16、基于指南的机器学习在三维标准平面提取中的应用

基于指南的机器学习在三维标准平面提取中的应用

1. 方法概述

本文提出了一种基于指南的机器学习方法用于三维标准平面提取，该方法的流程主要包括以下三个步骤：
1. 特征点检测 ：依据指南，利用二尖瓣环和心尖特征搜索A4C平面，选取三个解剖特征点，并使用带分层搜索的霍夫森林分类器来检测这些点。
2. 平面初始化 ：根据指南中A4C平面与其他五个平面的解剖规律，利用检测到的特征点和这些规律一次性确定六个平面的初始位置。
3. 平面细化 ：考虑到个体差异，对初始位置附近的平面进行细化。采用带有位置约束的回归森林方法进行平面细化。

该方法主要有以下三个贡献：
- 将机器学习方法融入到指南的每个阶段，形成基于指南的机器学习，可应用于医学图像的各种测量。
- 提出了一种使用带分层搜索的霍夫森林的方法，能高效准确地检测三维特征点。
- 将位置约束集成到回归森林中进行平面细化，进一步提高了平面提取的准确性。

2. 标准平面初始化

2.1 霍夫森林

霍夫森林用于检测特征点，它提供了一种从图像块映射到解剖位置的方法。在本文中，霍夫森林被扩展用于使用三维图像特征和三维霍夫投票进行三维点检测。
- 训练过程 ：霍夫森林的每棵树T基于一组图像块${P_i = (I_i, c_i, d_i)}$构建，其中$I_i$是三维图像块的外观，$c_i$是包括正类和负类的类别标签，$d_i$是从图像块中心到目标中心的偏移量。每个叶节点L存储对象块与背景块