22、医学影像中的地标检测与分割方法研究

医学影像中的地标检测与分割方法研究

在医学影像处理领域，地标检测和图像分割是两项关键任务，它们对于疾病诊断、治疗规划以及研究分析都具有重要意义。本文将介绍基于回归的地标检测、上下文感知的地标检测以及 STAPLE 算法中的最优 MAP 参数估计等方法。

基于回归的地标检测

在基于回归的地标检测中，回归森林常被用于学习体素的局部外观到其朝向目标地标的三维位移的非线性映射。
- 特征提取 ：受基于补丁的方法启发，体素通常由以其为中心的局部补丁表示。为了更好地表征局部补丁，除了使用强度信息外，还从局部补丁中提取 Haar 类特征作为每个体素的特征表示。Haar 类特征的定义如下：
[v(I) = \sum_{i=1}^{Z} p_i \sum_{|x - a_i|_{\infty} \leq s_i} I(x)]
其中，(v(I)) 表示 Haar 类特征，(I) 是局部补丁，(Z) 是此 Haar 类特征中使用的三维立方函数的数量，(p_i \in {-1, 1})，(a_i \in R^3) 和 (s_i) 分别是第 (i) 个三维立方函数的极性、位置和尺度。通过改变 (Z)、(p_i)、(a_i) 和 (s_i) 的值，可以生成无限数量的 Haar 类特征。在回归森林训练期间，根据需要随机采样 (Z)、(p_i)、(a_i) 和 (s_i) 以生成特征子集。在本工作中，将 (Z) 限制为 ({1, 2})，(s_i) 限制为 ({3, 5})。为了捕获局部补丁内的长距离上下文特征，不限制 (a_i)，只要三维立方函数不移出局部补丁 (I)（大小为 (30 × 30 × 30)），(a_i) 可以取任意值。
-