从磁共振图像(MRI)中分割脑病变是疾病诊断、手术计划、放疗和化疗的重要步骤。然而,由于噪声、运动和部分体积效应的影响,从MRI中自动分割病灶仍然是一项具有挑战性的任务。在本文中,我们提出了一种两阶段监督学习框架来自动分割脑损伤。具体来说,在第一阶段,使用基于强度的统计特征、基于模板的非对称特征和基于gmm的组织概率图来训练初始随机森林分类器。接下来,稠密条件随机场优化来自初始随机森林分类器的概率映射,并导出整个肿瘤区域称为感兴趣区域(region of interest, ROI)。第二阶段,将优化后的概率图与基于强度的统计特征和基于模板的非对称特征进一步融合,训练后续的随机森林,重点在ROI内进行体素分类。输出概率映射也将被密集条件随机场优化,并进一步用于迭代训练一个级联随机森林。通过对级联随机森林和稠密条件随机场的分层学习,将多模态局部和全局外观信息与上下文信息相结合,对输出概率图进行逐层改进,最终获得最优分割结果。我们在公开的脑肿瘤数据集BRATS 2015和BRATS 2018以及缺血性中风数据集ISLES 2015上评估了所提出的方法。结果表明,与先进的脑损伤分割方法相比,我们的框架实现了竞争性能。 In addition, contralateral difference and skewness were identified as the important features in the brain tumor and ischemic stroke segmentation tasks, which conforms to the knowledge and experience of medical experts, further reflecting the reliability and interpretability of our framework.
版权©2020。Elsevier Inc.出版。
获取最新消息和更新