基于混合模型的无监督急性颅内出血分割
计算机视觉与模式识别
2021-05-14 v1 机器学习
摘要
颅内出血发生在脑血管在脑实质内或颅骨内其他部位破裂或渗漏时。它可由物理创伤或各种病症引起，且在许多情况下导致死亡。治疗必须尽早开始，因此应准确快速地诊断出血。诊断通常由放射科医生分析贯穿全脑的、包含大量横断面图像的计算机断层扫描（CT）来完成。手动分析每张图像可能非常耗时，但自动化技术有助于加快该过程。尽管近期许多研究聚焦于使用监督式机器学习算法解决此问题，但由于隐私问题，公开可用的训练数据仍然稀缺。无监督算法可缓解这一问题。在本文中，我们提出一种完全无监督的、基于混合模型的算法。我们的算法利用出血与健康组织属性遵循不同分布这一事实，因此对这些分布的恰当表述使我们能够通过期望最大化（Expectation-Maximization）过程将它们分离。此外，我们的算法能够自适应地确定簇的数量，从而找到所有出血区域而不包含噪声体素。我们在包含各种大小和强度的所有不同类型出血的公开数据集上展示了我们算法的结果，并将我们的结果与早期的无监督和监督算法进行比较。结果表明，对于大多数出血类型，我们的算法优于其他算法。
引用
@article{arxiv.2105.05891,
title = {Unsupervised Acute Intracranial Hemorrhage Segmentation with Mixture Models},
author = {Kimmo Kärkkäinen and Shayan Fazeli and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:2105.05891},
year = {2021}
}