深度多分辨率分形纹理的计算建模及其在异常脑组织分割中的应用
图像与视频处理
2023-06-09 v1 计算机视觉与模式识别
机器学习
摘要
多分辨率-分数布朗运动（fBm）的计算建模在随机多尺度分形纹理特征提取与异常脑组织分割的机器学习中已行之有效。此外，深度多分辨率方法已用于像素级脑组织分割。稳健的组织分割与体积测量可提供更客观的疾病负担量化，并改善疾病治疗响应的追踪。然而，我们认为深度多分辨率分形纹理特征的计算建模可提供更优雅的特征学习。因此，本工作提出了多分辨率分形深度神经网络（MFDNN）的新颖建模及其计算实现，从数学上结合了多分辨率 fBm 模型与深度多分辨率分析。所提出的全 3D MFDNN 模型具备通过分析了大量原始 MRI 图像数据来估计多分辨率随机纹理特征的理想性质，用于脑肿瘤分割。我们应用所提出的 MFDNN 估计脑 MRI 图像中肿瘤组织的随机深度多分辨率分形纹理特征。使用最新的 BRATS 2021 挑战数据集，以 1251 例患者病例评估 MFDNN 模型用于脑肿瘤分割。使用 Dice 重叠分数、Hausdorff 距离及相关的不确定性估计对模型进行评估，与文献中现有最优方法相比，在异常脑组织分割中表现出更优或相当的性能。索引术语：计算建模，多分辨率分数布朗运动（fBm），深度多分辨率分析，分形维数（FD），纹理特征，脑肿瘤分割，深度学习。
引用
@article{arxiv.2306.04754,
title = {Computational Modeling of Deep Multiresolution-Fractal Texture and Its Application to Abnormal Brain Tissue Segmentation},
author = {A. Temtam and L. Pei and K. Iftekharuddin},
journal= {arXiv preprint arXiv:2306.04754},
year = {2023}
}