面向幼儿脑组织的高度准确自动分类的新方法
图像与视频处理
2020-05-08 v1 统计力学
定量方法
摘要
在幼儿期大脑的儿科 MR 扫描中，对主要组织类别和脑脊液的准确自动分类仍然是一项挑战。发育中大脑 T1 加权 MR 扫描上灰质与白质对比度差且高度可变，使得利用最先进的分类方法（偏体积估计）将体素自动归类为主要组织类别变得复杂。脑组织的强度变化以及可能的组织伪影进一步导致误分类。为提高对 10 天至 4.5 岁婴幼儿脑中主要组织类型和脑脊液的自动检测精度，我们提出一种基于核 Fisher 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的新分类方法。所提方法将图像域最优划分为具有不同平均强度值且组织强度相对均匀的子域。在基于 KFDA 的框架中，利用灰质、白质和脑脊液强度簇在 3D (T1W, T2W, PDW) 空间中的复杂非线性结构来寻找准确分类。基于人类视觉系统是最优结构信息提取器的计算机视觉假设，SSIM 在分类质量评估中找到新角色。使用 SSIM 指数与最先进的偏体积估计方法进行比较，证明了基于局部 KFDA 的算法在低对比度子域中的优越性能，以及对脑体积中灰质、白质和脑脊液模式更准确的检测。
引用
@article{arxiv.2005.03261,
title = {Novel solutions toward high accuracy automatic brain tissue classification in young children},
author = {Nataliya Portman and Paule-J Toussaint and Alan C. Evans McConnell},
journal= {arXiv preprint arXiv:2005.03261},
year = {2020}
}
备注
This manuscript (25 pages, 16 figures) was written in the end of N.Portman's postdoctoral assignment at Montreal Neurological Institute (MNI) in 2014. N. Portman's affiliation with MNI was valid from May 2010 until November 2013