医学图像分割技术：胎盘自动分割与多器官分割方法解析

# 医学图像分割技术：胎盘自动分割与多器官分割方法解析 ## 1 胎盘自动分割框架 ### 1.1 框架概述 提出了一种从运动受损的胎儿 MRI 扫描中对人类胎盘进行全自动分割的框架。该框架基于 3D 深度多尺度卷积神经网络，并结合条件随机场分割细化技术。 ### 1.2 实验评估 在两个不同的测试数据集上进行了严格实验，以全面评估所提出的分割方法。实验结果显示，对于健康胎儿，该框架能够处理运动伪影，分割准确率达到 71.95%；对于包含不同扫描仪采集的宫内胎儿生长受限病例的混合队列，也能实现 66.89%的分割准确率。 ### 1.3 临床应用拓展 通过切片到体积配准技术补偿运动伪影，将框架的应用范围扩展到实际临床应用中。此外，利用骨架提取和曲面平面重建技术，为胎盘结构提供了一种新颖的标准化视图。 ## 2 多器官分割方法：基于有利点森林和二进制上下文特征 ### 2.1 研究背景 多标签分类在许多视觉应用中都很重要，如目标识别和医学图像分割。自动多器官分割的临床应用可能需要高精度的分割（如诊断任务）或快速稳健的多器官分割（如图像引导干预）。目前，随机森林、蕨类集成或图谱森林等分类器在医学扫描的解剖标志定位或体素级多器官分割中很受欢迎，但分割质量可能受到扫描对比度变化、噪声以及训练样本数量的限制。 ### 2.2 研究目标 提高分割质量，使其接近基于配准的方法，同时保留集成分类器的低计算时间。 ### 2.3 方法介绍 #### 2.3.1 上下文二进制相似性 采用大量弱强度比较特征的强组合。通过比较感兴趣体素周围区域的平均强度与具有一定空间偏移的区域的平均强度，获得二进制特征。使用高斯核在像素比较之前对图像块进行平滑处理，以提高特征的鲁棒性。 #### 2.3.2 有利点森林 提出一种新的决策树分类器，即有利点森林。与随机森林不同，有利点森林在每个分割节点使用整个特征向量，能够在高维特征空间中找到代表性模式。通过计算样本之间的汉明距离，将样本分配到不同的节点，直到达到最小叶节点大小。在测试阶段，将查询样本插入树中，根据其与当前有利点的距离确定搜索分支的方向，最终获取叶节点的类分布并进行平均。 #### 2.3.3 空间正则化：多标签随机游走 为了使分类输出在空间上更加一致，采用多标签随机游走对获得的概率图进行空间正则化。通过最小化能量函数，得到平滑的概率图。 ### 2.4 实验结果 对 20 个腹部对比增强 CT 扫描进行自动多器官分割实验，并在 10 个 ceCT 测试扫描上进行验证。实验结果表明，有利点森林在肝脏和肾脏的分割中实现了≥90%的 Dice 系数，显著优于随机森林，且分割时间不到一分钟。 ## 3 方法详细解析 ### 3.1 上下文二进制相似性操作步骤 1. 选择感兴趣的体素。 2. 确定两个具有空间偏移的区域。 3. 比较这两个区域的平均强度。 4. 如果 Pi(q) > Pi(r)，则特征值 hid = +1；否则，hid = -1。 5. 使用高斯核（方差为 σ²p）对图像块进行平滑处理。 ### 3.2 有利点森林训练步骤 ```plaintext 输入: |M| 个带标签的训练样本 (hj, yj)，参数：树的数量 T，最小叶节点大小 Lmin 输出: T 个树结构：有利点的索引、每个节点的阈值 τ、类分布 p(y|hi) 和叶节点的样本索引 1. 对于每个 t ∈ T 执行以下操作 2. 将初始子集 S0 = M（整个训练集作为根节点）添加到栈顶 3. 当栈不为空时执行以下操作 4. ```