55‬سنة‪ 5 .‬منها كبد طبيعية والباقي كبد‬
‫مريضة‪.‬‬

‫في ح‪TT‬االت أخ‪TT‬رى (مص‪TT‬ابة) ‪ ،‬ت‪TT‬ؤدي اإلص‪TT‬ابة على ح‪TT‬دود الكب‪TT‬د إلى ص‪TT‬عوبة في تقس‪TT‬يم الكب‪TT‬د عن العض‪TT‬و‬
‫المجاور‪ .‬باإلضافة إلى ذلك ‪ ،‬تظهر بعض نتائج التقسيم ثقوبًا أو فراغات بسبب العدوى‪( T‬األورام) مج‪TT‬زأة م‪TT‬ع‬
‫الكبد‪ .‬لذلك ‪ ،‬بع‪TT‬د عملي‪TT‬ة التجزئ‪TT‬ة ‪ ،‬ك‪TT‬انت هن‪TT‬اك حاج‪TT‬ة إلى خط‪TT‬وة معالج‪TT‬ة الحق‪TT‬ة لتع‪TT‬ديل بعض المخرج‪TT‬ات‬
‫لتحسين النتائج بشكل عام وللحصول‪ T‬على ص‪T‬ورة للكب‪TT‬د فق‪TT‬ط‪ .‬على س‪TT‬بيل المث‪TT‬ال ‪ ،‬اس‪T‬تخدمنا‪ T‬بعض العملي‪T‬ات‬
‫الشكلية لملء هذه الثقوب ثم استعادة الكبد المجزأ من الصورة األص‪T‬لية للحف‪T‬اظ على ش‪T‬كل وخص‪T‬ائص الكب‪TT‬د‪.‬‬
‫يتم عرض األمثلة في (الشكل ‪.)4‬‬
 ‫خاتمة‬

‫تم اقتراح طريقة لتجزئة الكبد من صورة التصوير‪ T‬ب‪TT‬الرنين المغناطيس‪TT‬ي‪ .‬تس‪TT‬اعد التقني‪TT‬ات في تش‪TT‬ويه الكف‪TT‬اف‬
‫األولي نحو الحافة المحتملة للكبد في صور التصوير‪ T‬بالرنين المغناطيس‪TT‬ي‪ T.‬أظه‪TT‬رت التج‪TT‬ارب تجزئ‪TT‬ة ناجح‪TT‬ة‬
‫لكل من أنسجة الكبد الطبيعية وغير الطبيعية‪ .‬بنا ًء على نتائج التجزئ‪T‬ة ‪ ،‬يمكن تق‪TT‬دير حجم الكب‪TT‬د‪ .‬يمكن إج‪TT‬راء‬
‫مزيد من التجارب لتحديد وجود‪ T‬تشوهات‪ .‬يمكن استخدام ميزات الصورة األخرى مثل النسيج وانحناء الحاف‪TT‬ة‬
‫وشكل الكائن المقسم لتحديد وتصنيف أفضل‪ .‬عالوة على ذلك ‪ ،‬فإن صور‪ T‬التصوير ب‪TT‬الرنين المغناطيس ‪T‬ي‪ T‬في‬
‫مجموعات البيانات المس‪TT‬تخدمة لالختب‪TT‬ار هي ألنس‪TT‬جة الكب‪TT‬د الطبيعي‪TT‬ة وغ‪TT‬ير الطبيعي‪TT‬ة ‪ ،‬مم‪TT‬ا يؤك‪TT‬د أن‪TT‬ه يمكن‬
‫استخدام التقنية المقترحة بشكل أكبر لتشخيص اآلفات على سطح أنسجة الكبد غير الطبيعي‪TT‬ة‪ .‬من المحتم‪TT‬ل أن‬
‫يكون أحد أهم األسئلة المتعلقة بتجزئة الصورة الطبية ه‪TT‬و اس‪TT‬تخدامه في البيئ‪TT‬ات الس‪TT‬ريرية الحقيقي‪TT‬ة‪ .‬ال يمكن‬
‫إنكار أن ط‪TT‬رق التجزئ‪TT‬ة المحوس‪TT‬بة أظه‪TT‬رت إمكاناته‪TT‬ا وقابليته‪T‬ا‪ T‬للتط‪TT‬بيق‪ T‬في التش‪TT‬خيص بمس‪TT‬اعدة الكم‪TT‬بيوتر‪T‬‬
‫وتخطيط‪ T‬العالج‪ .‬من المتوقع‪ T‬أن تصبح في المستقبل القريب أدوات أساسية في البيئات السريرية الحقيقي‪TT‬ة ‪ ،‬ال‬
‫سيما في التشخيص النوعي وحيث تكون إعادة البناء ثالثية األبعاد وتصور‪ T‬الهياكل التشريحية مهمة‪.‬‬