用于前视通路分割的分区形状建模与即时稀疏外观学习
计算机视觉与模式识别
2015-08-06 v1
摘要
由于前视通路 (AVP) 等颅神经细小、沿其路径结构多变以及邻近解剖结构，在 MRI 中对其量化具有挑战性。病理异常的视神经（如视神经胶质瘤）的分割因形状在不可预测位置发生变化而带来额外挑战。在本工作中，我们提出一种结合稀疏外观学习的分区联合统计形状模型方法，用于健康和病理 AVP 的分割。我们的主要贡献是：(1) 基于区域形状变化为 AVP 建立最优分区统计形状模型，以增强统计形状模型的局部灵活性；(2) 细化模型，利用 (1) 中获得的初始分割即时训练模型，以适应病理区域以及细微变化区域；(3) 分层可变形框架，以在分区形状和外观模型中纳入尺度信息。我们的方法称为 PAScAL (PArtitioned Shape and Appearance Learning)，在来自儿科患者（年龄 2-17 岁）的 21 次 MRI 扫描（15 例健康 + 6 例胶质瘤）上进行了评估。实验结果表明，所提出的基于局部形状和稀疏外观的学习方法在病理数据分析中显著优于其他分割方法。
引用
@article{arxiv.1508.01128,
title = {Partitioned Shape Modeling with On-the-Fly Sparse Appearance Learning for Anterior Visual Pathway Segmentation},
author = {Awais Mansoor and Juan J. Cerrolaza and Robert A. Avery and Marius G. Linguraru},
journal= {arXiv preprint arXiv:1508.01128},
year = {2015}
}
备注
8 pages; 4 figures