用于 3D MR 图像中学习型膝关节软骨分割的语义上下文森林
计算机视觉与模式识别
2017-11-07 v2 机器学习
组织与器官
机器学习
摘要
由于软骨具有薄片状结构、边界弥散且强度不均匀，从 3D MR 图像中自动分割人体膝关节软骨是一项有用但具有挑战性的任务。在本文中，我们提出了一种迭代多类学习方法，用于同时分割股骨、胫骨和髌骨软骨，该方法有效利用了骨与软骨之间以及不同软骨之间的空间上下文约束。首先，基于软骨仅在相应骨表面的特定区域生长这一事实，我们不仅提取了到骨表面的距离特征，而且更具信息量地提取了到骨表面上密集配准的解剖标志点的距离特征。其次，我们引入了一组迭代判别分类器，在每次迭代中，利用先前学习到的分类器导出的类别置信度图构建概率比较特征。这些特征自动嵌入了感兴趣的不同软骨之间的语义上下文信息。在来自骨关节炎倡议（Osteoarthritis Initiative, OAI）数据集的总共 176 个体积数据上进行验证，与现有的最先进 MR 软骨分割方法相比，所提出的方法展示了高分割鲁棒性和准确性。
引用
@article{arxiv.1307.2965,
title = {Semantic Context Forests for Learning-Based Knee Cartilage Segmentation in 3D MR Images},
author = {Quan Wang and Dijia Wu and Le Lu and Meizhu Liu and Kim L. Boyer and Shaohua Kevin Zhou},
journal= {arXiv preprint arXiv:1307.2965},
year = {2017}
}
备注
MICCAI 2013: Workshop on Medical Computer Vision