Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l. 8 ,  No. 6 ,  D ece m ber 201 8,  pp. 506 1~50 70   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp5061 - 50 70     5061       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Optimi zation  Based Li ver Cont ou r Extra ctio n  of  Abdomi nal  CT Im ages       Jayanthi   Muthuswam y 1 , B . Kan ma ni 2   1 Depa rtment of  El e ct roni cs  and   Com m unic at ion Engi ne eri ng,   B MS   Coll ege of E ngine er ing,  Indi a   2 Depa rtment of  Te l ec om m unic ation,   BMS   Col le g e  of Engin ee ring ,   Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r 5 , 2 01 8   Re vised  Ju l  15 ,  201 8   Accepte d  J ul   22 , 2 01 8       Thi s  pap er  in tro duce s  computer   ai ded   anal y s is  sy stem  for   dia gn osis  of  li v er   abnor m al ity   in  a bdom ina l  CT  i m age s.  Segm enting  the   li ver   an d  visual i zi ng   the   reg ion  of  i nte rest  is  a  m ost  cha llenging  t ask  in  the   f ie ld   of  ca nc er   imaging,   due  to   sm al l  observa b le   ch ange s  bet w ee n  he al th y   and   unhea l th y   li ver .   In  thi s  pap er,   h y brid  appr o ac h  for  au tomatic  ext r ac t ion  of  liver  cont ou r   is  proposed.   To   obta in  opt imal   thre shold,   the  proposed  work  int egr at es   segm ent at ion   m et hod  with   optim iz at ion  techniq ue  in  ord er   to  pr ovide   b et t er   ac cur acy .   Thi s  m et hod  uses  bil at er al   filter  for  pre proc essing  a nd  Fuzz y   C   m ea ns  cl uster in g  (FCM )  for  segm ent at ion .   Me an  Gre y   W olf  Optimiza ti o n  te chn ique   (m GW O)  has  bee n   used  to  get   the   opti m al   thres hold.   Thi s   thre shold  is  used  for  segm en ti ng  the   reg ion  of  int ere st .   From   th e  segm ent ed   output ,   la rg est   connect ed   reg ion  is   id entified  using  L abe l   Connecte d   Com ponent   (L CC)  al gori thm.  The   eff e ct iv en ess  of  proposed  m et hod  is   quant itati v ely   e val ua te d  b y   co m par ing  with  ground  trut h  obt ai ned  from   ra diol ogists .   Th e   per form ance  cr i te ri a  l ike   d ic e   co eff icient,  true   po siti ve  err or   and  m iscl assifi c at ion   rate are   ta k en  for   evalua t ion .   Ke yw or d:   Bil atera l  fi lter   Fuzz y   C  m e ans   La be l  Conne cted   Com ponent   Optimiza ti o n   Preproc essing   Copyright   ©   201 8 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Jay anthi Mut huswam y,    Re search  Sc hola r,   Dep a rtm ent o f El ect ro nics  and C omm un ic ation   En gin ee rin g,   BM S Co ll ege  of   En gin ee rin g,   Ba ngal ore ,  I ndia .   Em a il :  j ay anthi.sathish kum ar@live.c om       1.   INTROD U CTION   Liver  is   the  la r gest  a nd  m os t  i m po rtant  orga n  for  s urvival .  It  is  one   an d  a   half  kg  orga n  and  locat e d  in  the  uppe r  righ t  quad ra nt  of  the  a bdom inal  cavit y   [1 ] .  T he   li ver   perf or m s  i m po rta nt  f unct ions  li ke  filt er  th e   blood,  process  the  fats  and   to  m et abo li ze  and  store  carbo hydr at es.  It  is  al so   pro ne  to  sev er al   disti nct  typ es  of   li ver   ai l m ents .  Liver  disease s  hav e  dif fer e nt  colo rs  s uch  as  blu e  in dic at e  cy st,  ye ll o w  in dicat e  fatt y  li ver ,   brown  is  fib r os is  et c.  D if f eren t  im aging   te chn iq ues  li ke  ultras ound,   com pu te d   Tom og ra ph y  I m aging,   Ma gn et ic   res onance  im agin g,   posit rons  e m issi on   tom og ra phy  et c  ar e  avail abl e  f or  dia gnos is  of  li ver   diseases   [2] .    Am on g  these ,  CT  scan   is  a  w el l  kn ow n  non - inv asi ve  i m aging   m od al it ie s  and   it   is  m or e  pr e ferred  by   diag nosti ci ans  since  they   ha ve   high  sig nal  t o  noise   rati o,   good  s patia l  reso luti on,  patie nt  fr ie nd ly   pro tocols,   le ss  cost  an d  le ss  exam inatio n  ti m e.  It  also   pr ov i des  m or e  accurate   anatom ic al   i nfor m at ion   ab ou t  the   visu al iz ed  str uc ture.   Ma nu a l  segm entat ion   of   li ve r  is  te dio us   a nd  tim e  c on s um ing   ta sk  fo r  rad i ologis ts   [3 ] .  Au t om ati c  segm entat ion   is  m or e  trou bles om e  becau se  of   lo w  co ntras t,  m ulti ple  s lices  of   CT  i m age  an d  si m il ar  intens ity  of   both  the  l iver  an d  tum or.  Th us ,  the re  is  a  need   f or   C om pu te r  ai ded  analy sis  syst e m   to  diag nose the  li ver ab norm al ity from   the   huge  am ou nt of m edical  d at a.   The  m ai n  goal  o f  com pu te r  ai ded  analy sis  sy stem   is  to  pro vi de  com pu te r   outp ut,  as   a  sec ond  opi ni on  to  assist   physi ci an  in  the   det ect ion   of   a bnorm aliti es  and   to  im pr ov e   the  segm entat ion   a ccur acy .  This  syst e m   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8  :   5061   -   5070   5062   al so   re du ce s  the  im age  readi ng   ti m e.  This  syst e m   has  var io us   phases:   Data  acq uisit ion ,  prep ro ce s sing,  com bin ed  se gm entat ion   a nd  opti m iz at ion   al gorithm   and  post  processi ng.  Cl us te rin g  is  one  of  the   m os t  popula r  se gm e ntati on   te ch niques  us e d  to  org anize  the  obje c ts  into  gro up s .  The  F uzzy  C - Me ans  al gorith m   is  a   cl us te rin g  al go rithm   wh ere  ea ch  it em   m ay   belong  to   m or e  than   one g r oup (h e nce  t he  w or d  ` f u zzy ' ),   w he re  the   degree  of m e m ber s hip f or eac h  it em  is g iven  b y   a  pro ba bili t y dist rib ution o f   the  clusters .    Howe ver,  it   suffe rs  f r om   the  po s sibil it y  of   f al li ng   into   loc al   m ini m a.  To  overc om e  this  dr a w bac k,  the  FCM   al go r it h m   is  co m bin ed  with  an ot he r  so ft  c om pu ti ng   al go rithm .  Gr ey   w o lf  opti m iz at ion   te chni qu e  is  a  new  m et a - heu risti c  opti m i zat ion   al gorit hm   based   on  th e  so ci al   hiera r chy  an d  hunting   be ha vio r   of  grey   wo l ves  a nd  it   is  us e d  t o  sea rc h  a nd  hu nt  a  prey   (s olu ti on)   [4 ] .  T his  te ch ni qu e   is  us ed   to  op ti m iz e  the  cl us te r   center  i n  orde r   to  fin d  t he  optim a l  thres ho l d.  T his  te ch nique  is  us e d  i n  t he  pro po s ed   w ork.   Th e  r est   of  thi s   pap e r  is  organ i zed  as  fo ll ows:   Sect ion   2  giv e s  a  detai l  descr ipti on   o f  the  propose d  m e thod .  Sect ion   3   pre sents   exp e r im ental  r esults a nd  pe rfor m ance  analy sis. Secti on   4   pro vid es  the c on cl us io ns  a nd fu ture  sc ope.   Liver   segm entat ion   sti ll   rem ai ns   a n  op e n  ch al le ng e  pro ble m   fo r  re searc he rs.   Ma ny  rese arch e rs  ha ve  dev el op e d  dif f eren t  m et ho ds   and   te c hn i ques   to  extract  the   li ver   an d  tum or   from   t he  abd om inal  CT  im ages  ov e r  the  rece nt  ye ars.   And  num ber   of   re sear ches  has  been   carried   out  on  so ft  c om pu ti ng  base d  opti m izati on   m et ho ds. T his  li te ratur e s urve y has  been d on e on th ree  ph a s es:  p re processi ng, s e gm entat i on and  optim izati on .   The  e xisti ng m et ho ds   us e d for  the e xtracti on  of li ver  c onto ur are  d isc us se d i n  this sect i on.    In   R us s o  a nd  Sonali   auth or   pr ese nted   li ne ar  filt erin g  m et hod  to   rem ove  Ga us sia n  no ise s  in  a   CT  i m age s .   The  m ai n  dr aw bac k  in  their  w or k  is  blurrin g  pro blem   [5 ,  6] .   To  overc om e  t his,  Cha ux   et   al   hav e   dev el op e d  nonl inear  filt er   [7 ] .  This  filt er  no t  on ly   rem ov es  the  blurri ng   eff ect   an d  al so  pr ese rv e s  the  edge   inf or m at ion ;  thereb y  im pr ov e   the  eff ect ive ne ss  of   non - li ne ar   filt er.  Propo sed  bilat eral  filt er  to  pr ese rve  the   edg e s  an d  im a ge  sm oo the n in g  us i ng   nonlin ear  com bin at io n  of  im age  pix el s   [ 8 ] .   T her e f or e ,  it   can  be  s een  that   no isy   CT  i m age  will   deg ra de  the  qu al it y  of   a n  i m age  so   pre processi ng   is  e ssentia l  in  com pu te r  ai ded   a na ly si s   syst e m .    In   S.  Gunasundari   and  M.  Sugan y a   auth or  ha s  rev ie we d   c om par at ive  stud y  of  li ver   segm entat i on  m et ho ds   to  e xtract  the  li ver   con t our  an d  al so   disc us sed  th e  lim it ation   of  var io us   m et ho ds   [ 9] .   K  Ma la   et   al   hav e  propose d  adap ti ve  th res hold  base d  m or phologica l  pro cessi ng   f or  li ver   segm en ta ti on   [10 ] .   M  Jay anthi  et   al   ha ve  pro pos ed  an  a ppr oac h  f or   e xtracti ng  the  li ver   a nd   tum or   fr om   abdom inal  CT  i m ages  an d  us e d  f or  com pu te r  ai de d  diag nosis   [ 11 ] .  T he  a uthor sh a ve  us ed   see ded  re gion  gro wing  m et ho d  a nd  f oc us ed   on  lim it ed   a m ou nt  of   sa m ple  i m age   a nd   perf or m ance  m easur es  no t  evaluated  in   the ir   w ork.   S S  Ku m ar  et   al   have   dev el op e d  a  C AD syst em  f or   segm enting  the  li ver  a nd tum or  e xtracti on   [ 12 ] .     Ah m ed  F ou a d  Ali  et   al   ha ve   presente d   a   novel  a ppr oac h  base d  on  n a ture  i ns pi red  optim iz at ion   al gorithm s  and   hi gh li ghte d  the  pro blem   pr esent  in  t he  CT  li ver   s eg m entat ion   [ 1 3 ] .  The  aut hor s  have   exp la ine d  how   the  nat ur e   in sp ire d  al gorit hm s  can  be  ap plied  to  so l ve   the  se gm enta ti on   prob le m .  Geh e d  Ism ail  et   al   ha ve   pr ese nte d  a   Com pu te r  ai de d  diag nosis  s yst e m   fo r  a bd om inal  CT  i m ages   [ 14 ] .  The   auth ors   hav e  pro posed   a  hybr i d  m eth od  to  reduce   the  false  posi ti ve  error   rate.   In   Mit ta l  N   et   al   the  aut hor s  hav e   exten ded   a  m od ifie d  m ean  grey   wo l f  o ptim i zat ion   a ppr oac h  f or  bio m edical   p r oble m s  and   the   pe rfo rm a nce  was  c om par ed wit h othe r  m eta - he ur ist ic   op ti m iz at ion  algorit hm s   [15] .     Ther e f or e,  it   can  be  see n  tha t  there  are  dif f eren t  m et ho ds   to  extract  the  li ver   co ntour .  S om e  of   the   m et ho ds   discu ssed  in  the  li te ratur e  s urve y  us ed  pri or  know le dge  of   reg io n  of  in te rest  and   a  sing le   segm entat ion   m et ho d  f or  se gm enting  the   li ver   c on t our  from   abdom in al   CT  im ages.  S om et i m es,  these  m et ho ds  m igh t  create   fak e   se gm entat ion   er r or.  I n  Edy   Fr a din at a  et   al   a nd  Ra tna   Nit   i n  Pati l   et   al   the   auth or s   hav e  e xpla ine d  the  i m po rta nc e  of   op ti m iz ati on   a nd  eval uation  of   cl assifi c at ion   al gorith m s   [1 6,  17] .  T he  ne xt   sect ion   disc us s es  about  the  lim it a ti on   of   e xisti ng   m et ho ds   and   al so   e xp la i ns   how  the p r opose d  m et ho d  is  us e d  for  li ve r  se gm e ntati on  i n  c ompu te r  ai de d  a n a ly sis sy stem .     1.1.   Rese arch  Pr obl em   The  si gn i fican ce o f  li ver se gm entat ion   probl e m s   are as foll ow s     a.   Au t om atic  segm entat ion   of   li ver   is  a  dif ficu lt   ta sk   du e  to  t he  overla pp i ng  of   re gion  of  li ver   with   ad j ac ent   orga ns  a nd the  intensit y of l iv er is sam e as  th at  o f  o t her   orga ns .   b.   Existi ng m et ho ds   us e d  pix el - ba sed   distrib utio n for  fin ding th e li ver  c onto ur.   c.   Most  of  the   re searche r  fo c use d  on  sin gle  s egm entat ion   m et hod,   but  this   m e tho d  inca pa ble  to  so l ve  t he   com plex  pro bl e m  li ke  li ver  s hap e  v a riat ion  a m on g  the  pati ents.   d.   Ma chine  le a rn i ng b a sed  li ver   segm entat ion   m et ho d fin ds  l aborio us ly  to  c al culat e optim a l t hr es ho l d.   So   t he  pro po se d  work  inte gr at es  m achine  le arn i ng  with   opti m iz at ion   m e tho d  to  im pr ove  the  ef ficacy   of  segm entat ion   resu lt s  a nd  a lso  prov i de  t he   opti m a l  so lu ti on   of  fi nd i ng  the  cl us te r  ce nters.  T her e for e,  th e   pro blem   state m ent  of   the   pr opos e d  work   c an  be   sta te d  as   “To   devel op   a  pre ci se  seg m entatio n  meth od  th at  incor pora te   F CM  wi th  bi o  insp ire d  op ti m izati on  met hod  fo r  the   ext r action  of  li ver  co nt our   fro m  th e   abdomi na l C T  images” .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Op ti miz atio n  B as e d  Live r C on tou r  Extracti on  o f A bdomin al  CT I mages   ( J ay an t hi M uthus wam y )   5063   1.2.   Prop os ed   S olu tion   The   pro pose d  so luti on  is  an  extensi on   of   our  hy br i d  m e tho d  to wa rd s  li ve r  diag nosis  prob le m   [1 8] .   We  highli ghte d  the  im po rtan ce  of   hy br i d  te chn i qu e s  for  the  extracti on  of   li ver   c onto ur.  The refor e ,  in  this   pro po se d  so l ution ,  we  em ph asi ze  bio   insp ir e d  optim iz at ion   m et ho d  in  ord e r  to  fin d  the  op tim a l  thresh ol d  that  can  be  use d  by   rad i ologist s  f or  the  e xtracti on   of  li ver   c onto ur   is  disc us se d.  The   pro pose d  syst e m   has  va rio us   ph a ses to  obtai n  the  r e gion  of  inter est .   Fi gure  1  s how s the  var io us   ph a ses i nvolv e d  i n  th e  pro po se d  syst e m .           Figure  1 .  Bl oc k diag ram   of   the   pro posed  sys tem       2.   PROP OSE D  METHO D   I M PLE MENT A TION   The  va rio us   st eps  i nvolv e d  i n  th e   e xtract io n  of  li ver   co nt our  a re  discu ssed  i n  t his  se ct ion .   Th e   pr im ary  ste p  i n  com pu te r  ai de d  analy sis  syst e m   is  a  colle c ti on   of  i m age  database  for  abdom inal  CT  i m ages.   The n,   pr e proce ssing  filt er  is  discusse d  i n  order   t o  im pr ove   the  qu al it y  of  an  im age.  F ollow e d  by  this,  FCM   base d  optim iz a ti on   an d  la bel  connecte d  al gorithm s  are  exp la ined  to  get  the  li ver   co ntour  of  ab dom in al   CT   i m ages.   The   va rio us   ph a ses in  the  pro po se d m et ho d  a re cle arly  explai ned  in the  ac com pan yi ng p a ssage .     2.1.   Ab d omin al CT   Ima ge   Com pu te d   T om og raphy  sca n  com bin es  se r ie s  of   X - ray  i m ages  that  are   ta ken   from   diff e ren t  a ng le s ,   and   us es  c om pu te r  processin g  to  pro du ce  c ro ss  sect ion al   i m ages  of   t he  hu m an  body.   I t   prov i des  the  detai l   inf or m at ion   of  the  intern al   orga ns   a nd   al s o   helps  rad i ologist s  to  dia gnose   the  diseases .  For  a  patie nt,   m or e   than  15 0  sli ces  of   CT  i m age  are   ob ta ine d.  A  su it able  sel ect ion   of   CT  Im age  is  essenti al .  Mi dd le   sl ic e  is   pr e fer a ble  an d  giv es  m or e  de ta il ed  inform ation .  B oth   re al   tim e  database  and   sim ulate d   database  a re  use d  in   the  pro po se d  work.  O ur   database  is  a  colle ct ion   of  var i ous  i m ages  of   CT  abdom inal  or ga ns   wh ic h  include  norm al , f at ty  an d o ve r  e xten de d  li ve r wit h  tu m or .     2.2.   Bi latera l  Fil te r   In   orde r  to  im pro ve  the  qu al i ty   of   a  CT  im a ge,   pr e processi ng   is   ess entia l.   Bi la te ral  filt er   is  us ed  a s  pr e processi ng  filt er.  It  is  non - li nea r ,  non - it erati ve ,  e dg e  pr ese r ving  sm oo t hing  filt er  dev el op e d  by  Tom asi   [ 19 ] .  The  m ain   noise   in  the  CT  i m age  is  Gau s sia n  noise .  Bi la te ral  filt e r  is  ob ta ine d  by   the  com bin at ion   of  w ei ghte d  f unct ion   of  two  Ga us sia n  filt ers:  par ti al   do m ai n  and   intensit y  do m ai n.   The  intensit y  value  of   ea c h  pix el   is  rep la c ed  by  weig hte d  ave rag e .  Let   G  is  an  i m age.  The n  G p  is  the  value  of  the  i m age  G  at   pix el   po sit io n u. B f ( G)  is  the  outp ut  o f  b il at eral  fil te r  ap plied t o  a n Im age G   Sp at ia l dista nc e is cal culat ed a s      ( , ) = − | | − | | 2 / 2  2               (1)     intensit y  dif fere nce is calc ulate d  as      ( , ) = − | ( ) − ( ) | 2 / 2  2               (2)     gu a ssian  ke rn e l  coeffic ie nt  a re  σ sd   a nd  σ id   wh ic h  c on t ro ls   sp at ia l  dista nc e  an d  i ntensity   diff e re nce.  Thes e   coeffie ie nts  ar e  directl y  pr op or ti onal   to  im a ge  siz e  an d  ed ge  am plit ud e  and   t hese  are  m ai nly  us ed  to  c on t ro l   the w ei gh ts  in spati al  and inte ns it y d om ai n.  A t pi xel p   Acquisi ti on ph ase  (Abdom inal C T  i m age)   Pr e processin g ph a se  (Bil at eral fil te ring)   Segm entat ion   and  Op ti m iz ation phase     (F CM  + m GW O )     Po stp r ocessin g Phas e  (LCC+   Mor phologica lfil li ng )   Segm ented  Liv er   Liver v olu m e  cal culat ion   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8  :   5061   -   5070   5064      ( ) = 1 ∑  ( )  ∈ ( ) ( , )  ( , )                                      (3)     wh e re  C  is  a  norm al iz a ti on   factor   = ∑  ( , )  ( , )   an d  ( )   sh ows  the  sp at i al   neighb orh ood  of  B if(p).  Eac h p ixel i s r e placed   by the  w ei gh te d  a ver a ge of  n e arb y  pix el s i n  s pat ia l neig hbor hood.   Show s   the  sp at ia l neighb orh ood o f  B f(p).   T he  p se udo co de of  b il at eral fil te r  is s how n  i n Table   1.       Table  1 .   Pseud o  C od e  for B il at eral fil te r   Inp u t: CT  I m ag e ;  Ou tp u t: Pr ep rocess ed  i m ag e   1 .  DICO M  i m ag e i s co n v erted to  JPE G us in g  acc u lite   so f tware.   2 .  Co n v ert  th at CT  i m ag e to g rey scal e i m ag e .   3 .  Def in e the b ilate ral  f ilter  p a ra m eter  w,  σsd  and  σid   4 .  Fo r  all  th e pix el,  do  the f o llo win g  s tep s 5 ,6,7   5 .  Calcu late the sp atial dis tan ce us in g  the eq u atio n  1   6 .  Calcu late the in t en sity  d if f erence   u sin g  the eq u atio n  2   7 .  Ap p ly  the f ilteri n g  valu es o n  CT  g rey  scal e i m ag e us i n g  the eq u atio n  3.   8.   Get the  resu ltan t pre proces sed  i m a g e.       2.3.   Fuz z y  C  Me ans  Al go ri th m   FCM   [ 20 ]   bas ed  obj ect ive  functi on   is  a  m os t  po pula r  it er at ive  cl us te rin g  al gorithm   th at   al lows   the   m os t  pr eci se  f or m ulati on   of   the  cl us te ri ng  crit eria.  T he  ba sic   co ncep t  is   to  fi nd  opti m al   cl us te r  ce nter  that   m ini m iz e  obj e ct ive  functi on .  T h e  ba s i c   con c ep t   i s   to   p art i t i o n   a   d a t a   se t   DX = {DX 1 ,D X 2 …. DX M }   i n t o  ‘C’  nu m b e r   of   c lus t e r s.   F i r s t  s t ep   in   F C M   i s   to   ca l c u l a te  th e  d egr e e  of   m e m b e r s h ip   fu n cti o n.   Fo r  a   g ive n   d a t a  po i n t D X i ,   th e d egr e e  o f   i t s  me m b e r sh i p  t o  clu s t er  j   i s   ca l cul a t e d  a s  f o l lo ws ;       = 1 ∑ ( ‖  − ‖ ‖  − ‖ ) 2 − 1     = 1                 (4 )     wh er e   m   i s   a   fu z z in e ss   co eff i c i e n t ,  v a l ue   o f  i   r ang e s  fr o m  1   to   M  and   j   v ar i e s   fr o m   1   t o   C.   Th en   c a l cu l at e  c l u s t er  c en t ro id  b as ed  o n  w e igh t ed   av er ag e u s ing   equ a t ion       = ∑    = 1 ∑   = 1                   (5 )     n ex t ,  c a l cu l a t e E u c l id e an  d i s tan c e b e tw e en  c l u s t er  v ec t or s t o   th e  da t a  p o in t   u s ing   th e  fo r m u l a      _ = |  − | 2                 (6 )     t h i s   d is t an c e   fi nd s   t h e   c lo sen e ss   of   e a ch   da t a   po i n t   to   t he   c l u s t er   ve c tor   C j .   Fo r   e ve ry   i t e r a t i on   of   F C M   a l go r i th m ,   t h e fo l l ow in g  ob j ec t i v e  p o in t   i s mi n i mi z e d .       = ∑ ∑  |  − | 2 = 1 = 1               (7 )     i f  ( O bJ m - Ob J m - 1 ) < =  ε   i s  s a t i sf ied ,  f o l l ow in g  ite r a t i on   i s   ter m i n a t ed .  Th e v a lu e  of     ε  ra ng es  f ro m   0  t o  1 .     2.4.   Grey  Wol f  O p timi z at ion   Mi rij al i  et   al   propose d  a  new   heurist ic   op ti m iz at ion   al gorithm .  This  al go rithm   m i m ic s  so ci al  hierar c hy  a nd h unti ng b eha vi or  of  grey  w ol ves  in   nat ur e   [ 21 ] . Th e   ad va nt age  of g rey w olf  is  sim ple,  easi ly   be   pro gr am m ed  a nd   do es  no t  ne ed  sp eci fic  in pu t  pa ram et ers.   Gen e rall y,  G rey  wo lv es  li ve  in  a  gr oup  ( pack),   each  gro up  ha s  an  aver a ge  m e m ber   of   5 - 10.  All  the  m e m ber s  in  the  gr ou p  ha ve  a  own  power   of   dom inant   hierar c hy  as  show n  in  Fig ure  2 ( a ) .  F our  ty pe s  of   grey   w olve s  al ph a  ( α ) ,  be ta   ( β ),   delta   ( δ ),   an d  om ega  ( ω )  are   worked  fo r  si m ula ti ng   the  l eaders hip   hier arch y.  T his  is  us e d  to  sea rch  and   hunt  th e  pr ey   ( so l ution)   and   t he  le ader s hip   pr io rity   le vel  to  plan  the  hu nting  are  α ,  β   ,  δ    and   ω  resp ect i ve ly .  The  wo l ve s  om ega  ω,  and   a re  respo ns ible  f or   gu i ding  the  se arch   (hu nting),   wh i le   ot her   w olv es  fo ll ow.  Thr ee  ste ps   of   the  huntin g  be hav i or  are e ncircli ng, hunti ng a nd att ackin g  the  pre y.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Op ti miz atio n  B as e d  Live r C on tou r  Extracti on  o f A bdomin al  CT I mages   ( J ay an t hi M uthus wam y )   5065   Enci rcl ing t he  prey   Wh e n  the  gre y  wo lves  sta r t  hu ntin g,   the y  encircle   pr e y.  The  encirc li ng   be hav i or  is  pr esented   as  a   m at he m at ic a l m od el  an d gi ve n  a s     = | .  ( ) −  ( ) |                 (8)      ( + 1 ) =  ( ) − .               (9)     = 2 1 −                   (10)     = 2 2                     (11)     Wh e re  t  is  a  c urren t  it erati on ,   X pre   is  a  prey   posit ion   vecto r  , X gp   is  the  gr ey   wo lf  vecto r   posit ion   a nd   A, C  are   the co e ff ic ie nt  vect or. Ra ndom  v ect or   is   r 1 and r 2 ,  the  val ues  i n  the  r a nge of [0, 1].   The  al ph a   guid es   the  huntin g  process   an d  be ta   and  delta   m i gh t  ha ve  a  pa rt  in  huntin g.   Th e  updatin g  pos it ion  of  grey   wo l ves   i s  s how n  in   F igure  2 ( b ) .  T he   locat io n  of  prey   posit io n  is   ex pected   to   c om e  fr om   the  al ph a ,  beta , a nd  delta wo l ves q a nd  gi ven   by the  foll ow i ng equati on      = | 1 . ( ) −  ( ) |               (12)      = | 2 . ( ) −  ( ) |               (13)      = | 3 . ( ) −  ( ) |               (14)     1 = ( ) − 1                  (15)     2 = ( ) − 2                  (16)     3 = ( ) − 3                  (17)     ( + 1 ) = 1 + 2 + 3 3                 (18)     Atta c king   Wh e n  the  prey   stop s  m ov ing ,  th e  gr ey   wo lve s  en d  the  huntin g  process.  T hi s  process  is  m at he m at ic a lly  ex pr esse d  by   decr ea sin g  a  from   2  to   0.  I f  | Av |  <   1,  wo l ves  m ov e   towa rd s   the   pr ey   for   at ta cking.   T he pict or ia l  repres entat ion   of  gr e y wo l ves u pd at ing   posit ion i s  sh ow n  in  Fi gur e 2 ( b ) .           Figure  2 ( a ) .   S oc ia l hierarc hy  of wolves   [ 22]       Figure  2 ( b ) .   Posi ti on   updatin g  of  gr ey   wo l f   [ 22 ]       i n  m - G WO   optim iz at ion   alg ori thm ,  m ean   is  ta ken   into  consi der at io n.  This  al gorithm   is  us ed  to  fi nd  th e   op ti m al   threshold  value s  in  orde r  to   im pr ove  the  c lu ste rin g  re su lt s  pro duced  by  FCM .  The  P su e do  c ode  f or   m - GW O o pti m iz at ion  A l gorithm  is sh own  in  Tab le   2.   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8  :   5061   -   5070   5066   Table  2.  m - G WO al gorithm  p se udo  c ode   1.   Read  the en h an ced b ilateral  f ilte r  o u tp u t.   2.   Get clus ter  center   Cj wh ere  j =1 ,2,… n u m _ o f _ clu ster   u sin g  equ atio n  4.   3.   Initialis e  m - G W O   p ara m et ers  –   sea rc h  agen ts, di m en sio n ,  m ax i m u m  it erati o n  ,  lower and  up p er  sea rch b o u n d ary .   4.   Gen erate   wo lv es p o sitio n  Pi  rand o m l y  on  size of  the p a ck .   5.   Ass ig n  Pj=Cj th at i s jth  pack  of  ith wo lv es is Cj.   6.   Initial ize alph a,  beta ,  d elta .   7.   Initialize wo lv es p o sitio n s Pα, Pβ, Pδ   8.   Set l=0(ite ration )   9.   W h ile l< m ax _ it do   10.   f o r  each search  ag en t do   11.   Calcu late the f itn ess  of  eac h  searc h  a g en t.   12.   Up ad ate curr en t se arch agen t po sitio n  bas ed  on  f itn ess .   13.   End  f or   14.   Up d ate Pα,  Pβ,  Pδ u sin g  equ atio n  9 - 1 5   (by inserti ng   mea n bef o re  X)   15.   Set l=l+1   16.   End  while   17.   Use th e bes t so lu tio n  to g en erate  the  p artition   m atrix  Ui j . An d  gen erate   th e f in al clus ter  with  t h e partitio n   m at rix.       2.5.   Label  Connec ted Alg orith m   The  al gorithm   has  t wo  m od ules:  (i)  Labeli ng  of  c onnecte d  c om po ne nts  (ii)  Sea rch  f or  the  la r gest   com po ne nt  [ 23 ] .  Fo r   the  outp ut  of  la bel  c on nected  c om po ne nt,  a pp ly   m or phologica l  ope ning   filt er  is  use d  t o  fill   the  hole s.  The  s uper posit ion   of  the  c ontour  on  the  o ri gin al   im age  al l ow s   us  to  de duct   the  reg i on  of   t he   li ver . T o o btain the  li ver re gi on, live r  m ask  is m ult ipli ed  w it h  ori gin al  im age .       3.   RESU LT S  AND A N ALYSIS   The  pro pose d  appr oach   is  an al yz ed,   app li e d  and   te ste d  on  abdom inal  CT  i m age  dataset   [2 4 ] .  I n  this  work,  20  Im ages  is  ta ken   for   analy sis.  All  i m ages  are  axial   i m ages.  The  pro po se d  w ork s  are  carried  out  on  Pentium   proce sso r   an d  im pl em ented  in  M A TLAB  9 .  The  par am et er  set tin g  of  bilat eral  filt er  an d  m - GW O   is   sh ow n  in  Ta ble 3 .       Table  3 .   Param et er s et ti ng   T er m   Descripti o n   Valu es   w   W in d o w size   5   σsd   Sp atial dis tan ce    3   σid   Inten sity  d if f erence   0 .1   n u m _ clu s   Nu m b e r  o f  f u zzy  c lu sters   3   m   Fu zzin ess   2   n o _ search   Nu m b e r  o f  searc h   ag en ts   20   Max_ it   Nu m b e r  o f  iter a tio n   10   lb ,ub   Lower a n d  up p er  b o u n d   [ 0  255]       The  ab dom inal  CT  i m age  i s  conve rted  t o  gray   scal e  i m age.  To  re m ov e  the  no i se  arti facts,  pr e processi ng   i s  app li ed  on   gr ay   le vel  i m age  CT  i m ages.  Inpu t  to  the  bilat eral  filt er  is  no rm alized  with  cl os e d  interval  of  [ 0,   1].  Since   im age  was  norm al i zed,  pa ram et e r   of  bilat eral  fil te r  was   al so   no rm alized  by  div idin g  with m axi m u m  intensit y. T he ou t pu t  of  bilat eral fil te r  is s ho wn in t he  Fi gur e 3 .             Figure  3 .   G ray  scal e CT im ag e an d ou t pu t  of  b il at eral fil te r       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Op ti miz atio n  B as e d  Live r C on tou r  Extracti on  o f A bdomin al  CT I mages   ( J ay an t hi M uthus wam y )   5067   The  ou t pu t  of  bilat eral  filt er  is  ta ken  f or  ne xt   ph ase .  W it h  t he  h el p  of  m GW O   opti m iz at i on  m et ho d,   three  cl us te r  c enters  of   opti m iz ed  values  wer e  ob ta ine d.  These  val ues   wer e  use d  by  FCM   al go rith m .Th e  corres pond in g cl us te r ou t pu t  is sho wn in F ig ur e  4.               Figure  4 .  FCM  outp ut of  dif fe ren t cl us te rs       The  best  cl us t er  wa s  ta ke n  f or   post  proces sing.  I n  post  proces sin g  phas e,  la r gest  co nn ect ed  re gion   was  i den ti fie d and m or phol ogic al  f il li ng  w a s  don e . T his  give s seg m ented  l iver  c onto ur  a s  shown i n  Fi gu re  5.             Figure  5 .   Live r  conto ur outp ut  and  s uperim po se d  l iver  outp ut w it h o rigi na l im age       Af te r  obtai ni ng the se gm ented  li ver ,  conto ur  detect ion i s us ed fo r  the  v is ua li zat ion .   T he vo l um e o f  the li ver is cal c ulate d usin g  t he  for m ula g ive n belo w.    F or s a m ple d at abase ,   Vo l um e o f  li ve r  =sl ic e  thic kness* Are a   Ar ea= N um ber  o f  p i xels *Pi xe l dim ension   The  e xperim e ntal  res ults  of   pro posed   m eth od  a re  c om par ed   with   ot he r  se gm entat ion   m e tho ds  that   we re   discusse d  in   [ 25] . The   ou t pu t  of  al l  m et ho ds  is   pa inted   in   Figure  6 .   F rom   the  figure  it   is  in ferred   tha t  FCM   base d  optim iz a ti on   m e tho d  gi ves  bette r  res ul ts.  But  the  ey e  of   the  m ind   ind ic at es  that  op t i m iz ation   res ults  are  adm irable  when  c om par ed  to  al l  oth e r  m et ho ds.  T his   co nclusi on  is  purely   based  on  visu al iz at ion .  T o  unde rstan d  the best se gm entation  m et ho d,   fo l lowing  pe rform ance m easur es are  done .       Histo gr am  b as ed  li ve r  segm entat ion     Seede d regi on  grow i ng  base d  li ver se gm entat ion     LCC  b ase d  li ve r  segm entat ion     Pr op os e d  m et ho d       Figure  6.   Re su l ts of va rio us   se gm entat ion  m e thods       Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8  :   5061   -   5070   5068   Dice coe ff ic ie nt   giv es the  sim i la rity  b et ween   autom at ic  seg m entat ion  and  gro und  tr uth  i m age.  A nd it   def i ned as  fo ll ow s     D ice = 2 | A ∩ M | | A + M |                   (16)     Tru e  posit ive  f racti on al s o   cal le d  Sensi ti vity  and   Re cal l,  m easur e s  the  portion   of   posit iv e  vowels  i n  the gr ound tr uth  that a re als o  i den ti fie d  as  po sit ive b y t he  se gm entat ion  b ei ng ev al uated .     True   Posi t iv e   fracti on = | A ∩ M | M               (17)     Mi sc lassi ficat ion   R a te = 1 − | A ∩ M | M               (18)     A  is  nu m ber   of  pix el s  of   the  a uto m at ic ally  se gm ented  li ver   reg i on s  a nd   M  is  nu m ber   of   pi xels  of   th e   m anu al ly   seg m ented  li ver  ( gro und  tr uth)  by  the  ex per ts .  A bove   m et ri cs  are  us e d  t o  fin d  t he  sim i la rity   betwee n  a utom at ic   and   m anu al   se gm ented  outp ut  ( GT ).   Table  4  s hows   the  sta ti sti cal   analy sis  of  se gm ented   ou t pu t.  P r opose d  m et ho d  (PM )  runs  f or   D at aset   con ta ins   20   im ages  and   this  ta ble  il l us trat es  the  de ta il ed  ou tc om e  of   propose d  w ork  i n  te rm s  of   the  dice  coeffic ie nt ,  true  posit ive   rate  and   m isc l assifi cat ion   rat e.  Th e  accuracy i s m ore if t he  m isc lassificat ion   rate  is l ess.       Table  4 .   Per for m ance  m et rics  of    propose d  m et hod   Dataset   PM   GT   TPF   DICE   MCR   ID1   2 0 0 5 4   2 2 1 2 3   0 .90 4   0 .92 1 7   0 .09 6   ID2   2788   3103   0 .89 8 4   0 .90 2 3   0 .10 1 6   ID3   ID4   ID5   6612   1 0 3 1 2   1852   7258   1 1 8 8 6   1942   0 .91 0 9   0 .89 2   0 .95 3 6   0 .93 1 8   0 .91 3 2   0 .92 6 4   0 .08 9 1   0 .10 8   0 .04 6 4       The  pe rfo rm ance  of   propose d  work   is  c om par ed  with  [ 25 ]   and   t he   res ults   are  ta bu la te d   in  Table  5 ,  it   can  be  obser ve d  that  accu ra cy   o f  the  pro pose d  work  is  i m pr ov e d.   T hu s,  FCM   base d  optim iz at ion   m et ho d  perform ed  well   fo r  e xtracti ng   the  li ver   c on t our  a nd   it   can  be  use d  i n  co m pu te r  ai ded   a naly sis  syst e m   to  fi nd   the abn or m al ity i n  the li ve r  c on t our. T he dic e coe ff ic ie nt  pl ot ar e  r e pr ese nt ed  in  F ig ur e  7 .       Table   5 .   C om par is on  of  ot her   segm entat ion  techn i qu e s in  term s o f dice  co e ff ic ie nt   Metho d s   DT2   DT3   DT4   DT5   Histo g ra m   0 .67   0 .65 2   0 .68 9   0 .73 1 2              SR G              LCC   Prop o sed   0 .78   0 .83   0 .90   0 .75 4   0 .84 1   0 .93 1 8   0 .73 4   0 .84 1   0 .91 3   0 .78 6 2   0 .89 1   0 .92 6 4         Figure  7 .   Dice  coeffic ie nt  plo t  of   var io us   seg m entat ion  m eth ods         Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Op ti miz atio n  B as e d  Live r C on tou r  Extracti on  o f A bdomin al  CT I mages   ( J ay an t hi M uthus wam y )   5069   4.   CONCL US I O N   The  P rop os e d  al gorithm   us es  hybri d  m et hod,   c om bin at ion   of  FC M  and   m ean  Gr ey   wo lf  op ti m iz ation   al gorithm   with  l abel  co nn ect e d  com po ne nt  al gorithm   fo r  li ve r  segm entat ion .  T he  pe rfo r m ance  of   t he  pro po s ed  m et ho d  w as   com par ed   with  e xisti ng  m et ho ds  an d  t he  pr opos e d  m et ho d  ac hie ve d  the   accuracy  of  9 1   %  fo r  li ve r  se gm entat ion .  The  pro posed  w ork  is  m a inly   us e d  to  identif y  the  su sp ic io us  pix el s   from   the  li ver  re gion  a nd  he lps  ra dio l og is ts  for  diag nos ing   li ve r  disea ses.  F or  the   f uture  stu dies,   oth e r  op ti m iz ation  al gorithm s w il l be co m par ed  w i th pr opos e d  m et hod for  diff e r ent m edical  i m agin g pro blem s.       REFERE NCE S   [1]   Ric har d  Car lt on ,   Arlen e  Mcke nn a  Adler ,   “ An  ov erv ie w  of  imagi ng  m odal it ie s  princ iples  of  rad iogra phic   imaging :   An a rt and  A   sci enc e ”,  c engage l earning ,   5 th   edi t i on,   2012 .   [2]   Ak shat  Gotra ,   Loj an  Sivakuma ran ,   “ Li ver   seg m ent at ion:   indi c at ions,  t ec hn iqu es  and  future   di rec t ions ” ,   Insigh t  imaging ,   vo l   8,   pp   377 – 392,   2017 .   [3]   Ja y an thi,  M.,   Kanm ani ,   B. ,   “ Ext ra ct ing  the   Li ver   and  Tum or  from   Abdo m ina l  CT  Im a ges ” ,   I EE E ,   F i ft h   Inte rnational   Co nfe renc e  on   Sign al  and  Imag e  Pr oce ss ing  (ICSIP ) " ,   pp.   122 - 125,   2 014.   [4]   Nari nder   Singh   and  SB   Singh,  “ A  Modifie d  Mea n  Gra y   W olf  Optimiza t ion   Approac h  for  Benc hm ark   and  Biom edi cal  Prob le m s”,   Ev olu ti on ary  Bi o inf orm atics ,   Volum e  13 ,   p p  1 – 28,   2017 .   [5]   Russ o  F.  “ A   m et hod  for  esti m at ion  and  filteri ng  of  Gauss ia n  noise  in  images ” .  IEEE  Tr ansacti ons  o n   Instrum ent ati on  and  Me asur eme nt .  52(4) :   1148 - 5 4,   Aug 2003 .   [6]   Sonali   Pat il   VR .   “ Udupi  Prepro ce ss ing  to  b e  c onsidere d   f or   MR  and  CT  Im age s  Containing   Tumors ” .   IOS R   Journal  of   Elec t rical   and   Elec tronic s E ng ine erin g .   Vol   1(4):   54 - 7,   2012 .   [7]   C  Chaux L, Duval   A,   Ben azza - B en y ahia and  Pes quet   JC.   “ A  nonl ine ar   Stei n - b ase d  esti m at or   for m ult ic hann el   image  Denoising ” .  I EEE   Tr ansacti ons on  S ignal   Proce ss ing ,   56 (8 ):   3855 - 70,   2008 .   [8]   Nara in  Ponra j  D,  Eva ng el in   Jenife r   M,  Poon godi  P,  Sam uel  Manoha ran   J .   “ A  Survey   on  t he  Preproc essing  Te chn ique s  of  Mam m ogra m  fo r  the   Dete ction  of  Brea st  Canc e r ” .  Journal  of  E merging  Tr ends   in  Computing  and  Information  Sc ience s .   D ec ember ;   2(12) ;  2011 .   [9]   S.  Gunasundari   and  M.  Sugan y a   Ananthi ,   “ Compa rison  and  Eva l uat ion  of  Metho ds  for  Li ver   Tumor  Cla ss ifi ca tion   from   CT  Dat ase t ” ,   In te rnat ional   Journal  of   Computer  App li ca ti on s ,   Volum e  39 –   No.   18,   2012.   [10]   K.   Mala,  V.   Sa dasiva m ,   and   S.   Alag appa n ,   “ Neura l  Ne twork  base d  T ext ur e   Anal y s is  of  Liver  Tumor  fro m   Com pute d  Tomograph y   Im age s ” ,  In te rnationa l  Journal  of   Bi o l ogic al ,   B iomedical  and   Me di cal  Scienc es ,   Vol .   2  Iss ue  1,   pp   33 - 3 7,   2007 .   [11]   Ja y an thi,  M.,   Kanm ani ,   B. ,   “ Ext ra ct ing  the   Li ver   and  Tum or  from   Abdo m ina l  CT  Im a ges ” ,   I EE E ,   F i ft h   Inte rnational   Co nfe renc e  on   Sign al  and  Imag e  Pr oce ss ing   (ICSIP ),   pp .   122 - 125 ,   2 014.   [12]   Kum ar  SS ,   Moni  RS ,   R aj e esh ,   I .   “ Autom at ic  li v er  and   l esion  se gm ent at ion:  a   pr imar y   step  in  d i agnosis  of  l ive r   disea ses Signa l,  Im age   and   Vide o  Proce ss ing ” .   2 011  Marc h   31.   [13]   A hm ed  Fouad  Ali,  Abdalla  Mos t afa ,   Geha d   Ism ai l  Sa y e d,   Moha m ed  Abd  El fa tta h,   Aboul  El l a  H assanie n ,   “ Natur e  Inspi red   Optimiz at ion   Algorit hm s for  CT   L ive r   se gm ent at ion ”,   20 16.   [14]   Gehe d  Ism ai l  Say ed ,   Aboul  El la   Hass an  and  Ger al d  Scahe f er,   “ An  aut om at ed  co m pute r  ai ded  diagnos is   sy stem  for  abdominal   C T  l i ver   images” ,   In t ernati onal  confe renc e  on   medic a l  imaging ,   under standin g  and   an aly sis   ( El sev e ir ),   pp  68 - 73,   2016.   [15]   Mitt al  N,  Singh   U,  Singh  Sohi  B.   “ Modifie d  gr e y   opti m izer  for   globa l  engi n ee r ing  opti m izati on ” .  App l  Comput   Inte l   Soft Comput ,   1 – 16 ,   2016 .   [16]   Ed y   Frad ina t a,   Sakesun  Suthuma non,   Suntia m or ntut ,   “ Init i al   opt imal  par amet ers  of  art ificial  neu ral   net work  an d   SVR ” ,   Inte rnati onal  Journal  of   El e ct rica l  and  Computer  Enginee ring   ( IJE CE ) ,   Volum e  8,   Iss ue  No   5,   2018.   htt p://doi. o rg/10.11591/i jece . v8 i5 . pp%25p   [17]   Rat na  Niti n  Pat il ,   Dr Sharva vi  Chandra shekha r  T a m ane ,   “ A c om pa rat iv e  ana l y sis o n  the   eva lu at ion of c la ss ifi c at ion   al gorit hm   in   the  pre diction  of   di abe t es” ,   In te rnat ional   Journal  o f   El e ct rica l  and  Computer  Engi n ee ring   ( IJE CE ) ,  Vol   8  ,   Iss ue  5 ,   2 01 8.   ht tp: / /doi . o r g/10. 11591/ ij e ce.v8i 6. pp%25p   [18]   Ja y an thi,  M.,   K anmani,   B. ,   “ E xtra c ti ng  L ive r  and  Tumor  fro m   Com pute r  Tomograph y   Im a ges  Us ing  Hy br id  Te chn ique s ” ,   In te rnational   Journal  of  Innov at io ns  &   Adv ance ment  in  Compute r  Sci ence ,   Volu m e:   4( 3 ) :   12 - 17 ;  2015 .   [19]   Tomasi  C,   Mand uchi   R ,   “ Bil a te r a l  Filt eri ng  Tomasi  C,   Mandu chi   R.   1998,   Bil at er al   Fil te ring   for  G ra y   and   Im age s ” .  India ,   Bom ba y :  Proce ed ings o f   t he  IE EE   Inte rna ti onal  Con fe ren c e  on  Comput er  V ision .  p .   834 - 46 ,   1998.   [20]   Kum ar  SS ,   Moni  RS ,   R aj e esh ,   I .   “ Autom at ic  li v er  and   l esion  se gm ent at ion:  a   pr imar y   step  in  d i agnosis  of   l ive r   disea ses Signa l,  Im age   and   Vide o  Proce ss ing ” .   Marc h  31 ,   2011 .   [21]   S.  Mirja lili ,   S.  Sare m i,   S.M.  Mirj al ili,  and  L. D.S .   Coel ho,   “ Multi - obje c ti ve  gr e y   wolf  opti m iz er :  A  novel   al gor it h m   for  m ult ic r it e rio n  opti m izati on ” ,   Ex pert   Syst .   App l. ,   vol .   47 ,   pp .   10 6 – 119,   Apr 2016 .   [22]   Mirja lili ,   an d  A.   Le wis,  “ Gre y   w olf  opt imize r ” ,   A dv. Eng .   So ft w .   v ol.   69 ,   pp .   46 – 61 ,   Mar .   2014 .   [23]   M.   Ja y ant h i,   “ Segm ent ation  of  Li ver   Abnorm al ity   base d   on  L abe l   Connecte d   Com ponent   Al gorit hm ”,   In te r .   Journal  of   Scien ti fic  Engi ne ering   and  Techno logy .   Volum e: 6, Iss ue :   7 ,   PP :  247 - 2 49 ;  2017 .   [24]   The   ca n ce r   Im agi ng  Archi v e   ( TC IA),  htt p :/ /www . ca nc eri m agi ng ar chi ve . net/   [25]   M.   Ja y an thi,  "Com par at ive   Stud y   of  Diffe r ent   T ec hniqu es  Us ed  for  m e dic al   im age   segm ent a ti o n  of  Li ver   from   Abdom ina l  CT S ca n",  I EE E   Wi SPNE T 2016   co nfe ren c e; pp.   14 62 - 1465,   2016 .     Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8  :   5061   -   5070   5070   BIOGR AP H I ES   OF  A UTH ORS       M.   Ja y ant hi  is  Senior  As sistant   Profess or  in  D epa rtment  of  Elec tron ic s  and  C om m unic at ion   Engi ne eri ng,   N ew  Horiz on  Co ll eg e  Of  Engi n ee ring ,   Beng al u ru  and  Karna t a ka,   Indi a.   She  rec e ive d  h er  M. E  degr e e  in  Co m m unic at ion  S y stems   from   Mepc o  Schle nk  Enginee ring  col l e ge ,   Sivaka si,  T amiln adu  in  the   y ear 2006. She  is pur suing t he  Ph.D de gre e  in  the   Dep artm ent   of  ECE ,   BMS   col le ge  of  Engi ne eri ng,   B e ngal uru.   Her  res ea rch   in te r ests  inc lude   image  pro ce ss ing,   Digital   Signal   proc essing  and  Biom edi c al   signa l  proc ess ing.   She  has  1 1  y e ars  of  exp eri e nce   in  te a chi ng .   Email :ja y an thi . s at hishkum ar@l i ve. com         B   K a nm a n i ,   Ph . D   i s   P r o f e ss or   a n d   D e a n   Ac a d e m i c s ,   D e p a r t m e n t   o f   T e l e c o m m u n i c a t i on  E n g i n e e r i n g ,   B M S   c o l l e g e   o f   E n g i n e e r i n g ,   B e n g a l u r u .   S h e   r e c e i v e d   h e r   B a c h e l o r s   i n   E l e c t r o n i c s   a n d   C o m m u n i c ati o n   E n g i n e e r i n g   f r o m   N a g a r u j u na   U n i v e r s i t y   i n   1 9 8 7 ,   M . T e c h .   d e g r e e   i n   D i g i t a l   c o m m u n i c a t i o n   f r o m   I n d i a n   In s tit u t e   o f   T e c h n o l o g y ,   K a n p u r   i n   1 9 9 0 ,   a n d   P hD   fr o m   t h e   I n d i an  I n s t i t u t e   o f   S c i en c e   B a n g a l o r e   ( I I S c )   i n   t h e   y e a r   2 0 0 6 .     S h e   h a s   b e e n   w i t h   BM S   Co l l e g e   o f  E n g i n e e r i n g ,   B a n g a l o r e ,   s i n c e   1 9 9 5 ,   a n d   h a s   t o   h e r   c r e d i t   2 5   I n t e r n a t i o n a l   p u b l i c a t i o n s ,   o f   w h i c h  t h r e e   a r e   i n   J o ur n a l s .   S h e   i s   a   su p e r v i s o r   f or   t he   P h . D   s t ud e n t   a t   V i s v e s v a r a y a   T e c h n o l o g i c a l   u n i v e r s i t y,   B e l a g a v i .   S h e   t e a c h e s   u n d e r - g r a d u a t e  c o u r s e s   o n   A n alo g   S i g n a l   P r o ces s i n g ,   D i g i t a l   S i g n a l   P r o c e ss i ng ,   A n a l o g   C o m m u n i c a t i o n   a n d   D i g i t a l   C o m m un i c a t i o n . S h e   i s   S e n i o r   M e m b e r   I E E E ,   M e m b e r   T a t a   L i b r a r y  a n d   L i f e   M e m b e r   I S T E .       Evaluation Warning : The document was created with Spire.PDF for Python.