基于学习的 CT 脑图像分割：在后颅窝积水术后扫描中的应用
图像与视频处理
2018-09-11 v1
摘要
目的：脑积水是一种脑脊液（CSF）在脑内异常积聚的病症。将脑图像分割为脑组织和 CSF（术前与术后，即 pre-op 与 post-op）在评估手术治疗中起着关键作用。术前图像分割通常是一个相对简单的问题，并已得到充分研究。然而，由于解剖结构变形以及硬膜下血肿压迫脑，分割术后（post-op）计算机断层扫描（CT）图像变得更具挑战性。大多数基于强度和特征的分割方法难以将硬膜下血肿与脑和 CSF 分离，因为硬膜下几何结构在不同患者间差异很大，且其强度随时间变化。我们通过一种将分割视为像素级监督分类的学习方法来解决该问题，即采用带有标记像素身份的 CT 扫描训练集。方法：我们的贡献包括：1.) 一个字典学习框架，学习类（分割）特定字典，可高效表示来自同一类的测试样本，而对来自其他类的相应样本表示能力差；2.) 对相关计算和内存占用的量化；3.) 用于分割术后脑积水 CT 图像的定制训练与测试流程。结果：在来自乌干达 CURE 儿童医院的婴儿 CT 脑图像上进行的实验揭示了我们的方法相对于当前最优替代方法的成功。我们还证明了所提算法计算负担更轻，且随训练样本数量增加呈现平缓的性能退化，增强了其部署潜力。
引用
@article{arxiv.1712.03993,
title = {Learning Based Segmentation of CT Brain Images: Application to Post-Operative Hydrocephalic Scans},
author = {Venkateswararao Cherukuri and Peter Ssenyonga and Benjamin C. Warf and Abhaya V. Kulkarni and Vishal Monga and Steven J. Schiff},
journal= {arXiv preprint arXiv:1712.03993},
year = {2018}
}
备注
IEEE Transactions on Biomedical Engineering, 2018