利用纵向图像的4D多图谱标签融合
计算机视觉与模式识别
2017-08-30 v1
摘要
纵向可重复性是自动化医学图像分割中的一个本质问题，但已被证明是一个难以捉摸的目标，因为手动脑结构描迹显示出超过10%的变异性。为提高可重复性，已研究纵向分割（4D）方法以调和时间变化与传统3D方法。在过去十年中，多图谱标签融合已成为3D图像最先进的分割技术，并且已作出许多努力将其适应于4D纵向形式。然而，先前的方法要么受限于使用特定应用的能量函数（例如，表面融合和多模型融合），要么仅在稀疏性假设下考虑两个连续时间点（t和t+1）的时间平滑性。因此，用于一般标签融合目的并同时考虑所有时间点时间一致性的4D多图谱标签融合理论是引人关注的。在此，我们提出一种新颖的纵向标签融合算法，称为4D联合标签融合（4DJLF），通过非局部块强度协方差模型引入时间一致性建模。4DJLF的优点包括：（1）4DJLF在通用标签融合框架下，通过同时结合所有纵向时间点的空间和时间协方差。（2）所提算法是领先的联合标签融合方法（JLF）的纵向推广，JLF已被证明可适应多种应用。（3）图谱的时空一致性在受基于投票和统计融合启发的概率模型中被建模。与使用相同图谱集的原始JLF方法相比，所提方法在保持灵敏度的同时提高了纵向分割的一致性。该方法在线开源。
引用
@article{arxiv.1708.08825,
title = {4D Multi-atlas Label Fusion using Longitudinal Images},
author = {Yuankai Huo and Susan M. Resnick and Bennett A. Landman},
journal= {arXiv preprint arXiv:1708.08825},
year = {2017}
}