使用集成强分类器的动态多尺度树学习用于带病灶医学图像的多标签分割
计算机视觉与模式识别
2017-09-07 v1
摘要
我们引入一种动态多尺度树（DMT）架构，该架构学习如何利用不同现有分类器的优势进行有监督多标签图像分割。与先前简单聚合或级联分类器以解决图像分割与标注任务的工作不同，我们提出将强分类器嵌入树结构中，使其分类器节点间允许双向信息流以逐步提升性能。我们的DMT是一种通用分类模型，它固有地嵌入了不同的分类器级联，同时增强它们之间的学习迁移以提升分类精度。具体而言，DMT中的每个节点可以嵌套结构化随机森林（SRF）分类器或贝叶斯网络（BN）分类器。所提出的SRF-BN DMT架构具有若干引人注目的特性。首先，SRF在块级别（规则图像区域）操作，而BN在超像素级别（不规则图像区域）操作，从而使DMT能够整合学习过程中的多级图像知识。其次，尽管BN在建模图像元素（超像素、边）及其特征间依赖关系方面能力强大，其结构与参数的学习却具挑战性。另一方面，SRF可能无法准确检测极不规则的物体边界。所提出的DMT通过每个父节点与其子节点间上下文信息的上升与下降流，鲁棒地克服了这两个分类器的上述局限。第三，我们使用不同尺度训练DMT，随着沿树边靠近叶节点逐渐减小块与超像素的尺寸。最后，DMT在多标签脑图像胶质瘤分割方面与若干最先进分割方法相比展现了其优越性。
引用
@article{arxiv.1709.01602,
title = {Dynamic Multiscale Tree Learning Using Ensemble Strong Classifiers for Multi-label Segmentation of Medical Images with Lesions},
author = {Samya Amiri and Mohamed Ali Mahjoub and Islem Rekik},
journal= {arXiv preprint arXiv:1709.01602},
year = {2017}
}