基于学习的代价函数用于膝关节 MRI 的 3D 与 4D 多表面多对象分割：来自骨关节炎倡议的数据
计算机视觉与模式识别
2019-03-12 v1 机器学习
摘要
我们开发了一种全自动膝关节 MRI 分割方法以研究骨关节炎（OA），采用新颖的分层随机森林（RF）分类器集合来学习软骨区域及其边界的外观。首先使用邻域近似森林为第二级 RF 分类器提供上下文特征，该分类器同时考虑局部特征，并为分层最优图图像多对象与多表面分割（LOGISMOS）框架生成位置相关代价。本工作所用双回波稳态（DESS）MRI 源自骨关节炎倡议（OAI）研究。在 34 例不同程度 OA 的 MRI 上训练后，基于学习的方法在 108 例 MRI 上测试，与传统的基于梯度和单级 RF 学习代价相比，分割误差显著降低（\emph{p}0.05）。将 3D LOGISMOS 扩展至纵向-3D（4D）以同时分割同一患者的多次随访。由此，时间序列所有时间点的数据都为利用空间 3D 与时间上下文的单一最优解贡献信息。在 54 名患者基线及 12 个月随访扫描的 108 例 MRI 上，4D LOGISMOS 验证显示与 3D 相比分割误差显著降低（\emph{p}0.01）。最后，在同样 54 名患者上使用 5 次年度随访扫描进一步探索了 4D LOGISMOS 的潜力，显示与顺序 3D 方法相比测量软骨厚度显著改善（\emph{p}0.01）。
引用
@article{arxiv.1903.03927,
title = {Learning-Based Cost Functions for 3D and 4D Multi-Surface Multi-Object Segmentation of Knee MRI: Data from the Osteoarthritis Initiative},
author = {Satyananda Kashyap and Honghai Zhang and Karan Rao and Milan Sonka},
journal= {arXiv preprint arXiv:1903.03927},
year = {2019}
}
备注
IEEE Transactions in Medical Imaging, 11 pages