基于回归森林的医学图像配准定量误差预测
图像与视频处理
2019-05-21 v1 机器学习
机器学习
摘要
预测配准误差可用于评估配准流程，这对于临床中采用配准技术十分重要。此外，定量误差预测有助于提升配准质量。由于医学图像中缺乏真值，预测配准误差的任务十分艰巨。本文提出一种以定量方式预测配准误差的新的自动方法，并应用于胸部 CT 扫描。利用随机回归森林对配准误差进行局部预测。该森林由与变换模型相关的特征以及配准后不相似度相关的特征构建。在两个实验中，使用胸部 CT 扫描对之间人工标注的对应点对该森林进行训练和测试：SPREAD（在 SPREAD 上训练并测试）和跨数据库（包含 SPREAD、DIR-Lab-4DCT 和 DIR-Lab-COPDgene 三个数据库）。结果显示，回归的平均绝对误差在 SPREAD 和跨数据库实验中分别为 1.07 1.86 和 1.76 2.59 mm。三类（正确、较差和错误配准）分类的总体准确率在 SPREAD 和跨数据库中分别为 90.7% 和 75.4%。所提方法的良好性能使得诸如大规模图像分析中的自动质量控制等重要应用成为可能。
引用
@article{arxiv.1905.07624,
title = {Quantitative Error Prediction of Medical Image Registration using Regression Forests},
author = {Hessam Sokooti and Gorkem Saygili and Ben Glocker and Boudewijn P. F. Lelieveldt and Marius Staring},
journal= {arXiv preprint arXiv:1905.07624},
year = {2019}
}