基于语义分类随机森林与自上下文模型的 3D 脑 MRI 空气、骨骼及软组织分割
医学物理
2019-11-25 v2 图像与视频处理
摘要
由于骨骼与空气在常规 MR 序列中产生弱信号，这些组织在 MRI 中的分割尤为困难。我们提出将基于块的解剖学特征与自上下文模型整合进机器学习框架，以迭代地将 MRI 分割为空气、骨骼与软组织。所提出的语义分类随机森林（SCRF）方法包含训练阶段与分割阶段。在训练阶段，从配准的 MRI-CT 训练图像中提取基于块的解剖学特征，并识别最具信息量的特征以训练一系列带自上下文模型的分类森林。在分割阶段，我们从 MRI 中提取所选特征并将其输入训练好的森林中进行 MRI 分割。所提 SCRF 得到的空气、骨骼与软组织的 DSC 分别为 0.976、0.819 与 0.932，而 RF 为 0.916、0.673 与 0.830，U-Net 为 0.942、0.791 与 0.917。SCRF 在灵敏度与特异度上也对三类结构均展现出优于 RF 与 U-Net 的分割性能。所提分割技术可作为分割骨骼、空气与软组织的实用工具，并有望应用于 PET/MRI 系统的衰减校正、仅 MRI 放射治疗计划以及 MR 引导聚焦超声手术。
引用
@article{arxiv.1911.09264,
title = {Air, bone and soft-tissue Segmentation on 3D brain MRI Using Semantic Classification Random Forest with Auto-Context Model},
author = {Xue Dong and Yang Lei and Sibo Tian and Yingzi Liu and Tonghe Wang and Tian Liu and Walter J. Curran and Hui Mao and Hui-Kuo Shu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:1911.09264},
year = {2019}
}
备注
18 pages, 8 figures