通过反向传播学习的非线性马尔可夫随机场
计算机视觉与模式识别
2019-05-29 v2 机器学习
机器学习
摘要
尽管卷积神经网络（CNNs）目前在图像分割竞赛中占主导地位，但对于神经影像分析任务，基于混合模型的更经典的生成式方法仍被实际用于脑分区。为弥合二者之间的差距，在本文中我们提出将概率生成模型（已被证明对通过不同成像协议获取的磁共振（MR）图像间的变化具有鲁棒性）与 CNN 相结合。其联系在于对未知组织类别的先验分布，该分布经典上使用马尔可夫随机场建模。在这项工作中，我们通过一种循环 CNN 对相邻像素间的相互作用建模，其可以编码更复杂的空间相互作用。我们在来自不同中心的公开可用 MR 数据上验证了我们提出的模型，并表明其能跨成像协议泛化。该结果展示了在生成模型中成功且原则性地引入 CNN，这反过来可被任何用于图像分割的概率生成式方法所采纳。
引用
@article{arxiv.1902.10747,
title = {Nonlinear Markov Random Fields Learned via Backpropagation},
author = {Mikael Brudfors and Yaël Balbastre and John Ashburner},
journal= {arXiv preprint arXiv:1902.10747},
year = {2019}
}
备注
Accepted for the international conference on Information Processing in Medical Imaging (IPMI) 2019, camera ready version