用于基于块医学图像分割的稀疏数据库学习
图像与视频处理
2019-06-26 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
我们引入了一个用于学习最优数据库的函数泛函，以进行基于块的图像分割，并应用于从冠状动脉计算机断层摄影血管造影（CCTA）数据进行冠状动脉管腔分割。所提出的泛函由保真度、稀疏性以及对小变化鲁棒性的项及其相关权重组成。现有工作通过原型选择来解决数据库优化问题，旨在根据一组预定义规则通过添加或移除原型来优化数据库。相反，我们将数据库优化任务表述为一个可使用标准数值工具求解的能量最小化问题。我们将所提出的数据库优化泛函应用于优化基于块的冠状动脉管腔分割数据库的任务。我们使用公开可用的MICCAI 2012冠状动脉管腔分割挑战数据进行的实验表明，使用所提出的方法优化数据库使数据库大小减少了96%，同时保持了相同水平的管腔分割精度。此外，我们表明，在使用132个（76个阻塞性）以有创测量的FFR为参考的冠状动脉病变作为训练集时，优化后的数据库提升了基于CCTA的血流储备分数特异性（所有病变为0.73对0.7，阻塞性病变为0.68对0.65）。
引用
@article{arxiv.1906.10338,
title = {Learning a sparse database for patch-based medical image segmentation},
author = {Moti Freiman and Hannes Nickisch and Holger Schmitt and Pal Maurovich-Horvat and Patrick Donnelly and Mani Vembar and Liran Goshen},
journal= {arXiv preprint arXiv:1906.10338},
year = {2019}
}