基于广义高斯先验的分层贝叶斯模型的超声图像联合分割与去卷积
计算机视觉与模式识别
2016-05-03 v4
摘要
本文提出了一种用于医学超声(US)图像的联合分割与去卷积贝叶斯方法。与分段均匀图像不同，US图像表现出与组织结构相关的严重特征散斑图案。广义高斯分布(GGD)已被证明是表征US图像中散斑最相关的分布之一。因此，我们提出了一个GGD-Potts模型，该模型由耦合US图像分割与去卷积的标签图定义。包括US图像、标签图和所有超参数在内的未知模型参数的贝叶斯估计量难以用封闭形式表达。因此，我们研究了一种Gibbs采样器来生成根据目标后验分布进行分布的样本。这些生成的样本最终用于计算未知参数的贝叶斯估计量。通过在逼真的合成数据和体内US图像上进行的若干实验，将所提出的贝叶斯模型的性能与现有方法进行了比较。
引用
@article{arxiv.1412.2813,
title = {Joint Segmentation and Deconvolution of Ultrasound Images Using a Hierarchical Bayesian Model based on Generalized Gaussian Priors},
author = {Ningning Zhao and Adrian Basarab and Denis Kouame and Jean-Yves Tourneret},
journal= {arXiv preprint arXiv:1412.2813},
year = {2016}
}