面向脑肿瘤分割的脑内分类
计算机视觉与模式识别
2016-05-20 v1 人工智能
摘要
目的：本文研究一种交互式脑肿瘤分割框架，其核心将交互式脑肿瘤分割问题视为机器学习问题。方法：该方法相较于对此任务典型的机器学习方法（其泛化是在不同大脑间进行）具有优势。这些方法的问题在于需要处理强度偏置校正及其他MRI特有噪声。本文通过将问题作为脑内泛化来处理，避免了这些问题。具体地，我们提出一种半自动方法，仅基于最小用户交互，在该大脑内部训练并泛化，从而分割脑肿瘤。结论：我们探究将空间特征坐标（即 , , ）添加到强度特征如何能显著提升不同分类方法（如SVM、kNN和随机森林）的性能。这仅在交互式框架内才可能。我们还研究了一种更合适的核以及针对每个大脑的特定超参数适配。结果：作为这些实验的结果，我们获得了一种交互式方法，其在MICCAI-BRATS 2013数据集上报告的结果与已发表方法相比准确度位居第二，同时使用内存和计算能力显著少于大多数最先进方法。
引用
@article{arxiv.1510.01344,
title = {Within-Brain Classification for Brain Tumor Segmentation},
author = {Mohammad Havaei and Hugo Larochelle and Philippe Poulin and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:1510.01344},
year = {2016}
}