用于变分贝叶斯脑组织分割的跨中心平滑先验
机器学习
2019-08-28 v1 计算机视觉与模式识别
机器学习
摘要
假设面临在 MR 图像中进行组织分割的挑战，而所在中心没有标注者提供带标签的训练数据。一种选择是前往另一医疗中心获取训练好的分类器。遗憾的是，由于中心特定采集协议引起的体素强度偏移，组织分类器跨中心泛化能力不佳。然而，分割的某些方面（如空间平滑性）保持相对一致，并可被分别学习。在此我们提出一种平滑先验，其拟合于另一医疗中心产生的分割结果。该信息性先验被赋予一个无监督贝叶斯模型。该模型对体素强度进行聚类，从而生成与另一医疗中心相似平滑的分割。此外，该无监督贝叶斯模型被扩展为一种半监督变体，其无需将聚类可视解释为组织。
引用
@article{arxiv.1903.04191,
title = {A cross-center smoothness prior for variational Bayesian brain tissue segmentation},
author = {Wouter M. Kouw and Silas N. Ørting and Jens Petersen and Kim S. Pedersen and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1903.04191},
year = {2019}
}
备注
12 pages, 2 figures, 1 table. Accepted to the International Conference on Information Processing in Medical Imaging (2019)