儿童脑 MRI 中基于局部半监督的脑组织结构分类方法
图像与视频处理
2020-05-21 v1 机器学习
摘要
儿童脑 MRI 中大多数分割方法是监督式的，并基于主要脑结构的全局强度分布。监督方法的成功实施依赖于是否存在适龄的概率脑图谱。对于早期正常脑发育研究，此类脑图谱的构建仍是一项重大挑战。此外，由于早期发育脑各组成部分的 MR 信号存在显著强度变化，使用全局强度统计会导致主要脑组织类别的检测不准确。为克服这些方法论局限，我们开发了局部半监督框架。其基于核费舍尔判别分析（KFDA）进行模式识别，并结合客观结构相似性指数（SSIM）进行感知图像质量评估。所提方法将脑最优划分为具有不同平均强度值的子域，随后通过 SSIM 引导计算各脑组成部分间的分离曲面。分类后的图像子域再通过模拟退火逐层拼接，形成分类脑的全局图像。本文中我们考虑分为主要组织类别（白质与灰质）以及脑脊液，并以 8 至 11 月龄和 44 至 60 月龄的脑模板为例说明所提框架。我们通过对最先进的称为部分体积估计的分类技术进行比较，表明本方法改进了组织类别的检测。
引用
@article{arxiv.2005.09871,
title = {Local semi-supervised approach to brain tissue classification in child brain MRI},
author = {Nataliya Portman and Paule-J Toussaint and Alan C. Evans},
journal= {arXiv preprint arXiv:2005.09871},
year = {2020}
}
备注
This manuscript was written by Nataliya Portman in the end of her postdoctoral tenure in 2014 and reviewed and edited by Paul-J Toussaint. 31 pages including Appendix, 14 figures. arXiv admin note: text overlap with arXiv:2005.03261