基于判别 Grassmann 流形的转移性肝肿瘤分割
机器学习
2015-09-02 v1 计算机视觉与模式识别
摘要
通过精确勾勒转移性肿瘤，可以实现肝癌进展的早期检测、诊断和监测。然而，由于噪声、不均匀性以及恶性组织的高度外观变异性，准确的自动化分割仍具挑战性。本文提出了一种无监督的转移性肝肿瘤分割框架，使用基于判别 Grassmann 流形的机器学习方法，学习肿瘤相对于正常组织的外观。首先，该框架从训练图像集中学习类内和类间相似性分布，以发现肝脏正常组织与病理组织之间的最优流形判别。其次，一种条件优化方案从流形子空间计算非局部成对以及基于模式的团势能，以识别具有相似标记的区域，并在分割过程中引入全局一致性。所提框架在包含 43 例转移性肝癌患者 CT 图像的临床数据库上进行了验证。与现有方法相比，我们的方法在来自不同临床站点的两个转移性肝肿瘤独立数据集上取得了更好的性能，在 50 多个平均体积为 27.3 mm3 的肿瘤上获得了 90.7 +/- 2.4 的总体平均 Dice 相似系数。
引用
@article{arxiv.1509.00083,
title = {Metastatic liver tumour segmentation from discriminant Grassmannian manifolds},
author = {Samuel Kadoury and Eugene Vorontsov and An Tang},
journal= {arXiv preprint arXiv:1509.00083},
year = {2015}
}