基于启发式迭代优化的形态感知共识计算（MACCHIatO）
计算机视觉与模式识别
2023-10-11 v2 机器学习
最优化与控制
摘要
从多个二值或概率掩码中提取共识分割对于解决诸如评分者间变异性分析或多个神经网络输出融合等各种任务十分重要。获得此类共识分割最广泛使用的方法之一是 STAPLE 算法。在本文中，我们首先证明该算法的输出深受图像背景尺寸与先验选择的影响。随后我们提出一种基于精心选择距离的 Fréchet 均值来构建二值或概率共识分割的新方法，使其完全独立于图像背景尺寸。我们提供了一种启发式方法来优化该准则，使得某体素的类别完全由其到不同掩码的体素级距离、所属连通分量以及对其进行分割的评分者组决定。我们在多个数据集上将我们的方法与 STAPLE 方法及朴素分割平均方法进行了广泛比较，表明其产生的二值共识掩码尺寸介于多数投票与 STAPLE 之间，且给出的后验概率不同于掩码平均与 STAPLE 方法。我们的代码可在 https://gitlab.inria.fr/dhamzaou/jaccardmap 获取。
引用
@article{arxiv.2309.08066,
title = {Morphologically-Aware Consensus Computation via Heuristics-based IterATive Optimization (MACCHIatO)},
author = {Dimitri Hamzaoui and Sarah Montagne and Raphaële Renard-Penna and Nicholas Ayache and Hervé Delingette},
journal= {arXiv preprint arXiv:2309.08066},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2023:013