18、多图谱分割技术解析

多图谱分割技术解析

1. 多图谱标签融合的贝叶斯视角

在多图谱分割中，使用生成模型进行多图谱标签融合的一个重要思路是通过贝叶斯推理来最大化标签的后验概率。贝叶斯推理模型已成功应用于多模态标签融合，且无需假设图谱和测试图像的强度之间存在特定关系。

2. 后处理细化技术

为了提高分割的准确性，可对估计的分割结果进行后处理细化，以下是几种常见的技术：
- 纠正学习 ：通过机器学习技术构建分类器（如AdaBoost）来纠正一致的分割错误。这种“包装器”方法能持续提高分割精度，但确定特征选择标准的最优技术和初始化模型参数仍是研究热点。
- EM细化 ：执行元分析框架以实施所需的约束（即与训练数据的一致性）。例如，在多图谱分割后应用强度驱动的EM分割越来越受欢迎。然而，这种方法仅限于期望的解剖结构之间的强度特征可以概率性分离的场景。
- 马尔可夫随机场（MRF） ：基于成像统计中的随机场理论，MRF提供了一种在图像间强制实现空间一致性的机制。在多图谱分割中，由于典型配准算法的平滑约束，通常能保持空间一致性，因此MRF虽能提高准确性，但改进通常较小。
- 形态学校正 ：数学形态学对分割结果的几何和解剖结构进行正则化至关重要。如果已知分割器官具有特定的解剖特征，可以使用一些基本操作（如开运算、闭运算、腐蚀、膨胀等）来正则化分割的几何结构。

以下是这些后处理细化技术的对比表格：
| 技术名称 | 原理 | 优点 | 缺点 |
| ---- | ---- | ----